人臉識(shí)別在門(mén)禁系統(tǒng)中的設(shè)計(jì)應(yīng)用

?

　　1 綜合門(mén)禁系統(tǒng)設(shè)計(jì)方案

　　本文所設(shè)計(jì)的門(mén)禁系統(tǒng)由一個(gè)服務(wù)器和兩個(gè)門(mén)禁控制器組成， 一個(gè)門(mén)禁控制器在通過(guò)攝像頭采集人臉圖像的同時(shí)另一個(gè)可以通過(guò)指紋采集儀采集指紋信息。管理服務(wù)器軟件并行連接兩個(gè)門(mén)禁識(shí)別器軟件，通過(guò)USB 接口實(shí)現(xiàn)相互通信，服務(wù)器端軟件對(duì)兩個(gè)門(mén)禁識(shí)別器軟件的連接實(shí)現(xiàn)多線程處理。

　　系統(tǒng)基于嵌入式WindowsXP 平臺(tái)開(kāi)發(fā)，有體積小，專用性強(qiáng)等特點(diǎn)。

　　圖像采集端利用DirectShow 技術(shù)對(duì)攝像頭進(jìn)行控制，實(shí)現(xiàn)視頻圖像的預(yù)覽，并在預(yù)覽的過(guò)程中對(duì)實(shí)時(shí)的視頻進(jìn)行抓拍，將抓拍圖像傳至嵌入式計(jì)算機(jī)主板，由基于PCA 和BP 神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別軟件進(jìn)行識(shí)別處理。

　　指紋采集端由指紋采集儀獲取用戶指紋，并通過(guò)封裝在識(shí)別器內(nèi)部的指紋處理模塊進(jìn)行指紋比對(duì)。門(mén)禁控制器包括AT89S52 芯片MBF200 識(shí)別模塊、液晶顯示器、數(shù)據(jù)存儲(chǔ)器、鍵盤(pán)、電源和電控鎖等部分組成。

　　本識(shí)別系統(tǒng)軟件在Windows 平臺(tái)上采用VC++ 6.0 進(jìn)行開(kāi)發(fā)， 全部核心算法都采用模塊化設(shè)計(jì)，提高了算法的可移植性。整體結(jié)構(gòu)如圖1 所示。

?

　　圖1 整體結(jié)構(gòu)框圖

　　2 人臉識(shí)別

　　2.1 PCA 對(duì)人臉圖像的特征提取

　　由于攝像頭采集的人臉圖片的信息量往往很大，直接處理會(huì)產(chǎn)生龐大的計(jì)算量，所以在人臉識(shí)別之前要進(jìn)行特征提取。在降低特征空間的維數(shù)的同時(shí)，盡可能地保留識(shí)別信息，以達(dá)到有效分類。

　　本系統(tǒng)使用主成分分析算法實(shí)現(xiàn)對(duì)人臉圖像的特征提取。主成分分析(principal compONent analysis， PCA)是多元統(tǒng)計(jì)分析中用來(lái)分析數(shù)據(jù)的一種方法，它是用一種較少數(shù)量的特征對(duì)樣本進(jìn)行描述以達(dá)到降低特征空間維數(shù)的方法，方法的基礎(chǔ)是Karhunen-Loeve展開(kāi)式。K-L 變換的最大優(yōu)點(diǎn)是去相關(guān)性好。這樣可以將圖像中大量無(wú)關(guān)的冗余信息去除，降低了之后運(yùn)用神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜度，同時(shí)也提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率和收斂率。采用PCA 進(jìn)行人臉特征提取的一般方法是：

　　設(shè)有N 個(gè)訓(xùn)練樣本，每個(gè)由其像素灰度組成一個(gè)向量xi，則樣本圖像像素?cái)?shù)即為向量xi的維數(shù)，M=wIDTh × height (行像素?cái)?shù)×列向量數(shù))，由向量構(gòu)成的樣本集為{x1，x2，…，xn}，該樣本集的平均向量為：

?

　　協(xié)方差矩陣可表示為：

?

　　求協(xié)方差矩陣C 的特征向量ei和對(duì)應(yīng)的特征值λi.由大于λm的λi對(duì)應(yīng)的特征向量構(gòu)成主成分，主成分構(gòu)成的變換矩陣為：

?

　　在實(shí)際的人臉識(shí)別過(guò)程中，對(duì)于一個(gè)輸入的測(cè)試樣本x，求它與平均臉之間的偏差y=x-x 則在特征臉空間的投影可表示為系數(shù)向量：

?

　　(4)式中z 為K-L 變換的展開(kāi)系數(shù)向量，為m×1 維。這樣一個(gè)臉部圖像就可以用較低維的系數(shù)向量表示，從而實(shí)現(xiàn)了用低維向量表征原始人臉圖像?？梢赃x取對(duì)應(yīng)特征值最大的前m 個(gè)特征向量，使得：

?

　　在式(5)中可以選取鄣=90%，從而使得樣本集在前m 個(gè)軸上的能量占整個(gè)能量的90%以上。