4．2 用于人脸识别的HMM模型
    根据状态转移的类型，HMM可分为遍历的(ergoDIC)和从左到右的(left-right)。前者表示状态转移是任意的，可以到本身和其他所有状态，后者状态转移只限于本身和下一个状态。人脸垂直方向由上至下和水平方向从左至右各个区域具有自然不变的顺序，可以用1D-HMM来模拟人脸，如图3所示。

4．3 人脸图像特征提取
    设每一个人脸图像宽度为W，高度为H，被划分为互相重叠的块。块的高度为L，重叠深度为P。因此，从人脸图像抽取的总分块数为观察矢量数T，且T=(H-L)／(L-P)+1。参数L和P的选择将影响系统的识别率，大的重叠深度值P增加了垂直特征向量的数量，使系统的识别率提高。L的选择比较微妙，较小的L使观察矢量不能有效鉴别；而大的L使剪切相交特征概率增加。当P大时，系统识别率对L的变化不敏感。分割算法流程如图4所示。

4．4 人脸HMM模型的训练
    为人脸图像库中每一个人脸建立一个HMM模型，用同一个人的5张不同人脸照片进行训练。按照子块划分方法，得到的2D-DCT变换系数矢量形成观察矢量序列。用观察矢量序列O={o1，o2，…，oT}进行训练，得到HMM模型参数。
    首先对HMM模型λ={A，B，∏}进行初始化，通过自上而下均匀分割人脸图像得到训练数据。模型状态数N=6，与每一个状态有关的观察矢量序列用于得到观察概率矩阵B的初始估计，A和∏的初始值按人脸模型自左到右的结构给出。然后利用最大似然估计算法(Baum-Welch估计算法)重新估计模型参数，检测P(O|λ)的收敛条件。
    如果满足式(3)条件，则模型已收敛，结束训练迭代过程；否则继续进行下一次训练。
   
    此处，C为预先给定的阈值。
4．5 人脸图像识别
    被识别的人脸图像用于训练过程相同的方法提取观察矢量序列，观察矢量序列的概率由人脸图像HMM模型计算出，即：
   
    当满足式(4)时，被识别人脸对应人脸图像库中第k个人的人脸被识别出。
    实验证明，此算法易于实现实时处理，不受脸部表情变化的影响，抗噪声能力强，鲁棒性好。但在人脸识别中的光照问题和姿态问题方面还有待于进一步的研究。

5 结论
    基于嵌入式ARM9和HMM算法的人脸识别系统具有体积小，计算量小，运算速度快，性能稳定等特点，能够满足人们对识别设备小型化的需求。相信在不久的将来，基于嵌入式的人脸识别系统会在安检、身份验证、门禁系统、智能考勤等方面得到广泛应用。
    本文作者创新点：
    人脸识别是生物特征识别中一个重要的研究方向，是间接、无侵犯式身份识别的主要方法。在嵌入式系统进行人脸识别，能够实现人脸识别设备的便携化，将会极大地拓展识别设备的使用范围。识别使用HMM算法，有效地降低了识别算法的空间和时间复杂度，为实时识别提供了可能。

上一页  [1] [2] [3]