基于Android智能移动终端平台的实时ORB人脸识别.pdfVIP

型至塑堡 识别 521 —————————————————————陈梓嘉郑紫微(宁波大学通信技术研究所浙江宁波31 1) 脸识别系统。考虑到实时性和准确率的问题，首先采Adaboost算法检测样本中的人脸，然后分别提取测试 人脸样本与模板人脸样本的ORB特征，最后采用最近邻方法进行匹配识别。通过实验表明，该方法在 Android上实施实时性和识别率均能达到较好的效果。 关键词：人脸识别；Android；ORB 1 概述 先在人脸检测模块引入Adaboost算法，采用级联分类 器结构对样本进行人脸检测；然后，分别提取测试人 AlphaGo战胜围棋冠军将人工智能推向了一个 新的高度，人脸识别作为人工智能计算机视觉的重 脸样本与模板人脸样本的ORB特征；最后采用最近 要部分，也再次成为移动支付和安全验证领域一个 邻方法对特征点进行匹配，通过匹配度来对待测样 热门的话题。通常，人脸识别一般包括人脸检测、图 本进行分类识别。 像预处理、特征提取、人脸识别四个部分。 目前，人脸识别方法主要包括以下几种：(1)基于2人脸检测 先验知识的方法。(2)基于不变特征的方法11I。(3)基于 模板匹配的方法[2】。(4)基于统计学习的方法㈣。(5)基于法。该算法的主要思想为：为每一个训练样本引入一 动态图像的方法[41。 个权重，使用加权后的训练样本代替随机选取的训 基于统计学习的方法在当前处于绝对主流的位 练样本，将训练焦点集中在比较难分的训练样本之 置，其中代表性的方法有：特征子空间方法I51、神经网 上，训练通过迭代过程完成；每次迭代结束后增大分 络方法[63、支持向量机方法同、隐马尔科夫方法I”、类错误样本的权重，降低分类正确样本的权重，从而 使得下次迭代弱分类器的选择更加重视错误样本。 AdaBoostIglJy法等。这类方法首先将样本图像看成人 脸区域和非人脸区域两种不同的模式，这样就把人 算法步骤如下： 脸检测问题转化成模式识别中的“两类”分类问题； 步骤1：初始化每个样本的权Wj=l／N,i=l…2．．N。 然后，对大量的人脸样本与非人脸样本采用某种统 步骤2：对每个样本，利用弱分类器学习算法训 计分析或机器学习方法进行训练得到它们各自的统 练弱分类器 计特征，继而解析出一个人脸模型并构建分类器；最 J((戈)∈{-1，1) (1) 后，通过训练得到的分类器来判断输入待测样本图 并计算错误率占，和加权系数Ol+，分别用式(2)和 像中所有感兴趣区域属于哪类模式，完成人脸检测。 式(3)表示 本文主要研究基于Android的人脸识别验证系统 G=Ew[，(y≠Z(戈))] (2) 的实现，考虑到移动终端CPU处理能不足的特点，首 基金项目：国家自然科学基金(No；国家科技重大专项(201 万方数据 (2011881002)；浙江省信息与通信工程重中之重学科开放基金项目(XKXll410)。 _蔫查麓耻匦避iQQ 塑塑坚! Ot，=logl(1一占，)／e。J (3) 步骤3：更新权值叫；，过程用下式表示 叫i唧iexp[a，，∽(戈i)≠咒)] (4) 重新归一化使∑埘．=1。 步骤4：输出分类器 F(x)=sgn[∑Ogtf(戈)] (5) 人脸检测问题可看做是一个非对称的分类问 题，背景中非人脸样本占大多数，而大部分样本可用 很简单的规则去掉。Viola