基于Android平台的人脸识别系统设计与实现.docVIP

基于Android平台的人脸识别系统设计与实现 　　摘 要 人脸识别是公共安全领域的研究重点。本文首先通过分析比较，采用基于Adaboost的算法检测人脸，基于LDP的特征脸算法实现特征提取和特征识别。然后选择OpenCV计算机视觉库来实现人脸检测和人脸识别。最后，通过JNI调用本地OpenCV代码实现Android平台的人脸识别系统。 　　【关键词】Android平台 人脸检测 人脸识别系统 　　1 引言 　　近年来，信息安全越来越受到人们关注，身份验证和识别技术成为众人瞩目的焦点，生物特征识别技术和人工智能技术不断更新发展，其中，人脸识别技术因具有并发性、非接触性、非强制性、操作简单等特点，被越来越广泛地运用到各个领域中。Android系统是目前移动设备的主流操作系统之一，在移动操作系统市场份额中占据了主导地位。随着人们在移动领域信息安全意识的提高，在移动平台上进行人脸识别具有广阔的发展前景，同时也面临诸多挑战。本文结合Android移动终端的特点，研究基于Android的人脸识别系统的实现，更好地满足移动领域信息安全方面的市场需求。 　　2 人脸识别原理 　　人脸识别技术是一种基于生理特征的识别技术，通过计算机提取人脸特征，并根据这些特征进行身份验证的一种技术。广义的人脸识别过程包括人脸图像采集及预处理、人脸检测与特征提取和人脸的对比与识别三大部分，其原理如图1所示。 　　人脸检测的算法有很多种，典型的有特征抽取算法、人脸小波检测、基于模板匹配、神经网络、支持向量机方法、Adaboost算法等。本文选择Adaboost算法实现人脸检测。人脸识别技术包括特征提取和特征识别，实现方法可概括为3类：基于几何特征方法（欧式距离判别法）、基于模板方法（特征脸方法、神经网络方法等）和基于模型方法（隐马尔科夫方法）。本文选择基于LDP的特征脸算法实现人脸特征提取与特征识别。 　　3 人脸识别算法 　　3.1 图像预处理 　　现实生活应用人脸检测与识别系统时，人脸的图像是在各种随机的场景下由摄像头或照相机拍摄的，因此受到光照变化、背景色彩、设备质量以及人脸姿态等因素的影响，需要对其进行预处理，主要包括光照补偿、滤波去噪处理和几何归一化的处理，经过这些处理，后期操作中将得到较好的识别效果。 　　首先定位人眼。为了提高定位效率，先确定人眼在人脸图像中的大概位置，然后基于这个大致的范围，采用灰度积分投影和灰度差分积分投影相结合的方法精确定位人眼： 　　M（y）=kphori（y）- Dhori（y） 　　其中，k为系数，K phori（y）为灰度积分投影，Dhori（y）为灰度差分积分投影。 　　其次是脸部图像的几何变换和剪裁，根据所检测到的人眼位置，通过图像旋转、剪裁、缩放等手段，使得脸部图像中人眼是对齐的且不包含背景、额头、耳朵和下巴，并将处理后的脸部图像缩放到70×70固定大小。 　　再次是分离直方图均衡，这个过程能够使得每一个脸部图像都具有相同的对比度以及亮度。 　　最后是图像平滑，图像平滑能够有效地减少图像的噪声。 　　3.2 人脸检测 　　自适应增强（adaptive boosting，AdaBoost）是一种需要监督的机器学习算法。特征选取和特征计算决定了AdaBoost算法的运行速度。Viola等人提出了基于Haar特征的AdaBoost人脸检测算法。本文使用Haar 特征进行特征提取。 　　基于特征的检测能对选定区域的状态进行编码。矩形特征是对输入图像使用矩形进行提取特征。Haar特征是一些由黑白矩形组成的特征，脸部的一些特性可以用矩形特征简单地描述，矩形特征值是两个不同的矩形区域像素和之差。如果图像特征表示眼睛的颜色比脸颊上端的颜色深。可以用特征值来编码特征，特征值定义为： 　　V=Sum黑-Sum白 　　其中，Sum黑、Sum白分别表示黑色和白色矩形覆盖区域的像素和。 　　使用Viola等人提出的积分图像的概念，可加快矩形特征的计算速度。进而计算出Haar特征的特征值，定义积分图中位置（x，y）处的值为待测图像位置（x，y）处的上方和左侧所有像素之和。 　　S（x，y）=s（x，y?1）+i（x，y） 　　C（x，y）=c（x?1，y）+s（x，y） 　　其中，c（x，y）为积分图在（x，y）点处的值，i（x，y）为原图像素点（x，y）处的灰度值，s（x，y）表示一行灰度值的累加和。初始时s（x，-1）=0，c（-1，y）=0。 　　弱分类器对正负样本分类的准确率应大于 1/2，这样训练算法最终收敛。一个弱分类器 h（x，f，p，θ）：其中 1 表示人脸，0 表示非人脸。 　　计算在每个特征f下的所有样本特征值，并进行排序。然后扫描一遍排好序的特征值，从而确定特征f的