基于嵌入式人脸识别门禁系统研究.docVIP

基于嵌入式人脸识别门禁系统研究 　　摘要：随着智能时代的到来，科学技术已越来越先进化，人们的要求也越来越高，传统的机械锁、指纹锁等已无法满足人们日益增长的需求，由此提出一种基于嵌入式人脸识别的门禁系统，其中S3C2440B芯片作为核心控制器，其自身携带多个外接端口，用户可以根据自己的需求，外接其他设备，同时可结合多种技术，提高整体性能。 　　关键词：Linux；人脸识别；主成分分析；S3C2440B 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）34-0178-02 　　假如ATM取款机上安装了嵌入式人脸识别系统，无须带银行卡，即可通过人脸识别开启存取款服务，进而进行各种现金、网上交易，那么安全系数将极大提高。过去人们往往将门禁系统和PC端结合起来，但这样使用不方便，容易受PC端控制，而且成本高，本文通过嵌入式和门禁系统相结合，同时用Linux 作为软件操作系统平台，以迭代、主成分分析等算法[1]，开发出嵌入式人脸识别门禁系统，成功实现门禁系统中人脸识别技术的控制入口[2]。 　　1 嵌入式系统与人脸识别概念 　　1.1 嵌入式系统概述 　　嵌入式系统是一种“完全嵌入受控器件内部，为特定应用而设计的专用计算机系统”，是目前最常用的系统，其执行的是带有特定要求的预先定义的任务，能实现软硬件的裁剪，同时也能结合多种优化技术，降低系统成本[3]。 　　1.2 人脸识别技术 　　人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。传统的人脸技术是基于可见光图像的人脸识别，因其对光照的极强依耐性，逐渐被替代。针对这一现象，人们研究出解决光照的两种方法，即三维图像人脸识别和热成像人脸识别，但由于这两种技术尚不完善，还有待研究开发。目前迅速发展起来的一种解决光照的技术是基于主动近红外图像的多光源人脸识别技术，因其能克服光照的影响，使人脸识别技术走向实用化。 　　2 门禁系统中关于人脸识别的算法研究 　　2.1 灰度化进行图像预处理 　　采集一帧图像时，由于周围环境光照等问题的影响，摄像头采集的图像可能因为各种噪声失真，为了后续的操作处理，需要对图像进行预处理，常用方法有人脸图像灰度化、二值化、几何校正等操作，这里详细介绍灰度化。 　　摄像头采集的图像有彩色和灰色之分，彩色图像的像素点由R、G、B三种基色组成，R、G、B的含量不同，所组成的颜色也不同。在RGB模型中，R=G=B的值叫灰度值，灰度范围为0～255，一般有四种方法对彩色图像进行灰度化处理，分别是：分量法、最大值法、平均值法和加权平均值。本文采用的是加权平均值法，其原理是根据重要性及其他重要指标，将R、G、B三个分量以不同的权值进行加权平均，采用的公式为：Gray=0.3R+0.59G+0.11B。 　　2.2 Adaboost人脸检测法 　　Adaboost 是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器（弱分类器），然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器），它可以进行人脸检测，但由于人脸检测时待检测的窗口比较多，这时一般要采取“先重后轻”的分级分类器的思想[4]。首先利用强分类器对非人脸窗口进行排除，随着非人脸窗口的减少，特征重要性也会逐渐降低，剩下的分类器也越来越多，但待检测的窗口也越来越少，从而达到较好的分类效果。 　　2.3 PCA 算法进行人脸识别 　　完成人脸检测后，需要对人脸进行特征提取，目前用得最多的是PCA算法，它是一种掌握事物主要矛盾的统计分析方法，从多元事物中找出主要影响因素，再通过降维的方法，从而简化复杂的问题。PCA算法主要通过K-L变换来提取人脸中的主要特征，比如人眼、鼻子、嘴巴等主要器官，故PCA算法也叫“特征脸”法。当进行识别时，将获取到的图片投影到此空间，便可以得到一组投影系数，此组投影系数即为特征向量，然后将此特征向量与人脸库中的特征特征向量进行一一比对，即可完成人脸识别。 　　PCA算法过程如下： 　　（1） 假设存在一个矩阵[A=m×n]，对该矩阵进行减去平均值的调整； 　　（2） 通过协方差公式，求得该矩阵的协方差矩阵，用Z表示，即[Z=i=1n（Xi-X）（Yi-Y）/n-1]，其中Xi、Yi分别表示X、Y的第i个分量； 　　（3） 计算矩阵Z的特征值D和特征向量V； 　　（4） 确定降维系数进行降维，若数据由m维降到K维，则在D中按顺序挑选k个最大的特征值，同时在V中挑选相对应的k个特征向量，即组成新的矩阵N，N中的每一列即为A的主成分； 　　（5） 计算A*N即生成特征矩阵C。 　　3 系统硬件设计 　　本系统采用分模块结构，整个系统分为主控模块和多个分模块结构，主控模块和分模块之间相互独立，互