基于ARM智能视频监控人脸识别系统设计.docxVIP

PAGE 1 - 基于ARM智能视频监控人脸识别系统设计 基于ARM智能视频监控人脸识别系统设计 引言 自美国“9.11〞事件和西班牙马德里列车爆炸案、英国伦敦地铁大爆炸等恐惧突击发生后，世界范围内对视频监控系统的需求也呈现了爆发式增长。各国部署的摄像头越来越密集，监控系统也日益浩大，全球视频监控市场获得了长足的进展。据MarketsAndMarkets预报。全球视频监控市场将从2021年的139.8亿美元增加至2021年的420.6亿美元。随着市场的快速增长、数据的积存、硬件能力的提升、算法的优化，视频监控技术需要从“高清化〞向“智能化〞进展。 视频监控的主要目标是人。所以人脸识别技术显得至关重要，它是后续各种更高级功能的基础。从20世纪50年月兴起了人脸识别的讨论。作为一种重要的生物特征识别技术。始终被讨论学者所关注。人脸识别技术在安防和金融支持等方面有很多实际的应用，如视频监控、智能支持、访问操纵等，是目前机器学习和模式识别中最热门的讨论方向。 在嵌入式系统中应用计算机视觉〔ComputerVision，CV〕技术至今为止存在着多方面的难题。其中，如何使用嵌入式设备有限的计算资源实现例如人脸识别和姿态估量等较为冗杂的功能。本系统针对以上问题，进行了初步的讨论和探究。提出了以RaspberryPi为硬件平台，以Raspbian为操作系统，通过HOG算法从摄像头的视频帧中提取检测到的人脸区域，通过WiFi模块将图像上传至服务器，在服务器上利用ERT算法将图像进行人脸对齐，通过接受FaceNet网络从修正过的人脸图像中提取128个嵌入人脸空间的特征测量值，并且与数据库存在的特征点进行对比，当两个特征向量之间的距离到达设定阈值0.6即可认为是同一人。本系统在Pi-Motion硬件平台上取得了较为理想的功能，是深度学习在实际应用中的一次有益尝试。 1系统功能论述 本文的讨论方案是设计一个基于RaspberryPi平台下，经济有用、性能稳定和操作简洁的远程人脸识别系统。该系统可对监控区域内人员进行实时的身份识别，实现智能监控的目的。该系统主要具有以下几个功能。 〔1〕人脸检测功能。摄像头在监控范围内发觉人脸信息会上传至服务器，并实现初步预警，同时也为后续身份识别做预备。 〔2〕视频流无线传输功能。解决传统視频监控通过布线方式的高安装本钱。可以在移动端或PC端方便查看。 〔3〕人脸识别功能。能识别闯入的未知身份人员，自动提示用户处理。 〔4〕微信报警功能。假如监控区域被非法闯入自动记录，并启动微信报警。 2系统算法设计 在实际应用场景中人脸识别需要考虑受到人面部表情、装扮、姿态、角度和遮挡等缘由引起的类内改变，及来自外界光照、背景等不同引起的类间改变，这两种改变的分布是高度冗杂且非线性的。基于浅层学习的传统人脸识别方法，在面对类内和类间这两种改变的冗杂分布和非线性的状况无法到达理想效果。本系统的人脸识别算法基于深度学习框架，可以学习到对于光照、表情、角度等不变的特性。可以用来解决人脸识别中的类内和类间的改变分布这一难题。本系统算法主要包含人脸检测、人脸对齐、人脸识别三个主要流程。其算法如下。 2.1人脸检测 人脸识别算法的第一步首先就是要从图像序列中检测出人脸部分，通常人脸检测的算法目前主要有PCA算法、卷积神经网络算法、Adaboost等算法。本系统主要接受性能较好的方向梯度直方图〔Histogram0fOrientedGradients，HOG〕特征检测算法。通过HOG特征训练SVM分类器，以实现从视频中人脸检测。 2.1.1HOG特征计算过程 2.1.1.1颜色空间归一化 〔1〕图像灰度化。将RGB图像转化为灰度图，其式如下： H〔i，j〕=0.299×R〔i，j〕+0.578×G〔i，j〕+0.114×B〔i，j〕。〔1〕 〔2〕Gamma校正。为了削减光照因素的影响，首先需要将整个图像进行正则化。试验证明丫参数为0.5时有较高的性能提升。Gamma正则化公式如下： H〔x，y〕=H〔x，y〕y。〔2〕 2.1.1.2单个cell单元计算梯度 〔1〕将人脸的灰度图像以8×8的像素邻域网格〔block〕作为采样窗口，以没有重叠的方式遍布整个人脸。 〔2〕将每个block上以cell〔将block分为4个4×4的块〕为单位计算梯度方向和幅值。方法用中心对称梯度算法[-1，0，1]，梯度方向和幅值的计算公式为： 公式中的Gy〔x，y〕表示像素点〔x，y〕的水平方向梯度，Gy〔x，y〕表示像素点〔x，y〕的垂直方向梯度。其计算方法如下，其中H〔x，y〕为点〔x，y〕的像素值： Gx〔x，y〕=H〔x+1，y〕-H〔x-1，y〕，〔5〕 Gy=H〔x，y+1〕-H〔x，y-1〕。〔6〕 2.1.1.3块内归一化梯度直方图