设计人脸识别模块

人脸识别是利用计算机分析人脸图像，用来辨认身份的一门技术，它涉及模式识别、图像处理、计算机视觉、生理学、心理学及认知学等诸多学科的知识，并与基于其他生物特征的身份鉴别方法以及计算机人机感知交互领域都有密切的联系。

人脸识别方法的效果如何，主要决定于它在多大程度上利用和保留了图像的原始信息。我们在看一个人的时候，可以明显地观察到他面部的各个器官和脸庞。因此，我们可以利用一组数值特征来描述各个器官包括脸庞，并且利用这种数值特征数据来对人脸进行识别。但是模式识别研究的经验表明，简单地利用一组数值特征不能很好地解决人脸的识别问题。由于视觉识别人脸的机制十分微妙，人们对此的认识还非常肤浅。因此，人脸应当作为一个整体来描述，不仅仅包括各个器官的数值特征，还应当包括各个器官的不同表象和相互关联。对于已检测出的人脸图像，自动识别系统将它与数据库中的已知人脸进行比较匹配，得出识别结果。这部分工作由人脸识别算法来完成。对于自动人脸识别系统，一个对环境适应性强且识别率高的算法是整个系统的关键。在本文的系统中，人脸识别部分采用了 一种较为成熟的人脸识别方法——基于隐马尔可夫模型（Hidden Markov Model，HMM）的人脸识别方法。它为描述不同表象和相互关联的人脸识别提供了解决方案。

近几年来，基于HMM的人脸识别已经取得了较大的进展。它们所采用的系统结构大致相同。本文所设计的HMM人脸识别基本框架如图7-15所示。

图7-15 HMM人脸识别基本框架

图7-16 HMM训练建模过程

从上图可以看出，本交互平台的人脸识别系统要经过训练和识别两个部分。训练就是HMM建模的过程，如图7-16所示。根据一定的参数重估算法，不断调整模型参数，得到鲁棒性较好的模型。通过对基本模型的改进和优化，提高模型的精确度，以达到较好的识别效果。人脸隐马尔可夫模型的训练就是要为每一个人确定一组经过优化了的HMM参数。每个模型可以用单幅或多幅图像进行训练。

人脸图像采样生成观察值序列，这些观察值序列就用来训练出人脸的模型。

人脸训练的算法如下：

1）将要训练的人脸图像进行统一分割，按照DCT算法提取出人脸特征相联系的观察值序列O_i，1≤i≤T。

2）建立一个通用的HMM模型γ=（A，B，τ），确定模型的状态数，允许的状态转移和观测序列向量的大小。

3）迭代计算初始HMM参数。首先，图像被统一分割，每部分对应HMM的一个状态。然后，上述的分割数据被Viterbi分割代替。这一过程输出的是一个初始HMM模型，用作下一步重估HMM参数的输入。(www.xing528.com)

4）使用Baum-Welch方法对HMM模型参数进行重估。隐马尔可夫模型的各个参数在这个步骤中进行重新估计，得到一个新的γ=（A，B，τ）。然后利用前向-后向算法或者Viterbi算法计算出观察值序列O在这个模型下的P（Oγ）。为了估计出最接近于观察值序列O的模型，设定门限值C，当时P（Oγ）－P（Oγ′）＜C时（此时P（收敛），即得到训练出的隐马尔可夫模型，否则令γ=γ′，重复此步骤，直至P（收敛），得到最接近于观察值序列的隐马尔可夫。根据训练图像的观察向量，HMM参数将会被调整到一个局部极大值。这个过程的输出即为数据库中人脸图像最终的HMM模型。

在训练好若干人脸的隐马尔可夫模型（HMM），即建好人脸数据库后，才能进行人脸的识别。识别就是根据已经建立好的人脸HMM模型库，使用某种搜索算法搜索最佳匹配的过程。

识别的过程如下：

1）首先要对识别的人脸图像进行采样，形成观察向量序列。

2）然后计算此人脸的观察向量序列与人脸数据库中各人脸的隐马尔可夫模型的最大似然概率P（O（k）γ_n）。最大似然概率P（O（k）γ_n）的计算可以通过前向-后向算法或者Viterbi算法得出。

3）最大似然概率反映了待识人脸观察向量序列与数据库中的人脸隐马尔可夫模型的相似程度。计算出每一个训练模型产生该序列的最大似然概率，最大值的模型即为待识别人脸所属的类，可以用公式表达为

P（O（k）γ_m）=max_nP（O（k）γ_n）（7-1）

如果第m个模型γ_m产生序列O（k）的最大似然概率值取最大值，则将图像k归入第m类。人脸识别的流程图如图7-17所示。

图7-17 人脸识别流程图

根据隐马尔可夫人脸识别算法的特点和步骤，机器人交互平台选择以OpenCV库为基础进行开发。

根据算法，同时利用OpenCV所提供的功能函数，将人脸识别模块的功能实现，并封装在DLL库中，这样此功能模块不仅能实现平台的通用性，而且便于进行集成。