基于HMM的嵌入式人臉識別系統研究

4．3 人臉圖像特征提取
設每一個人臉圖像寬度為W，高度為H，被劃分為互相重疊的塊。塊的高度為L，重疊深度為P。因此，從人臉圖像抽取的總分塊數為觀察矢量數T，且T=(H-L)／(L-P)+1。參數L和P的選擇將影響系統的識別率，大的重疊深度值P增加了垂直特征向量的數量，使系統的識別率提高。L的選擇比較微妙，較小的L使觀察矢量不能有效鑒別；而大的L使剪切相交特征概率增加。當P大時，系統識別率對L的變化不敏感。分割算法流程如圖4所示。

4．4 人臉HMM模型的訓練
為人臉圖像庫中每一個人臉建立一個HMM模型，用同一個人的5張不同人臉照片進行訓練。按照子塊劃分方法，得到的2D-DCT變換系數矢量形成觀察矢量序列。用觀察矢量序列O={o1，o2，…，oT}進行訓練，得到HMM模型參數。
首先對HMM模型λ={A，B，∏}進行初始化，通過自上而下均勻分割人臉圖像得到訓練數據。模型狀態數N=6，與每一個狀態有關的觀察矢量序列用于得到觀察概率矩陣B的初始估計，A和∏的初始值按人臉模型自左到右的結構給出。然后利用最大似然估計算法(Baum-Welch估計算法)重新估計模型參數，檢測P(O|λ)的收斂條件。
如果滿足式(3)條件，則模型已收斂，結束訓練迭代過程；否則繼續進行下一次訓練。

此處，C為預先給定的閾值。
4．5 人臉圖像識別
被識別的人臉圖像用于訓練過程相同的方法提取觀察矢量序列，觀察矢量序列的概率由人臉圖像HMM模型計算出，即：

當滿足式(4)時，被識別人臉對應人臉圖像庫中第k個人的人臉被識別出。
實驗證明，此算法易于實現實時處理，不受臉部表情變化的影響，抗噪聲能力強，魯棒性好。但在人臉識別中的光照問題和姿態問題方面還有待于進一步的研究。

5 結論
基于嵌入式ARM9和HMM算法的人臉識別系統具有體積小，計算量小，運算速度快，性能穩定等特點，能夠滿足人們對識別設備小型化的需求。相信在不久的將來，基于嵌入式的人臉識別系統會在安檢、身份驗證、門禁系統、智能考勤等方面得到廣泛應用。
本文作者創新點：
人臉識別是生物特征識別中一個重要的研究方向，是間接、無侵犯式身份識別的主要方法。在嵌入式系統進行人臉識別，能夠實現人臉識別設備的便攜化，將會極大地拓展識別設備的使用范圍。識別使用HMM算法，有效地降低了識別算法的空間和時間復雜度，為實時識別提供了可能。