应用方案 | 高光谱人脸自动化识别

因人脸具有较好的稳定性以及无需配合性，使得人脸识别在刑事案件侦破以及门禁系统等多种领域得到了广泛应用。但与此同时，人脸图像极易受到光照以及角度等多种因素影响的特性，也使人脸识别工作面临非常大的挑战。能否研究一种合适的人脸识别方法或是设计一种能够较好完成人脸识别工作的系统，已逐渐成为人脸识别技术能否在多种领域得到良好运用的关键。皮尔森判别网络的人脸自动化识别方法。前者充分利 用孪生卷积神经网络可有效降低噪声干扰以及防止过渡拟合的特性;后者在 facenet前端对多任务级联卷积神经网络实施有效融合操作，将皮尔森相关系数判别模块放入其中，完成目标人脸深度性质特征的有效判别。二者均可实现人脸自动化识别，但是均是通过采集目标人脸的RGB图像，完成相应的人脸识别工作，识别效果并不理想。

为此，本文设计基于人工智能技术的高光谱人脸自动识别系统，更好满足实际工作需要为有效识别人脸区域，提升其在多种领域应用效果，设计基于人工智能技术的高光谱人脸自动化识别系统。以模块化思想设计嵌入式系统架构，采集与预处理高光谱人脸图像，并将预处理后的图像数据放入RAM存储器;人脸检测模块调用RAM存储器存储数据，并加载Haar人脸分类器，完成人脸区域检测提取工作;之后由人脸特征提取与识别模块经人脸区域LBP特征提取、LeNet-5卷积神经网络人脸识别模型构建与训练等操作，输出人脸识别结果。

基于人工智能技术，进行的嵌入式高光谱人脸自动识别系统应用。

本次基于Hi3531处理器，因Hi3531处理器对数据的处理频率最高可达930 MHz，故其可保障高光谱人脸自动识别系统在人脸识别方面的整体性能，也能更好满足人脸自动识别系统在实时性方面的需求。在实际的工作中，用户通过人机交互模块发出相应指令，令图像采集与图像处理模块打开，采集与预处理高光谱人脸图像，并将所获高光谱人脸图像放入RAM存储器，之后由人脸检测模块调用预处理后的高光谱人脸图像数据完成人脸检测工作，人脸检测工作完成后，由人脸特征提取与识别模块执行高光谱图像人脸特征提取操作，并完成人脸识别。

在本文系统中，高光谱人脸图像的采集是通过在图像采集模块使用带有USB接口的高光谱摄像头实现的。本文对高光谱人脸图像的预处理工作主要从图像去噪以及对比度增强两个方面着手，旨在提高所获高光谱人脸图像的清晰度。具体的高光谱人脸图像去噪流程如下：

(1)使用窗口规格为 3×3 的中值滤波对采集到的高光谱人脸图像执行中值滤波处理操作。

(2)利用 conf4小波基对通过步骤(1)获得的高光谱人脸图像执行分解层数为3的小波分解操作，并将分解操作后收获的尺度以及小波系数作为主要构成，构建系数向量H。

(3)对H执行阈值化处理操作，在本文中阈值函数选用的是软阈值函数，用公式可将软阈值函数描述为

式中：通用阈值用λ标记;阈值化处理后的H用H′标记。

(4)利用通过步骤(3)获得的新系数向量，执行小波重构操作，完成高光谱人脸图像去噪。对高光谱人脸图像对比度的增强主要是对其存在的高频部分实施对比度增强，在本文中挑选原高光谱人脸图像所拥有像素的 3×3 区域，实施局部对比度增强，具体是由图像预处理模块使用局部统计法实现的，可将增强过程描述为

f(i，j)=h′(i，j)×(1-g)+g×h(i，j)(2)

式中：输入以及输出高光谱人脸图像高频部分的亮度值分别用h(i，j)、 f(i，j)标记;增益系数以及邻域平均值用g、h′(i，j)标记。g 通常取值不能过小，若取值过小极其容易造成图像模糊，改变图像增强

操作的初衷，结合以往经验，通常应使g满足g∈[0.75，1.05]。

本次中对人脸的检测，是通过加载Haar人脸分类器实现的，具体的人脸检测流程如图 1 所示。

本文在人脸特征提取与识别模块应用LBP算法对经人脸检测操作提取的人脸区域执行LBP特征提取操作，具体的特征提取过程如下：

(1)对人脸区域图像执行有效的平均划分操作，将其划分成规格为 16×16，数量为256的小块区域;

(2)框选出一个规格为 3×3 的窗口，将该窗口所拥有中心像素产生的灰度值与其周围8个像素产生的灰度值，执行合理的比较操作。若周围像素产生灰度值低于框选窗口中心像素产生的灰度值，那么用0 表示该像素，反之用1表示;

(3)通过执行步骤(1)与步骤(2)操作获取到的数列为二进制形式的数列，对所获二进制形式数列执行十进制转化操作，并对各小块区域内各数字出现的频率实施合理统计。本文在完成上述图像特征提取操作后，在人脸特征提取与识别模块搭建以1个输入层、2个卷积层、2 个采样层、1个全连接层以及1个输出层为主要构成的 LeNet-5卷积神经网络人脸识别模型，完成高光谱人脸自动化识别工作。

使用新的激活函数，经过执行不断的模型训练操作，便可收获较为理想的高光谱人脸自动识别结果。

由工作人员随机挑选20名现场测试人员，从该人脸数据库中随机选择800个高光谱人脸图像样本，与现场测试人员高光谱人脸图像样本混合在一起，形成本文用高光谱人脸图像样本数据库。

应用高光谱设备对现场测试者A1～A20执行高光谱人脸图像采集与预处理，获得的部分高光谱图像采集与预处理结果，预备后续机器学习训练使用。

(1)首先根据项目要求配置满足项目需求的设备，准备配置清单。

(2)仪器在公司调试完成后，按照配置清单检查设备，确认无遗漏;

(3)现场架设三脚架，将内置推扫型便携高光谱成像仪ATH6100固定在三脚架上，确保旋转牢固，连接2根type-b数据线，1根type-c数据线以及电源线

用高光谱获取图像如图2所示。分析图2可知，设备可有效采集与预处理高光谱人脸图像，并且无论是在拍摄光线较为明亮的状况下，还是较为灰暗的情况下，都能够将所采高光谱图像处理成视觉效果较为舒适的高光谱图像，为高光谱人脸自动化识别工作提供可靠数据支撑。

以预处理后的现场测试者图像A1为例，对其执行高光谱人脸图像检测、特征提取与识别操作，获得的高光谱人脸图像检测以及特征提取与识别效果，如图3和图4所示。可以看出，很好的完成了高光谱人脸图像检测操作，从图像中获取到目标人脸区域。本文不仅可以有效提取目标人脸区域的LBP特征，且特征提取效果较好，卷积神经网络人脸识别模型具有较快的训练速度，只需约8s的时间便可达到收敛状态，完成相应的模型训练工作，且损失函数值近乎为0。