基于DSP的人脸识别系统设计

3系统软件设计
系统硬件调试成功后，需要提供一定的软件算法等，以实现软件和硬件的结合，在此设计中，SRAM是扩展在DSP处理器EMIF上的，DSP处理器通过读信号的触发将有效奇偶场数据分别存储为两个一维数组，以供处理。
3．1DSP的图像预处理
TVP5147芯片输出的图像数据并非RGB格式，而是以YUV格式输出的。需要通过DSP处理器转换成RGB格式，才能进行图像的预处理，转换公式如式(4)所示

DSP将图像数据读入内存空间，然后对其进行运算，将得到的RGB分别放到对应的存储单元，并算出灰度值Gray，运算公式如式(5)所示

将最后得到的灰度值存放到对应的数组当中。每张图片由两场图片构成，所以完整的图片分辨率为720×576。但是对于系统本身无需对其每一个像素都进行转换，所以截取其中320×240进行存储，这样每场的分辨率为320×120，大大降低了由YUV到灰度图像预处理和脸部定位的时间，提高了系统的性能。
3．2人脸判别流程
将得到的320×240的图片经过人脸的检测后，将截取人脸的部分作为人脸样本。设计时，人脸的所有样本都将在显示器上显示出来，降低了人脸错误检测的可能，一定程度上提高系统的准确性。
人脸的样本分辨率为24×24，作为576维的一维向量输入至PCA。图8(a)为计算PCA投影矩阵的流程图，图8(b)为KNN分类器的工作流程图，其中训练样本经过PCA投影后的数值，不需要在每次识别中重新计算，可以作为初始化时的计算，也可存储于掉电非易失介质中，如Flash存储器中，可以提高设备的运行效率，降低运算量。

如图8所示，KNN分类器可以判断最接近的分类，但是并不能拒绝分类，于是产生了任何人的脸都将被分到内置样本集的一类中。这样的分类方式是不可取的，所以必须加入是否拒绝的判定，流程图如图9所示。

如流程图中显示，当样本点经过PCA降维后，输送至KNN分类器进行分类，所得到的结果一定可以判定为第K类，此时不能急于定论，先求出待测点与K类标号的样本点的欧氏距离之和sum。定义两个阈值a和b，如果suma值则判定为第一类；如果sum>b值则判定为拒绝类；如果sum介于a和b值之间，则引入精度控制量accuracy，计算出sum与a的差值，如若小于精度控制量accuracy，则判定为第K类，否则拒绝分类。由这样的过程，间接解决了样本错分和无法判否的问题。

4 试验结果
该实验中，选定a的值为12 400，b的值为16 200，这两个值的确定需要进行大量的实验，从中找出规律。x的值的大小直接影响识别的效果，文中分别选取x=4和x=5进行了测试。
(1)x=4时：程序在测试可识别库中的分属12个人的36幅人脸图像时，正确识别出其中的33幅，其余3幅图像均被判否，0个判错。程序在测试不可识别库中的分属3个人的33幅人脸图像时，22幅图像被成功判否，11幅被误判；
(2)x=5时：程序在测试可识别库中的分属12个人的36幅人脸图像时，正确识别出其中的25幅，其余ll幅图像均被判否，O幅判错。程序在测试不可识别库中的分属3个人的33幅人脸图像时，28幅图像被成功判否，5幅被误判。
分析上面的实验数据可知，x=4时，可识别库的识别率为91．6％，不可识别库的判否率为66．7％。x=5时，可识别库的识别率为69．4-％，不可识别库的判否率为84．8％。因此，应用于不同的场合时，应选择不同的x值，当要求尽可能拒绝外来人脸时，可选x值为5，当要求尽量识别已知人脸时，可选x值为4。

5 结束语
此人脸识别系统的构建，充分考虑了其推广性，未采用USB摄像头作为图像采集设备，而以通用视频标准的模拟摄像头取而代之，因此用户在摄像头选择的时候，可以更加自由。同时该设备支持多种接口输入，除了普通的R-jack口之外，还提供了Svideo，YPbPr和RGB等输入方式。该设备的识别精度可达90％以上，基本满足了识别要求。系统实时性好、携带方便，可以通过程序的修改推广到动态图像跟踪、运动检测等领域。