4．3 人臉圖像特征提取
設(shè)每一個(gè)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(zhǎng)，重疊深度為P。因此，從人臉圖像抽取的總分塊數(shù)為觀察矢量數(shù)T，且T=(H-L)／(L-P)+1。參數(shù)L和P的選擇將影響系統(tǒng)的識(shí)別率，大的重疊深度值P增加了垂直特征向量的數(shù)量，使系統(tǒng)的識(shí)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(dāng)P大時(shí)，系統(tǒng)識(shí)別率對(duì)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(xùn)練
為人臉圖像庫(kù)中每一個(gè)人臉建立一個(gè)HMM模型，用同一個(gè)人的5張不同人臉照片進(jìn)行訓(xùn)練。按照子塊劃分方法，得到的2D-DCT變換系數(shù)矢量形成觀察矢量序列。用觀察矢量序列O={o1，o2，…，oT}進(jìn)行訓(xùn)練，得到HMM模型參數(shù)。
首先對(duì)HMM模型λ={A，B，∏}進(jìn)行初始化，通過(guò)自上而下均勻分割人臉圖像得到訓(xùn)練數(shù)據(jù)。模型狀態(tài)數(shù)N=6，與每一個(gè)狀態(tài)有關(guān)的觀察矢量序列用于得到觀察概率矩陣B的初始估計(jì)，A和∏的初始值按人臉模型自左到右的結(jié)構(gòu)給出。然后利用最大似然估計(jì)算法(Baum-Welch估計(jì)算法)重新估計(jì)模型參數(shù)，檢測(cè)P(O|λ)的收斂條件。
如果滿足式(3)條件，則模型已收斂，結(jié)束訓(xùn)練迭代過(guò)程；否則繼續(xù)進(jìn)行下一次訓(xùn)練。

此處，C為預(yù)先給定的閾值。
4．5 人臉圖像識(shí)別
被識(shí)別的人臉圖像用于訓(xùn)練過(guò)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(jì)算出，即：

當(dāng)滿足式(4)時(shí)，被識(shí)別人臉對(duì)應(yīng)人臉圖像庫(kù)中第k個(gè)人的人臉被識(shí)別出。
實(shí)驗(yàn)證明，此算法易于實(shí)現(xiàn)實(shí)時(shí)處理，不受臉部表情變化的影響，抗噪聲能力強(qiáng)，魯棒性好。但在人臉識(shí)別中的光照問(wèn)題和姿態(tài)問(wèn)題方面還有待于進(jìn)一步的研究。

5 結(jié)論
基于嵌入式ARM9和HMM算法的人臉識(shí)別系統(tǒng)具有體積小，計(jì)算量小，運(yùn)算速度快，性能穩(wěn)定等特點(diǎn)，能夠滿足人們對(duì)識(shí)別設(shè)備小型化的需求。相信在不久的將來(lái)，基于嵌入式的人臉識(shí)別系統(tǒng)會(huì)在安檢、身份驗(yàn)證、門(mén)禁系統(tǒng)、智能考勤等方面得到廣泛應(yīng)用。
本文作者創(chuàng)新點(diǎn)：
人臉識(shí)別是生物特征識(shí)別中一個(gè)重要的研究方向，是間接、無(wú)侵犯式身份識(shí)別的主要方法。在嵌入式系統(tǒng)進(jìn)行人臉識(shí)別，能夠?qū)崿F(xiàn)人臉識(shí)別設(shè)備的便攜化，將會(huì)極大地拓展識(shí)別設(shè)備的使用范圍。識(shí)別使用HMM算法，有效地降低了識(shí)別算法的空間和時(shí)間復(fù)雜度，為實(shí)時(shí)識(shí)別提供了可能。