Android平臺實時人臉檢測和性別識別的研究與實現

余 彧，陸亨立，陸小峰，李瑩嬌

(上海大學通信與信息工程學院，上海 200072)

Android平臺中實時人臉檢測和性別識別問題是模式識別領域和嵌入式視覺領域交叉的一個研究問題，既需要通過圖像采集設備和嵌入式處理平臺模仿人眼和人大腦的辨別功能，智能地定位人臉所在位置并分割出相應的臉部區域圖像，為實際性別的判定識別提供實時可靠的數據，同時又需要對分割出的人臉圖像提取特征并利用模式分類器進行性別識別。在嵌入式平臺中實現人臉檢測以及性別識別的兩個主要關鍵點是實時性和有效性，即檢測和識別的速率和準確率。

早在20世紀70年代已經有科研人員研究人臉檢測問題。人臉檢測方法涉及到許多模式識別的經典算法，如人工神經網絡(Artificial Neural Network，ANN)、主成分量分析法(Principal Component Analysis，PCA)、支持向量機(Support Vector Machines，SVM)以及 AdaBoost快速人臉檢測算法等［1］。不同的人臉檢測方法都存在著一定的聯系，而隨著研究不斷地深入，人們開始意識到將多種檢測方法結合起來能夠達到更理想的檢測效果。最近幾年，研究人員主要側重于結合多種檢測方法進行人臉檢測而不是只針對某一種方法進行改進。

對于性別識別問題的研究始于20世紀80年代，但是真正受到關注是在21世紀初，最主要的研究目標是要得到一個性別識別分類器。十多年來性別識別問題得到越來越多來自計算機視覺、模式識別、人工智能等領域的研究人員的關注，特別是在近幾年，更是成為一個熱門研究課題。目前，性別識別的分類方法多數都來源于人臉識別相關的分類方法。人臉識別技術在經過幾十年的研究和發展后，已經涌現了大量經典的分類方法［2］，其中一些方法如人工神經元網絡(ANN)、支持向量機(SVM)、Fisher－Face法等經過研究和實驗證明同樣也適用于性別識別問題。

在嵌入式平臺中進行人臉檢測相關研究的較多，研究成果較為豐富［3］，涉及到各類嵌入式平臺，包括了基于ARM或X86構架的Android或嵌入式Linux開發平臺、DSP平臺以及FPGA平臺等。不論是檢測速度還是檢測率，都取得了比較滿意的結果。而對于在嵌入式平臺中進行性別識別的研究成果則少的可憐，在國內幾乎是空白，究其主要原因應該是受到嵌入式處理設備的約束和限制，在嵌入式平臺中進行大量復雜的模式識別分類很難滿足實時性的剛性需求。但隨著多核時代的來臨，嵌入式處理器的性能不斷提高，同時伴隨著存儲設備等其他硬件設備水平的提升，之前留下的空白應該會得到很好的填補。

1 嵌入式快速人臉檢測與性別識別

本文主要研究Android平臺中的實時人臉檢測和性別識別，其實現方法如圖1所示，主要包括3大部分:人臉檢測、臉部圖像處理、性別識別。

圖1 Android平臺中的實時人臉檢測和性別識別實現流程圖

1)人臉檢測

針對嵌入式平臺的處理能力相對比較一般的特點，在人臉檢測之前須對從攝像頭設備獲取的輸入視頻圖像進行預處理，從而最大程度地降低計算量。預處理過程包括了灰度處理、圖像等比例壓縮以及直方圖均衡。灰度處理把三通道的彩色輸入圖像轉化為單通道的灰度圖像，圖像等比例壓縮能夠降低輸入圖像的分辨率，從而減少了人臉檢測算法的計算量并有效提高檢測速率。而直方圖均衡則能夠提高圖像的對比度和亮度，從而增強人臉檢測的可靠性。本文采用Adaboost快速人臉檢測算法進行人臉檢測，Adaboost算法是首個能夠達到實時的人臉檢測算法，被廣泛運用于嵌入式設備中進行人臉檢測。

2)臉部圖像處理

由于性別識別的結果好壞易受到光照變化、臉部表情、臉部朝向改變等影響，因此在人臉檢測和性別識別之前加入臉部圖像處理是極其重要的。本文所采用的臉部圖像處理包括以下幾個步驟:首先是人眼檢測，利用Adaboost算法以及人眼分類器可以較容易地在臉部圖像中標定人眼位置。其次是臉部圖像的幾何變換和剪裁，根據所檢測到的人眼位置，通過圖像旋轉、剪裁、縮放等手段，使得臉部圖像中人眼是對齊的且不包含背景、額頭、耳朵和下巴，并將處理后的臉部圖像縮放到70×70固定大小。再次是分離直方圖均衡，這個過程能夠使得每一個臉部圖像都具有相同的對比度以及亮度。最后是圖像平滑，圖像平滑能夠有效地減少圖像的噪聲。

3)性別識別

性別識別的過程包括離線學習和在線識別兩個部分。本文采用FisherFace方法進行性別識別以及性別分類器的訓練，FisherFace方法會將高維圖像降低到低維空間，因此能夠大大地降低分類開銷，相比于其他的性別識別方法最適合在嵌入式平臺中運用。

2 AdaBoost快速人臉檢測算法原理及實現方法

AdaBoost人臉檢測算法是由P.Viola等人提出的［4］，它是一種迭代算法，其核心思想是:從人臉圖像中抽取大量的簡單特征，有些特征具有一定的人臉和非人臉區分能力。隨后通過訓練從眾多特征中選出分類能力較強的特征作為弱分類器，并最終將這些弱分類器進行有效的組合從而構成強分類器［5］。

基于AdaBoost算法的人臉檢測流程如圖2所示，分為離線訓練和在線檢測兩個部分。離線訓練過程對大量的人臉和非人臉樣本圖像進行訓練，對每個樣本提取特征，并通過Adaboost算法最終生成強分類器，在線檢測過程中，運用離線過程生成的人臉分類器對輸入圖像進行分類檢測，從而得到人臉圖像結果。

圖2 基于AdaBoost算法的人臉檢測流程圖

本文利用 JNI(Java Native Interface)接口、Android NDK(Native Development Kit)以及OpenCV AdaBoost算法API來實現Android平臺中的人臉檢測。封裝了兩個主要的native方法，分別是JNIEXPORT void JNICALL Java_com_example_gender_MainActivity_LoadFaceCascade(JNIEnv*env，jobject obj，jstring filename)用于加載離線訓練好的人臉分類器，以及JNIEXPORT void JNICALL Java_com_example_gender_MainActivity_Detect(JNIEnv* env，jobject obj)用于在線實時人臉檢測。利用NDK對native方法進行編譯并生成共享庫文件libfacedetect.so，在java源代碼中對動態庫進行調用。

針對嵌入式平臺對實時性要求較高的特點。本文采用Android中的多線程技術使整個人臉檢測過程在后臺完成，避免了前臺的預覽攝像頭圖像UI出現卡頓的現象。在新建的子線程中執行耗時比較多的人臉檢測算法，并利用Handler，Looper和MessageQueue進行線程間的通信。子線程在檢測到人臉之后通過sendMessage方法將人臉位置信息傳遞給主線程，主線程在收到數據之后實時地更新UI。

3 基于FisherFace算法的性別識別原理及實現方法

3.1 FisherFace算法

FisherFace方法也稱為Fisher線性判別分析(Fisher Linear Discriminant Analysis，FLDA)，是由P.N.Belhumeur等人在1997年提出的［6］。Fisherface算法的核心思想是以樣本的可分性為目標，尋找一組線性變換使每類的類內離散度最小，同時使類間的離散度達到最大，即選擇使樣本類間離散度和類內離散度的比值最大的特征值。由于FisherFace算法引入了類別信息，最小化了類內距離，因此該算法比較適合于模式識別問題［7］。

對于性別識別問題，有M=2個模式類別，即男性和女性，樣本的類內散布矩陣Sw和Sb類間散布矩陣定義為

式中:N表示所有樣本集的總數;Ni表示第i類樣本集的數量;μi表示第i類樣本的均值;xij表示第i類中第j個樣本;μ表示所有樣本的平均值。

Fisher判決準則函數定義為

Fisher判決準則函數將樣本的類間離散度和類內離散度非常巧妙地結合在一起，取極大化目標函數J(W)的矩陣Wm作為投影方向。其物理意義是:特征樣本在Wm上投影后，類間離散度和類內離散度之比達到最大，從而達到性別分類的目的。

本文同樣采用JNI接口、Android NDK以及OpenCV FisherFace算法來實現Android平臺中的性別識別。與人臉檢測相同，同樣封裝了兩個native方法，分別實現加載離線性別識別分類器和在線實時識別。整個性別識別過程同樣在后臺獨立的線程中完成，具體實現方法與人臉檢測過程類似。

3.2 性別識別分類器的訓練

本文所選擇的人臉樣本圖像來自于多種途徑，包括知名的人臉庫(如FERET，Yale，AT&T)、自行采集的人臉樣本庫以及來自互聯網的各類明星照片。所有收集的人臉樣本圖像并不只局限于正面臉的圖像，也包括了不同種族、不同年齡段、不同臉部表情以及臉部旋轉在以內的人臉圖像，從而增強了系統的魯棒性。

性別識別分類器的訓練過程同樣也需要對樣本圖像進行處理，所采用的處理方法與本文第二部分介紹的臉部圖像處理方法相同。如圖3所示，對所有樣本圖像先利用Adaboost算法進行人臉檢測，隨后對臉部圖像進行進一步處理，得到根據人眼對齊的臉部灰度平滑圖像，最后運用FisherFace訓練算法進行訓練并將生成的性別識別分類器保存到gender.yml描述文件中。

圖3 樣本圖像處理處理示例圖

4 實驗結果與分析

4.1 實驗環境介紹

本文使用兩個構架截然不同的嵌入式硬件平臺進行實驗以及算法性能對比，其中一個平臺是以基于ARM Cortex－A8構架的Samsung S5PV210為主處理芯片，主頻1 GHz，以下簡稱S5PV210平臺。另一個是以基于Intel X86構架的 Intel Atom Z2460為主處理芯片，主頻1.60 GHz，以下簡稱Z2460平臺。在這兩個平臺中都運行Android 4.0操作系統，使用OpenCV2.4.4庫來實現所有人臉檢測和性別識別算法，并使用交叉編譯環境Android NDK r8b進行編譯。

為了測試人臉檢測和性別識別算法的性能，準備了大量的測試樣本圖像以及兩段分辨率均為640×480視頻進行對比分析:1)公共測試視頻;2)自己生活中錄制的視頻。測試樣本示例以及公共視頻中的關鍵幀如圖4所示。

圖4 測試樣本示例及公共視頻中的關鍵幀

4.2 實驗數據及分析

4.2.1 基于不同特征分類器的AdaBoost人臉檢測算法性能對比

OpenCV庫中提供了兩種已經訓練好的AdaBoost人臉分類器，一種是基于Haar－like特征的分類器，保存于haarcascade_frontalface_alt2.xml描述文件中;另一種是基于LBP特征的分類器，保存于lbpcascade_frontalface.xml描述文件中。表1是運用了這兩種特征分類器的Ada－Boost人臉檢測算法分別運行于S5PV210平臺和Z2460平臺的性能測試結果，圖5是根據表1生成的性能對比柱狀圖。

表1 基于不同特征分類器AdaBoost算法性能對比

圖5 基于不同特征分類器AdaBoost算法性能對比

表1中檢測率=實際檢測到人臉幀數/總含人臉幀數，誤檢率=誤檢到含人臉的幀數/總含人臉幀數。由表1中的測試數據以及圖5可知，基于Haar－like特征的人臉分類器可以得到相對更高的檢測率(96.35%)，而基于LBP特征的人臉分類器檢測速率要快了1倍以上，且也可以得到比較高的檢測率(87.46%)。鑒于嵌入式設備對實時性的要求較高，本文選擇基于LBP特征的人臉分類器進行人臉檢測。

4.2.2 Android平臺中兩種人臉檢測方法的性能對比

從Android 4.0 Ice Cream Sandwich版本開始，官方新增了人臉檢測的API，本文利用了官方的API實現了一個人臉檢測性能對比程序，與采用AdaBoost算法實現人臉檢測的方法進行性能對比。表2是基于2種不同方法實現的人臉檢測性能測試結果，2種實現方法分別運行于S5PV210平臺和Z2460平臺，圖6是根據表2生成的性能對比柱狀圖。

表2 基于不同方法實現的人臉檢測性能對比

圖6 基于不同方法實現的人臉檢測性能對比

由表2中的測試數據以及圖6可知，運用Android系統自帶API實現的人臉檢測相比于使用OpenCV實現AdaBoost快速人臉檢測，檢測速率要更快一些，但其檢測率只有接近80%。

4.2.3 基于FisherFace算法的性別識別性能對比分析

表3是基于FisherFace算法的性別識別方法在S5PV210平臺和Z2460平臺運行的性能測試結果，圖7是根據表3生成的性能對比柱狀圖。圖8是對測試樣本示例及公共視頻中的關鍵幀進行性別識別的結果。由表3中的測試數據以及圖7可知，FisherFace算法在Z2460平臺運行時已經能夠接近10 f/s(幀/秒)的識別速率，能夠比較好地滿足實時性的要求。而在S5PV210平臺運行時也有接近6 f/s的識別速率。在兩個平臺中運行的識別準確率均為82.64%。

表3 基于FisherFace算法的性別識別性能對比

圖7 基于FisherFace算法的性別識別性能對比

5 總結

本文提出并實現一種Android系統下實時人臉檢測和性別識別的方法，并分別在基于ARM和X86構架的兩個嵌入式平臺中進行了大量實驗和測試數據對比，實驗數據證明了本文的方法在實時性和準確性方面都取得了比較理想的結果。隨著技術的進一步發展，嵌入式平臺處理器性能增強及核數增加是一種必然趨勢，人臉檢測和性別識別技術應該能夠更完美地在這些嵌入式平臺上實現。

:

［1］趙麗紅，劉紀紅.人臉檢測方法綜述［J］.計算機應用研究，2004，21(9):1－4.

［2］閆娟，程武山，孫鑫.人臉識別的技術研究與發展概況［J］.電視技術，2006，30(12):81－84.