基于邊緣計算的人臉識別系統

劉思 馬靖瑜 袁倩 吳粉俠

摘 ?要：隨著科技的發展，智能設備產生的大量數據給云計算處理方式帶來了巨大的壓力，進行快速、有效地人臉識別的技術要求日益迫切。本文基于邊緣計算，采用Qt+OpenCV技術設計了人臉識別系統，實現了人臉識別模塊在ARM開發板上運行，完成了邊緣端及服務器端的開發，優先在移動設備所處的邊緣端對圖像進行處理，并結合了AdaBoost算法進行識別。該系統可以減少圖像目標識別的計算成本、減少網絡數據泄露的風險、增強服務響應能力。

關鍵詞：人臉識別;AdaBoost算法;OpenCV

中圖分類號：TP391.4 ? ? 文獻標識碼：A

Abstract： With the development of science and technology， large amount of data generated by intelligent devices has brought great pressure to cloud computing processes. There is an urgent demand for fast and effective face recognition technology. This paper， based on edge computing， proposes a new face recognition system by using Qt+OpenC technology. The new system enables face recognition module to run on the ARM development board and the both edge end and server end are completed. Images are firstly processed on the edge end of mobile devices， then recognized through AdaBoost algorithm. The system can reduce the computing cost of image target recognition， lower the risk of network data leakage， and improve service response.

Keywords： face recognition; AdaBoost algorithm; OpenCV

1 ? 引言（Introduction）

人臉識別是機器視覺研究的核心，隨著計算機硬件的不斷發展，人臉識別的應用范圍更加廣泛。人臉識別最初應用于公安部門，主要用于刑偵破案和通過照片識別罪犯，近幾年逐步應用于國家、社會及企事業等領域[1]。

傳統的人臉識別大多是基于云計算的，云計算是數據行業的大勢所趨[2]。對于云計算來說，所有的數據都要匯總到后端的數據中心完成。在“云、管、端”三者的角色中，云計算更側重于“云”，是實現最終數據分析與應用的場所。而基于云計算模型的人臉識別技術存在一些問題亟待解決：①各種終端上傳的圖像、視頻等數據由于信息量大，對網絡帶寬要求較高，全部上傳至云端，云端壓力較大，很難保證數據處理的實時性。②存儲和管理大量冗余圖像數據，增加了存儲節點能耗。

為了更好地規避云計算數據處理壓力過大這一問題，邊緣計算應運而生。邊緣計算屬于一種分布式計算，在網絡邊緣側的智能網關上，就近處理采集到的數據，而不需要將大量數據上傳到遠端的核心管理平臺[3]。和云計算相比，基于邊緣計算的人臉識別，可以利用云服務器上已有的數據和計算能力，得到結果的速度更快，圖像識別時，得到識別結果的響應時間大大縮短，而且當識別結果返回的同時，將會把圖像的特征信息發送給云服務器作為新的訓練集。

本文設計了基于邊緣計算的人臉識別系統，在該系統中，攝像頭采集人臉圖像上傳至邊緣端，邊緣端根據實際情況，若需要進行訓練，可選擇將人臉圖像上傳至服務器端進行訓練，得到訓練模型并把訓練模型傳回邊緣端或邊緣端進行比對識別;若需要進行識別，則可以直接利用服務器端訓練好的模型進行識別，并將識別結果保存至服務器端。這一特性使該系統具有更高的可實現性[4]。

2 ? 系統設計（System design）

2.1 ? 體系結構設計

基于邊緣計算的人臉識別系統開發主要包含兩部分：邊緣端的開發以及服務器端的開發。該系統通過邊緣端的攝像頭采集人臉圖像，使用智能邊緣管理運行包進行識別，把識別結果保存并上傳至服務器端。在服務器端通過智能邊緣管理平臺進行人臉圖像的訓練，將訓練模型保存至服務器端，邊緣端根據需要從服務器端獲取訓練模型進行識別。本文主要開發技術包括OpenCV機器視覺的技術、Linux系統下的編譯和移植技術，以及最終移植到開發板的相關技術。

邊緣端系統使用粵嵌GEC3399人工智能嵌入式開發板，搭建Ubuntu16操作系統，同時配置ARM版OpenCV機器視覺庫，其中ARM版的OpenCV庫通過交叉編譯環境調整為合適的版本。邊緣端通過攝像頭對人臉圖像進行采集，使用服務器端訓練好的訓練模型進行識別。OpenCV機器視覺庫與開發板自帶的3D圖形加速引擎配合，能夠有效增強圖像的處理能力。人臉圖像進行識別前需先使用OpenCV庫對圖形進行灰度化處理將圖形轉化為更易處理的灰度圖像，然后將其傳輸至服務器端[5]。

服務器端的主要環境配置包含Ubuntu16、Qt Creator 5.7.1、OpenCV3.3.4和交叉編譯工具鏈arm-linux-gcc-4.8.3。邊緣端和服務器端的交互通過掛載的形式來實現。邊緣端采集人臉圖像上傳至服務器端，服務器端對其進行訓練，獲得訓練模型，將訓練結果進行保存并返回給邊緣端進行識別。基于邊緣計算的人臉識別系統框架如圖1所示。

2.2 ? 嵌入式系統的平臺搭建

搭建嵌入式Linux平臺就是搭建服務器端環境、邊緣端環境以及建立它們的連接。嵌入式系統一般沒有自舉程序，必須通過啟動程序引導硬件系統進入操作系統。首先將U-Boot植入嵌入式控制系統，U-Boot可以引導操作系統進行裝載和運行，同時對系統的頻率、定時器進行設置，初始化一個調試串口，通過該串口或以太網都可進行數據下載。然后在服務器端安裝Linux的發行版Ubuntu16，邊緣端配置好底層的環境，同時在服務器端安裝交叉工具鏈（ARM版），用交叉工具鏈編譯程序部署到邊緣端[6]。

搭建系統首先需安裝軟件環境，核心步驟如下：

（1）PC機安裝虛擬機，虛擬機安裝linux操作系統。

（2）在宿主機的Linux操作系統上安裝交叉編譯工具。

（3）宿主機上搭載nfs，是宿主機的文件夾可以掛載到開發板上。

（4）在宿主機上安裝串口虛擬終端（secure CRT），操作開發板。

本文以支持跨平臺運行、易移植的Qt Creator5.7.1作為開發平臺，該應用開發嵌入式產品更加方便高效。具體步驟如下：

（1）Qtcreator交叉編譯，安裝圖形化界面的Qt。下載并配置源碼包qt-everywhere-opensource-src-5.7.1，通過arm-linux-gcc-4.8.3交叉編譯，設置環境變量。

（2）OpenCV3.3.4機器視覺庫交叉編譯，安裝cmake及相關依賴庫，并編譯OpenCV，配置環境變量。

（3）在交叉編譯好的Qt5.7.1中導入交叉編譯后的OpenCV3.3.4，在Qt的.pro文件中加入動態鏈接庫。

（4）掛載開發板下可執行的程序，在Qt中把人臉識別程序進行交叉編譯，掛載到開發板上執行。

3 ? 人臉識別（Face recognition）

3.1 ? 人臉圖像的預處理

人臉圖像采集時存在光照、角度等因素的影響圖像質量低，不利于機器識別，可以通過對采集到的圖像進行光照補償、去噪等方法提高圖像質量、加強有用信息，在人臉特征提取之前有選擇地進行適當的預處理操作。

3.1.1 ? 圖像識別預處理

攝像頭采集人臉圖像時，采集環境和采集設備均存在一定的差異性，光照明暗程度、設備性能的優劣等都會影響到人臉圖像的質量，往往會造成噪聲、對比度低等缺點。同時，距離問題和焦距大小等會導致人臉在整幅圖像中的尺寸和定位不準確。為了解決以上問題，必須對圖像進行預處理。

人臉圖像識別前預處理主要包括人臉圖像的增強。針對低質量的圖像一般要進行圖像增強，圖像增強是為了改善人臉圖像的質量，不僅在視覺上更加清晰圖像，而且使圖像更利于計算機的處理與識別。一般可采用暗光增強、超分辨率、去噪、去除運動模糊等方式看到更多的細節，尤其是對人臉來說，增強后可以提升人臉的識別率。

3.1.2 ? 圖像訓練預處理

人臉圖像訓練預處理的過程主要包括人臉扶正和歸一化兩部分。為了得到人臉位置正確的人臉圖像，需要通過人臉關鍵點實現，并根據這些關鍵點對人臉進行對準和校準。

人臉圖像歸一化的目的是使不同環境及設備條件下拍攝的同一個人的照片具有一致性。人臉歸一化包括兩個方面的內容：一是幾何歸一化，二是灰度歸一化，即取得圖像大小一致、灰度取值范圍相同的標準化人臉圖像。

3.2 ? 人臉圖像的檢測、采集

在進行人臉圖像采集前，輸入用戶姓名及編號，方便圖像數據的有序存儲。填寫完成后打開攝像頭，在圖像中準確標出人臉的位置和尺寸。人臉圖像中包含著十分豐富的模式特征，挑選其中有用的信息，并利用這些信息實現人臉檢測。點擊采集頭像按鈕，采集10張112×92（像素）人臉圖片。攝像頭采集過程中，為了提高識別的準確性，盡可能進行多角度采集圖片，例如變換不同的位置、不同的表情等[7]。

3.3 ? 對采集的圖像進行訓練

OpenCV下有自帶的供人臉檢測的分類器，主要是一些xml文件，利用這些分類器進行檢測和捕捉人臉后，才能實現識別。首先將OpenCV官方訓練好的人臉識別分類器文件拷貝到自己的工程目錄下，包括：haarcascade_eye.xml、haarcascade_frontalface_default.xml等。再點擊圖像化界面中“生成訓練文件”的按鈕，把采集的圖像生成訓練文件，并選擇生成的訓練文件開始訓練。

3.4 ? 人臉檢測、識別

大腦能準確識別人臉，是因為大腦里存有人們熟悉的面部輪廓。人臉識別的原理也如此。人臉圖像中包含的模式特征十分豐富，人臉識別的過程就是利用從攝像頭采集到的靜態圖像，提取面部特征信息，通過這些有用的信息來進行身份識別。在識別之前先進行人臉檢測，從復雜的背景圖像中檢測并分割出人臉，再從人臉區域的特征提取和特征選擇，最后再對人臉特征進行識別，得到一個關于人臉匹配的相似度結果。

4 ? 人臉識別算法（Face recognition algorithm）

人臉識別算法的主要思想是通過攝像頭采集一張或者一系列含有未確定身份的人臉圖像，比對人臉數據集中的若干已知身份的人臉圖像及對應的標簽，輸出分為識別成功，表明待識別的人臉信息比對成功;不正常輸出，顯示比對失敗。人臉識別的關鍵在于特征提取的有效性，常用人臉識別算法包括特征臉法、局部二值法等，這些算法更適合于PC機端的人臉識別。

對于設備端的人臉識別，我們采用跨平臺機器視覺庫OpenCV自帶的分類器，即AdaBoost分類器[6]。AdaBoost分類器算法流程圖如圖2所示。

分類器在這里指的是對人臉和非人臉進行分類的算法。AdaBoost分類器算法思想是通過迭代訓練弱分類器得到一個強分類器，這里的弱分類器和強分類器即為弱學習算法和強學習算法。弱學習指的是一個學習算法對一組概念的識別效果比隨機識別的識別效果稍微明顯一些，強學習即表明一個學習算法對某一組概念的識別率能夠達到一個比較高的結果。若將兩者做比較，弱學習算法比較容易獲得，而強學習算法是不容易獲得的。所以AdaBoost算法[8]的思想是首先從訓練集用初始權重訓練出一個弱學習器1。根據弱學習的學習誤差率表現來更新訓練樣本的權重，使得之前弱學習器1學習誤差率高的訓練樣本點的權重變高，使得這些誤差率高的點在后面的弱學習器2中得到更多的重視。然后基于調整權重后的訓練集來訓練弱學習器2。如此重復進行，直到弱學習器數達到事先指定的數目T，最終將這T個弱學習器通過集合策略進行整合，得到最終的強學習器。目前該算法已經廣泛用于人工智能等領域[9]。

5 ? 結論（Conclusion）

人臉識別在如今的社會已經拓展到智能家居、公共安全、智慧城市等領域，但是隨著移動終端設備和圖片數據的爆炸性增長，傳統的基于中心云模式的分析系統已經難以滿足實時分析對低時延和高帶寬的苛刻要求，因此如何對海量數據進行實時和高效的處理已經成為亟待解決的問題。

基于邊緣計算的人臉識別系統將圖像的識別處理從云端下移到更接近數據的邊緣端，從而降低對數據處理服務器端的依賴、減輕了網絡通訊的壓力，提高人臉圖像處理的速度，保證人臉識別圖像的實時性，保障用戶數據的安全和隱私。但由于受硬件的限制，需進一步優化算法，提高人臉識別的正確率。

參考文獻（References）

[1] 車志宏，焦子路，劉榮.人臉識別技術研究與應用[J].電腦編程技巧與維護，2017（16）：78-81.

[2] 薛健，祖央，岑丹.基于云計算的智能人臉識別借閱系統研究[J].吉林大學學報（信息科學版），2019，37（04）：450-456.

[3] 傅耀威，孟憲佳.邊緣計算技術發展現狀與對策[J].科技中國，2019（10）：4-7.

[4] Hu Y C， Patel M， Sabella D， et al. Mobile edge computing—A key technology towards 5G[J]. ETSI White Paper， 2015，11（11）：1-16.

[5] 馬忠梅，馬廣云.ARM嵌入式處理結構與應用基礎[M].北京：北京航空航天大學出版社，2002.

[6] Shaohua Zhou， Volker Krueger， Roma Chellappa. Probabilistic recognition of human faces from video[J]. Computer Vision and Image Understanding， 2003（51）：310-314.

[7] 鄒思軼.嵌入式Linux設計與應用[M].北京：清華大學出版社，2002.

[8] 李盛文，鮑蘇蘇.基于PCA+AdaBoost算法的人臉識別技術[J].計算機工程與應用，2010，46（04）：170-173.

[9] 梁武.Adaboost算法在人臉識別系統中的應用[J].內蒙古師范大學學報（自然科學漢文版），2017，46（04）：576-580.

作者簡介：

劉 ? 思（1998-），女，本科生.研究領域：嵌入式開發.

馬靖瑜（1999-），女，本科生.研究領域：大數據開發.

袁 ? 倩（1999-），女，本科生.研究領域：大數據開發.

吳粉俠（1976-），女，碩士，副教授.研究領域：圖像處理.