基于Android與Kotlin的人臉檢測在智能圖書館系統中的應用

王龍軍，夏嘉杰，許靖唯

(成都工業學院，四川 成都 611730)

隨著大數據和云計算的快速發展和日漸成熟，人臉識別技術也開始應用到現實生活中，支付寶的刷臉支付、火車站刷臉進站、小區刷臉門禁系統等應用越來越多，人臉識別技術成為目前當仁不讓的熱門技術，高校圖書館向智能圖書館發展的趨勢也越來越明顯，人臉識別技術應用到智能圖書館也是當前的一個趨勢，人臉識別技術和圖書館門禁系統結合可以實現刷臉進館，人臉識別技術和自助借還系統結合可以實現刷臉借書，人臉識別技術和座位預約系統結合可以實現刷臉預約座位等，總之人臉識別技術必將推動智能圖書館向更高的方向發展。

1 OpenCV Android和Kotlin技術

1.1 OpenCV概述

OpenCV[1-2]是開發計算機視覺應用最廣泛的基于BSD開源許可的開發框架，OpenCV使用C/C++語言進行編寫，OpenCV具有多種編程語言的接口，比如C++、Java、Python以及MATLAB接口，OpenCV支持在Linux、Windows、Android、iOS和Mac OS操作系統上進行視覺應用開發，并且OpenCV允許在學術研究和商業應用開發中免費使用。OpenCV的主要目標是實現圖像處理和計算機視覺方面的很多通用算法，幫助開發人員更方便快捷地設計更復雜的計算機視覺相關應用程序，它已經成為計算機視覺領域最有力的研究工具。

1.2 Android概述

Android是一種基于Linux內核的開源移動操作系統，主要用于移動設備，比如手機、平板電腦、電視等，Android原本由Andy Ruby創立，后來被Google收購。Google希望與各方共同建立一個標準化、開放式的移動電話軟件平臺，從而在移動產業內形成一個開放式的操作平臺[3]。該平臺由操作系統、中間件、用戶界面和應用軟件組成，是一個為移動終端打造的真正開放和完整的智能手機系統。

1.3 Kotlin概述

Kotlin是JetBrains在2011年推出的一門全新的編程語言，這門語言最早被設計成運行在JVM(Java虛擬機)上——使用Kotlin編寫的程序會被編譯成字節碼文件，該字節碼文件可直接在JVM上運行(用Java命令運行)[4]。Kotlin與Java語言保持100%兼容，Kotlin的優勢在于擁有Java的完整生態，也就是說能完全自由地使用各類Java API框架庫和Java各種非常成熟的技術，比如JDBC、Servlet、Spring、Hibernate、SpringMVC等，而Kotlin更進一步的是它具有現代流行語言的高級特性，比如語法糖、函數式編程、多范式等，并且Kotlin代碼在代碼書寫上更加簡單，代碼效率更高。

1.4 人臉檢測簡介

人臉識別，也叫做人像識別、面部識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術，它使用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關技術。人臉識別的目的是將檢測出來的人臉與現有人臉數據庫中人臉樣本進行識別和確認，人臉識別主要分為人臉檢測[5]、特征提取和人臉識別三個過程。

人臉檢測是人臉識別的基礎和條件，在人臉識別中扮演十分重要的角色，是人臉識別系統中一個關鍵內容。人臉識別應用在進行人機交互、表情識別、視頻監控等領域的前提是人臉檢測，由于受到人臉的位置、大小、背景、清晰度、光照、姿態等因素的影響，人臉檢測的好壞直接決定了人臉識別系統的質量，人臉檢測在實際中主要用于人臉識別的預處理，即在圖像中準確標定出人臉的位置和大小。人臉圖像中包含的模式特征十分豐富，如直方圖特征、顏色特征、模板特征、結構特征及Haar特征等。人臉檢測就是把這其中有用的信息挑出來，并利用這些特征實現人臉檢測。

2 基于Android與Kotlin的人臉檢測在智能圖書館系統中的應用

2.1 Adaboost算法分析

2.1.1 Harr-like算法分析。Haar-like特征是計算機視覺領域一種常用的特征描述算子，它最早是由Papageorigiou等人用于人臉描述，Haar-like是一種簡單且高效的圖像特征，其基于矩形區域相似的強度差異性Haar小波。目前常用的Haar特征分為三類：邊緣特征、線性特征和對角特征，組合成特征模板。特征模板內有白色和黑色兩種矩形，并定義該模板的特征值為白色矩形像素和減去黑色矩形像素和。Haar特征值反映了圖像的灰度變化情況，即由矩形特征來描述臉部的一些特征，比如嘴巴比其附近的顏色深一些、鼻梁兩側比鼻梁顏色深一些、眼睛要比臉頰顏色深一些等，然而矩形特征只對如邊緣、線段等一些簡單的圖形結構較敏感，并且只能描述水平、垂直、對角等特定走向的結構。

2.1.2 Adaboost算法分析。 AdaBoost算法是一種迭代算法，該方法根據弱學習的結果反饋適應地調整假設的錯誤率，其算法原理是通過調整樣本權重和弱分類器權值，從訓練出的弱分類器中篩選出權值系數最小的弱分類器組合成一個最終強分類器，具體來說就是在每一輪中加入一個新的弱分類器，直到達到某個預定的足夠小的錯誤率。每一個訓練樣本都被賦予一個權重，表明它被某個分類器選入訓練集的概率。如果某個樣本點已經被準確地分類，那么在構造下一個訓練集中，它被選中的概率就被降低；相反，如果某個樣本點沒有被準確地分類，那么它的權重就得到提高。

Adaboost算法在樣本訓練集使用過程中，對其中的關鍵分類特征集進行多次挑選，逐步訓練分量弱分類器，用適當的閾值選擇最佳弱分類器，最后將每次迭代訓練選出的最佳弱分類器構建為強分類器。其中，級聯分類器的設計模式為在盡量保證感興趣圖像輸出率的同時，減少非感興趣圖像的輸出率，隨著迭代次數不斷增加，所有的非感興趣圖像樣本都不能通過，而感興趣樣本始終保持盡可能通過為止。

AdaBoost算法的人臉檢測算法包含的主要工作：①通過積分圖快速求得Haar特征；②利用AdaBoost算法從大量的特征中選擇出判別能力較強的少數特征用于人臉檢測分類；③提出一個級聯結構模型，將若干個弱分類器集成一個強分類器，其能夠快速排除非人臉區域，提高算法的檢測速度。

2.2 基于Android與Kotlin的人臉檢測在智能圖書館系統的應用

圖1 基于Adaboost算法與Harr-like的人臉檢測流程

2.2.1 基于Adaboost算法與Harr-like的人臉檢測原理。 在智能圖書館中引入Android平臺的人臉檢測系統，該系統主要實現了掃描人臉圖像，然后進行識別，這樣就可以對圖書館讀者身份進行鑒別。具體過程是首先判斷輸入圖像中是否存在人臉，并將背景和非人臉區域同需要的人臉區域區分出來，筆者研究的人臉檢測是通過Adaboost算法結合Harr-like矩形特性進行面部區域檢測，Harr-like特征提取是基于優化PCA的人臉識別算法，在保持人臉識別率不變的前提下，提高了人臉識別速度?；贏daboost算法與Harr-like的人臉檢測流程如圖1所示。

2.2.2 基于Android與Kotlin的人臉檢測在智能圖書館系統的應用。本系統在CentOS 7.2平臺上開發，軟件開發包為OpenCV Android SDK、Android SDK和Android NDK，使用SQLite作為數據庫用來保存人臉數據和信息，IDE工具為Android Studio 3.6.1，測試工具為紅米10x手機。具體過程：首先通過Android拍攝若干張人臉正面圖像，將人臉圖像存儲在SQLite數據庫中作為比對記錄樣本，這是前期準備工作，在智能圖書館系統需要對讀者身份確認時，此時需要再次拍攝某個讀者的人臉正面圖像，然后提取該圖像的Harr-like特征，計算人臉圖像的特征值，調用分類器對人臉的特征進行分類，分類器會判斷該區域是否存在人臉，這個分類器是通過Adaboost算法實現，Adaboost算法是通過C++語言實現的，對該算法進行編譯得到動態鏈接庫，接著Kotlin利用JNI調用C++實現的人臉圖片檢測服務，最后利用Kotlin對SQLite人臉數據庫中圖像進行比較找出識別者的信息，若識別成功，則顯示識別者的個人信息，若識別不到，則會提示添加人臉信息到數據庫，以便下次進行識別，這樣就可以在Android平臺上實現一個高效快速的人臉檢測系統。

3 結束語

在智能圖書館中引入Android平臺的人臉檢測系統，該系統通過Adaboost算法結合Harr-like矩形特性進行面部區域檢測，實現了人臉識別，利用Kotlin對SQLite人臉數據庫中圖像進行比較找出識別者的信息這樣就可以對圖書館讀者身份進行鑒別，該系統能夠大大提高圖書館的智能化程度，也使得圖書館的管理更加快捷、安全、簡單。