如何降低藍牙裝置的功耗

　　(1)膚色判斷
　　可采用Anil K.Jain的Cb、Cr橢圓聚類方法[7]進行膚色分割，得到膚色區(qū)域在CbCr空間中近似于橢圓,可用如下公式表示：

　　若該值小于1，則表示落在橢圓內(nèi)，是膚色,否則不為膚色。對確定的膚色區(qū)域進行平滑、連通、合并處理，構(gòu)成一個候選區(qū)域，待進一步分析以判斷是否為人臉區(qū)域。
　　(2)區(qū)域分割與處理
　　在確定膚色區(qū)域之后，需要根據(jù)它們在色度上的相似性和空間上的相關性分割出可能的人臉區(qū)域，再利用區(qū)域的幾何特征或灰度特征進行是否是人臉的驗證，以排除其他色彩類似膚色的物體。本文采用Sobel算子[-1，-2，-1；0，0，0；1，2，1]來完成邊緣的檢測。經(jīng)過一系列處理分割出膚色區(qū)域，并進行形態(tài)學開、閉運算，以消除噪聲或空洞對特征分析的影響。
　　(3)特征分析
　　人臉候選區(qū)域分割完畢后，需對每一個區(qū)域進行分析，以判斷該區(qū)域是否是人臉。為了提高檢測速度，可以忽略人臉的面部特征，而主要檢查人臉候選區(qū)域的形狀、結(jié)構(gòu)、比例及灰度分布等。若符合人臉的這些特點，則認為該區(qū)域代表一個人臉。根據(jù)人臉的幾何規(guī)則及顏色聚類的特點，如果一個區(qū)域滿足2個條件：(a)高度/寬度比例范圍介于1.2與2.0之間；(b)該區(qū)域內(nèi)的像素平均灰度值與距該區(qū)域上部達10像素以上的區(qū)域的平均灰度值之差介于0.2～0.6之間。符合這兩個條件,則可認為該區(qū)域代表人臉。
　　(4)人臉區(qū)域驗證
　　對于初步檢測的人臉區(qū)域，還需要進行驗證才能確定是否為真正的人臉。對于人臉的驗證，一般有3種方法：(1)基于先驗知識的方法；(2)基于局部特征的方法；(3)基于模板的人臉檢測方法?；谙闰炛R的方法識別率不高，如果圖像背景中存在類人臉區(qū)域，則必然會導致誤檢測。基于模板的方法數(shù)據(jù)量運算大，不能滿足實時性要求。本系統(tǒng)采用的是基于局部特征的方法。
　　在人臉的特征中，最明顯的特征就是眼睛，因此可把人眼作為驗證的主要依據(jù)，同時配合嘴唇或鼻子進行驗證。首先要找到眼睛的位置，在灰度圖像下，眼睛的特征最為明顯，通過設定適當?shù)拈撝岛苋菀状_定出人眼的可能區(qū)域。通過計算這兩個區(qū)域的中心距離D，在該距離中心點的位置下方找到嘴部位置，長度為L。當D/L滿足：1D/L2時，可判斷為人臉。人臉的檢測過程如圖5所示。

3.3 人臉識別
　　人臉的識別算法有多種，不同的算法各有優(yōu)缺點。本文主要借鑒彈性圖匹配技術(shù)來完成人臉的識別。彈性圖匹配是一種基于幾何特征和對灰度分布信息進行小波紋理分析相結(jié)合的識別算法。由于該算法較好地利用了人臉的結(jié)構(gòu)和灰度分布信息，而且還具有自動精確定位面部特征點的功能，因而具有良好的識別效果。在FERET測試中，該技術(shù)的若干指標名列前茅。其缺點是運算量大，實現(xiàn)稍復雜。通過對該算法進行改進，配合一定的代碼優(yōu)化措施，可以滿足實時檢測要求。
　　在人臉識別時，首先要進行人臉特征提取。主要采用恰當?shù)男〔ǚ纸猓玫礁哳l分量和低頻分量，其中的高頻分量主要表示人臉的細節(jié)，低頻分量表示人臉的基本特征，對人臉的表情反應比較遲鈍，只提取低頻分量，這樣可以提高準確率和運算速度。對提取的人臉特征，利用支持向量機（SVM）分類器識別人臉，和系統(tǒng)自建的人臉庫進行匹配，以確定是否為非法入侵者，是否啟動報警系統(tǒng)和通知小區(qū)監(jiān)控中心。算法流程如圖6所示。

　　本文設計的人臉檢測系統(tǒng)，利用運動目標檢測方法，大大緩解了硬盤數(shù)據(jù)存儲的壓力，同時提高了系統(tǒng)的智能化程度。利用膚色判斷與特征分析來確定人臉，可以提高系統(tǒng)的檢測速度。針對膚色判斷受光照影響很大的問題，本系統(tǒng)在原有系統(tǒng)的基礎上增加了補光措施光，減少了光照的影響，提高了檢出的準確率。通過攝像頭輸入720×576的彩色圖片，檢出的人臉在擁有300人的自建人臉庫中識別，平均用時0.9 s，識別率達93%以上，可以滿足安防監(jiān)控的要求，具有較高的實用價值。