人臉識別通過通用計算機或者ARM（Advanced RISC Machines）處理器實現(xiàn),需要的時間較長，實時性較差。利用DSP快速處理器進行識別，時延將大大減少。幾何矩是由Hu在1961年提出的，具有平移、旋轉(zhuǎn)、尺度不變性，不變矩是描述區(qū)域的方法之一。矩不變量具有不隨圖像的位置、大小和方向而變化的特點，對于提取圖像中的形態(tài)特征，是一個非常有效的工具[1]。

1 硬件實驗系統(tǒng)
    本系統(tǒng)采用達芬奇處理器TMS320DM6437作為核心處理器，DM6437是TI公司新一代高性能的數(shù)字媒體處理器，工作頻率達 600 MHz，擁有以下出色性能：短1.67 ns的指令周期，每個時鐘周期可并行執(zhí)行8個32 bitC64x+指令，性能高達4 800 MIPS， 功能豐富的視頻處理子系統(tǒng)[2]。
     DM6437處理系統(tǒng)的前端子系統(tǒng)支持CCD和CMOS圖像傳感器接口，實時圖像處理預覽引擎，實現(xiàn)對通用視頻解碼器的無縫接口，具有自動曝光、自動白平衡和自動對焦模塊，縮放模塊；后端子系統(tǒng)支持硬件在屏幕顯示4個54 MHz的DAC，支持復合NTSC/PAL視頻、S-Video輸出和YPbPr及RGB分量輸出，8/16位YUV和24位RGB數(shù)字視頻輸出，HD分辨率,支持2個視頻窗口[2]。
2 算法設計
2.1 人臉提取
     圖像都是基于RGB空間，但是在RGB空間里人臉的膚色受亮度影響相當大，膚色點很難從非膚色點中分離出來。在此空間經(jīng)過處理后，膚色點是離散的點，中間嵌有很多非膚色，為膚色區(qū)域標定帶來了難題。如果將RGB轉(zhuǎn)為YCrCb空間，可以忽略亮度(Y)的影響，因為該空間受亮度影響很小，膚色會產(chǎn)生很好的類聚。這樣可將三維的空間降為二維的CrCb,膚色點會形成一定的形狀。根據(jù)經(jīng)驗,若某點的CrCb值滿足：133≤Cr≤173，77≤Cb≤127，那么該點被認為是膚色點，其他的點為非膚色點。在實際操作時這個范圍可以稍微放大，具體值可以通過實驗學習得到。RGB空間轉(zhuǎn)換到Y(jié)CrCb空間見式(1)[3]：

3 實驗結(jié)果與分析
    實驗采用仿真器仿真的方式，仿真器選用北京瑞泰公司的ICETEK-XDS560U-PLUS，實驗結(jié)果可在CCS3.3軟件中查看，通過打開View菜單下Graph子菜單、設置Image，運行程序后可以看到圖片。
　 首先在CCS3.3中加載工程，載入開發(fā)板需要的各種初始化程序，工程中算法編成的函數(shù)隨時供主程序調(diào)用。拍攝后的圖像存放到系統(tǒng)識別處理的緩沖區(qū)，由DM6437從緩沖區(qū)中取出加以處理。
    實驗選用南京農(nóng)業(yè)大學某學生頭像進行處理，并提取原圖像及三種變換的不變矩特征值。首先在Image中顯示原RGB彩色圖像，并且用膚色提取人臉，最后進行二值化，結(jié)果如圖1所示。對圖中提取的人臉二值化的圖像進行Hu矩計算特征值，采用CCS中Watch Window軟件可以查看運算結(jié)果，如圖2所示。

    對原RGB彩色圖像做平移運算，并灰度化。通過膚色提取人臉，最后進行二值化，結(jié)果如圖3所示。對圖中提取人臉二值化的圖像進行Hu矩計算特征值，采用CCS中Watch Window可以查看運算結(jié)果，如圖4所示。

    對原RGB彩色圖像做縮小運算，并灰度化。通過膚色提取人臉，最后進行二值化，結(jié)果如圖5所示。對圖中提取的人臉二值化的圖像進行Hu矩計算特征值，采用CCS Watch Window軟件可以查看運算結(jié)果,如圖6所示。

    對原RGB彩色圖像做旋轉(zhuǎn)運算，并進行灰度化。通過膚色提取人臉，最后進行二值化，結(jié)果如圖7所示。對圖中提取的人臉二值化的圖像進行Hu矩計算特征值,采用CCS Watch Window可以查看運算結(jié)果,如圖8所示。

    本文比較Hu矩所提取的人臉不變矩特征值，平移和旋轉(zhuǎn)運算后得到的特征值與原圖像相比誤差在1%以下，縮小運算后得到的特征值誤差相對大一些，達到4%左右。經(jīng)過反復實驗得出的結(jié)論是實驗時采用的圖像分辨率如果不高，平移和旋轉(zhuǎn)運算將不會受影響，但是縮小運算會使圖像損失一些像素值，從而導致運算后得到的特征值誤差相對較大。本文通過提高圖像的分辨率，解決了縮小運算后提取特征值誤差較大的問題，使圖像經(jīng)過縮小運算后提取的Hu矩特征值與原圖提取的特征值相比誤差控制在1%以內(nèi)，從而保證Hu矩在人臉識別中的正確率。
參考文獻
[1] KUEI H M. Visual pattern recognition by moment invariants[J].IRE Transactions on Information Theory，1962，IT-8(2):179-187．
[2] 苑瑋琦，賈琦.基于DM6437的駕駛員疲勞檢測系統(tǒng)[J].儀表技術(shù)與傳感器，2010(5):51-53,55．
[3] 邱鵬瑞.基于膚色模型與灰度復雜度的人臉檢測研究[D].昆明：云南師范大學，2008.
[4] 晏開華，蘇真?zhèn)ィS明飛.支持向量機在機械零件識別中的應用[J].電子技術(shù)應用,2008,34(11):108-110.