生物特征识别技术的发展趋势及对数字信号处理器的挑战

　　传统数字信号处理中核心算法之一就是傅立叶变换，该变换在通信、图像传输、雷达、声纳中都有很大的作用。但是，在相当长的时间里，由于傅立叶变换的计算量太大，即使采用计算机也很难对问题进行实时处理，所以并没有得到真正的运用。直到傅立叶变换的快速算法即快速傅立叶变换发现后，傅立叶变换的运算量大大缩短，从而使傅立叶变换在实际中得到了广泛的应用，也使得在数字信号处理器上实现傅立叶变换成为了可能。

　　尽管傅立叶变换对数学、物理产生了深远的影响，但对于大多数应用例如人脸识别而言是远远不够的。比如说人脸图像中，眼睛所含有的信息较其他部分对识别而言非常重要，需要找到一种方法，提取出眼睛这部分重要的信息，并尽量降低不重要的信息对识别的影响。这就需要对人脸图像进行局部分析。然而，傅立叶变换无法进行局部分析，使得傅里叶变换在人脸识别中的应用很有限。

　　为了提高性能，研究者将数字信号处理领域中新的复杂的变换如Gabor变换、小波变换引入人脸识别中，采用这些变换进行局部分析，提取出对人脸识别有用的特征，从而大大提高了人脸识别的性能。然而，Gabor变换和小波变换的计算量较之傅立叶变换而言非常大，为了在嵌入式设备上实现人脸识别系统，需要高主频、高性能的数字信号处理器来实现，这就对数字信号处理器的设计提出了一个很大的挑战。

　　从应用角度而言，为了良好的交互性，在实现人脸识别系统时，要求实时实现从视频采集到人脸识别全过程完成(或者至少在1~2秒钟内实现)，否则，给人的感觉就不自然、不流畅。因而，从良好的交互性角度而言，在嵌入式设备上实现人脸识别系统需要高性能的数字处理器。

　　ADI公司的Blackfin系列处理器是一类专为满足当今嵌入式音频、视频和通信应用的计算要求和功耗约束条件而设计的新型 16～32 位嵌入式处理器。Blackfin 处理器基于由 ADI 和 Intel 公司联合开发的微信号架构(MSA)，它将一个 32 位 RISC 型指令集和双 16 位乘法累加(MAC)信号处理功能与通用型微控制器所具有的易用性组合在了一起。 这种处理特征的组合使得 Blackfin 处理器能够在信号处理和控制处理应用中均发挥上佳的作用—在许多场合中免除了增设单独的异类处理器的需要。该能力极大地简化了 硬件和软件设计实现任务。

　　目前，Blackfin 处理器在单内核产品中可提供高达 756MHz 的性能。Blackfin 处理器系列中的新型对称多处理器成员在相同的频率条件下实现了性能的翻番。Blackfin 处理器系列还提供了低至 0.8V 的业界领先功耗性能。对于满足当今及未来的信号处理应用(包括宽带无线、具有音频/视频功能的因特网工具和移动通信)而言，这种高性能与低功耗的组合是必不可少的。

　　Blackfin处理器具有如下特点：

　　高性能处理器内核。Blackfin 处理器架构基于一个 10 级 RISC MCU/DSP 流水线和一个专为实现最佳代码密度而设计的混合 16/32 位指令集架构，该架构很适合于全信号处理/分析能力。这种架构，使得人脸识别中的复杂的数字信号处理运算在Blackfin上很容易实现。

　　高带宽DMA能力。人脸识别中需要对图像块进行操作，这就涉及到内存数据存取。采用Blackfin的DMA控制器可以自动数据传输，所需的处理器内核开销极少。这样可以将宝贵的处理器的运算能力用于人脸识别的计算，减小数据存取对性能的影响。

　　. 视频指令。人脸识别中最常进行的操作就是对像素值进行处理，Blackfin处理器具有对8位数据以及许多像素处理算法所常用的字长的固有支持，大大提高了人脸识别的处理速度。　

　　. 分层存储器。Blackfin具L1 Cache和L2 Cache两级Cache，由于Cache较之外部存储器具有更快的存取速度，因而，在人脸识别时，可以把运算密集的代码放在L1 Cache或L2 Cache中，这样可以有效提高处理速度。

　　上述Blackfin处理器特点表明，Blackfin系列处理器非常适合处理需要高性能运算能力和高数据吞吐量的生物特征识别技术。

　　目前，Hisign已经将人脸识别的算法移植到ADI的Blackfin上，性能正在优化中。请继续关注。

结语

　　本文讨论了生物特征识别技术的发展趋势，结合人脸识别分析了生物特征识别技术需要高性能的数字信号处理器的原因，并简单介绍了Blackfin处理器的特点，指出正是由于Blackfin处理器的这些特点，使得该处理器非常适合作为嵌入式系统中的计算核心，以便将人脸识别等生物特征识别技术移植到嵌入式系统。