基于ARM的嵌入式人脸识别算法的研究

基于ARM的嵌入式人脸识别算法的研究

论文摘要

19世纪以来,随着科学技术的进步,人脸识别技术得到快速发展。尤其是人脸作为生物特征的一个非常重要组成部分,越来越受到人们的重视。嵌入式设备尤其是ARM设备作为新兴的产品,具有方便携带、安装快捷、机动性强等特点,已经涉入了各种领域,并被广泛应用于各种电子产品中。并且嵌入式系统的设计还涉及硬件的设计、操作系统的开发、驱动的研发等等。针对实际需求,研究了人脸识别算法在ARM板嵌入式设备上的应用。在完成嵌入式操作系统的开发与移植之后,以常用的比较成熟的人脸识别算法作为基本的理论基础,研究它们的可行性与不足,并提出具体的优化与解决方案,最后提出了嵌入式人脸识别的框架,并使用具体的人脸图像库对其进行了测试,基于ARM板很好的实现嵌入式人脸识别算法,并且效果良好。本文所做主要工作如下:通过对人脸类Haar特征和人脸快速检测Adaboost算法的研究,在ARM板嵌入式设备上通过摄像头能很好的完成人脸的检测;通过对图像降维算法2DPCA与最近邻算法的研究,能很好的实现了嵌入式人脸识别系统;通过引入二维Gabor变换解决了光照条件的变化对人脸图像模式的影响,并减小图像噪声的影响,这对于多姿态人脸识别极为有利;针对多尺度Gabor滤波又带来高维数据的问题,提出了多尺度Gabor加权融合的算法,可以很好的解决由于多尺度Gabor滤波带来高维数据的特点;结合基于ARM的嵌入式人脸识别系统详细介绍了系统的设计过程,并给出了系统详细的工作流程,最后用实际图像对实验过程进行了测试,验证了可行性,效果良好。由于ARM板资源的短缺,结合本文所提出的改进算法,需要在PC上完成对人脸识别分类器的训练,然后通过网络把分类器传输到嵌入式ARM开发平台上并实现嵌入式自动人脸识别,经实际图像进行测试,运行效果良好。所提出的人脸识别算法不仅具有一定的理论参考价值,而且对于嵌入式系统应用开发具有一定的借鉴意义。

论文目录

  • 摘要
  • ABSTRACT
  • 1 引言
  • 1.1 概论
  • 1.2 嵌入式系统的发展与现状
  • 1.2.1 嵌入式系统的发展史
  • 1.2.2 嵌入式系统的独立发展道路
  • 1.2.3 嵌入式系统的发展现状
  • 1.3 人脸识别历史与现状
  • 1.3.1 人脸识别历史
  • 1.3.2 人脸识别现状
  • 1.4 本文工作及主要内容
  • 2 基于HAAR 的人脸检测
  • 2.1 人脸检测方法
  • 2.2 类Haar 人脸检测法
  • 2.2.1 Haar 函数简介
  • 2.2.2 Haar 变换函数
  • 2.2.3 人脸Haar 特征提取
  • 2.3 基于Haar 的人脸检测分类器
  • 2.3.1 简单分类器及训练过程
  • 2.3.2 强分类器及训练过程
  • 2.3.3 级联强分类器及训练过程
  • 2.4 人脸检测效果图
  • 2.5 本章小结
  • 3 基于线性判别子空间的人脸识别
  • 3.1 基于PCA 主元分子空间的人脸识别
  • 3.2 基于2DPCA 子空间的人脸识别
  • 3.2.1 2DPCA 的基本思想
  • 3.2.2 基于2DPCA 的人脸特征提取
  • 3.2.3 2DPCA 分类器
  • 3.3 本章小结
  • 4 二维GABOR 滤波器与人脸特征提取
  • 4.1 二维Gabor 变换
  • 4.2 二维Gabor 滤波器的参数选择
  • 4.2.1 滤波器参数的选择
  • 4.2.2 滤波器参数的意义
  • 4.3 二维Gabor 滤波器的人脸图像响应特性
  • 4.3.1 人脸边缘响应特性
  • 4.3.2 人脸位置响应特性
  • 4.4 本章小结
  • 5 GABOR 特征加权融合的嵌入式人脸识别
  • 5.1 基于多尺度Gabor 不确定度权值算法
  • 5.1.1 多尺度Gabor 不确定度计算
  • 5.1.2 不确定度的多尺度Gabor 特征融合
  • 5.2 基于Gabor 滤波图与原图的距离的权值算法
  • 5.3 本章小结
  • 6 嵌入式人脸识别系统设计
  • 6.1 嵌入式Linux 操作系统
  • 6.2 硬件平台介绍
  • 6.2.1 PXA270 微处理器
  • 6.2.2 ARM 实现平台
  • 6.3 软件平台介绍
  • 6.3.1 人脸图像库
  • 6.3.2 OpenCV 函数库
  • 6.3.3 图形用户界面
  • 6.4 嵌入式系统设计与实现
  • 6.4.1 核心算法选择
  • 6.4.2 系统移植与驱动编写
  • 6.4.3 嵌入式人脸识别方案
  • 6.5 系统测试
  • 6.5.1 基于多尺度Gabor 不确定度权值
  • 6.5.2 基于Gabor 不确定度信息融合的嵌入式人脸识别
  • 6.5.3 基于Gabor 滤波图与原图的距离的权值
  • 6.5.4 基于Gabor 滤波图与原图距离信息融合的嵌入式人脸识别
  • 6.6 本章小结
  • 结语
  • 参考文献
  • 后记
  • 在学期间公开发表论文及著作情况
  • 相关论文文献

    • [1].基于改进卷积神经网络的人脸识别算法[J]. 电子世界 2019(23)
    • [2].基于主成分分析法的人脸识别算法研究[J]. 电脑编程技巧与维护 2020(07)
    • [3].基于非凸低秩稀疏约束的鲁棒人脸识别算法[J]. 电子世界 2020(18)
    • [4].精准人脸识别算法,“识”无遗漏——测评芊熠智能动态人脸识别终端[J]. 中国公共安全 2019(09)
    • [5].联合判别性低秩类字典与稀疏误差字典学习的人脸识别[J]. 中国图象图形学报 2017(09)
    • [6].基于含遮挡的稀疏人脸识别[J]. 电子测试 2016(23)
    • [7].基于局部正脸合成和两阶段表示的三阶段人脸识别算法[J]. 北京理工大学学报 2017(06)
    • [8].基于低秩特征脸与协同表示的人脸识别算法[J]. 液晶与显示 2017(08)
    • [9].带你走进维也纳版的CCS2016(三)[J]. 中国教育网络 2017(05)
    • [10].“无脸”识别,挑战像素新底线[J]. 雪莲 2017(04)
    • [11].基于深度学习与特征融合的人脸识别算法[J]. 微型电脑应用 2020(11)
    • [12].8吋大屏科技感设计,搭载深度学习人脸识别算法——测评捷顺科技多媒体人脸识别门禁[J]. 中国公共安全 2019(11)
    • [13].基于改进卷积神经网络与集成学习的人脸识别算法[J]. 计算机工程 2020(02)
    • [14].基于深度学习的人脸识别算法研究[J]. 计算机应用研究 2020(05)
    • [15].一种改进的联合稀疏表示人脸识别算法[J]. 科技创新导报 2020(16)
    • [16].样本增强的人脸识别算法研究[J]. 中国计量大学学报 2018(02)
    • [17].基于改进深层网络的人脸识别算法[J]. 电子学报 2017(03)
    • [18].快速稀疏表示分类的人脸识别算法[J]. 计算机工程与应用 2017(09)
    • [19].一种新型人脸识别算法的研究[J]. 东莞理工学院学报 2017(03)
    • [20].基于多尺度分析的人脸识别算法研究[J]. 工业仪表与自动化装置 2017(04)
    • [21].多样本条件下一种改进的基于联合稀疏模型的人脸识别算法研究[J]. 电脑知识与技术 2015(18)
    • [22].基于稀疏表示的人脸识别算法[J]. 大众科技 2014(04)
    • [23].基于小波神经网络的人脸识别算法研究[J]. 价值工程 2012(05)
    • [24].人脸识别算法综述[J]. 商场现代化 2008(26)
    • [25].基于改进的局部三值模式和深度置信网络的人脸识别算法[J]. 青岛大学学报(自然科学版) 2019(04)
    • [26].基于深度传感的人脸识别算法研究与实现[J]. 自动化应用 2020(08)
    • [27].基于字典扩展的快速人脸识别算法[J]. 计算机工程与应用 2018(08)
    • [28].基于体绘制思维的人脸识别算法优化研究[J]. 现代电子技术 2015(24)
    • [29].相似遮挡区域碎片重构的鲁棒人脸识别算法[J]. 微型电脑应用 2016(04)
    • [30].基于稀疏滤波和神经网络的人脸识别算法[J]. 网络空间安全 2016(05)

    标签:;  ;  ;  

    基于ARM的嵌入式人脸识别算法的研究
    下载Doc文档

    猜你喜欢