基于ARM架构的嵌入式人脸识别技术研究报告
基于ARM智能视频监控人脸识别系统设计
基于ARM智能视频监控人脸识别系统设计摘要：
随着技术的不断进步，人脸识别系统已经被广泛应用于各个领域，尤其是智能视频监控系统。
本文提出了一种基于ARM的智能视频监控人脸识别系统的设计方案。
该系统通过摄像头实时采集视频流，并通过ARM处理器对视频流进行处理和分析。
在人脸识别方面，系统采用了深度学习算法对图像进行特征提取和匹配，实现了准确的人脸识别功能。
通过在ARM处理器上实现人脸识别算法，可以将系统成本和能耗降到最低。
第二章系统架构
本系统主要由摄像头、ARM处理器、内存存储和显示设备组成。
摄像头用于实时采集视频流，ARM处理器负责处理和分析视频流中的图像。
系统在内存中存储人脸特征库，对于每一帧图像，系统会进行人脸检测和识别，并将结果显示在显示设备上。
第三章算法设计
本系统采用了深度学习算法进行人脸识别。
系统需要对训练样本进行预处理，提取人脸区域并进行对齐。
然后，通过卷积神经网络对图像进行特征提取，并通过全连接层对特征进行分类。
利用Softmax函数计算特征向量之间的相似度，判断是否为同一人脸。
第四章实验结果与分析
本系统在实际场景中进行了测试，结果表明系统具有较高的准确率和较低的错误识别率。
通过在ARM处理器上实现人脸识别算法，系统的能耗和成本都得到了降低。
第五章总结
本文基于ARM智能视频监控人脸识别系统的设计，通过采用深度学习算法，实现了高准确率的人脸识别功能。
通过在ARM处理器上实现算法，使得系统的能耗和成本得到了降低。
未来，还可以进一步优化算法，提高系统的实时性和稳定性。
arm嵌入式实验报告
arm嵌入式实验报告ARM嵌入式实验报告近年来，随着科技的不断进步，嵌入式系统在各个领域得到了广泛应用。
作为其中一种重要的嵌入式处理器架构，ARM架构以其高效能和低功耗的特点，成为了众多嵌入式系统的首选。
本实验报告将介绍我在ARM嵌入式实验中的学习和体会。
1. 实验背景和目的嵌入式系统是指将计算机技术应用于各种电子设备中，以完成特定任务的系统。
ARM架构作为一种低功耗、高性能的处理器架构，广泛应用于智能手机、平板电脑、物联网设备等领域。
本次实验的目的是通过学习ARM架构的基本原理和应用，了解嵌入式系统的设计和开发过程。
2. 实验内容本次实验主要包括以下几个方面的内容：2.1 ARM架构的基本原理首先，我们学习了ARM架构的基本原理，包括指令集、寄存器、内存管理等方面的知识。
ARM指令集具有丰富的指令种类和灵活的寻址方式，可以满足不同应用的需求。
同时，ARM处理器具有多个寄存器，用于存储和操作数据，提高了程序的执行效率。
此外，内存管理是嵌入式系统设计中非常重要的一环，ARM架构通过虚拟内存管理机制，实现了对内存的高效管理。
2.2 ARM开发工具的使用为了进行ARM嵌入式系统的开发，我们需要使用相应的开发工具。
本次实验中，我们学习了如何使用Keil MDK开发工具，进行ARM程序的编译、调试和下载。
Keil MDK提供了一套完整的开发环境，包括编译器、调试器和仿真器等，方便了我们进行ARM程序的开发和调试。
2.3 ARM嵌入式系统的设计和开发在掌握了ARM架构和开发工具的基本知识后，我们开始进行ARM嵌入式系统的设计和开发。
本次实验中，我们以一个简单的温度监测系统为例，设计了相应的硬件电路和软件程序。
硬件电路包括传感器、模拟转换电路和显示器等，用于采集和显示温度数据。
软件程序则负责控制硬件电路的运行，并将采集到的温度数据进行处理和显示。
3. 实验结果和分析通过实验，我们成功地设计和开发了一个基于ARM架构的温度监测系统。
基于ARM9 S3C2416的嵌入式人脸检测系统
基于ARM9 S3C2416的嵌入式人脸检测系统张维笑;叶学义;张静;贾天婕【期刊名称】《工业控制计算机》【年(卷),期】2014(000)012【摘要】设计了基于ARM9 S3C2416嵌入式人脸检测系统，实现了Adaboost 算法完成人脸检测，在对实际的监控视频数据进行测试的结果表明：该系统具有运算速度快、体积小、功耗低、成本低、检测率较高及误检率低等特点，可以推广到视频监控、视频目标跟踪、视频压缩存储等领域中。
%This paper designs an embedded face detection system based on ARM9 S3C2416,and a face detection algorithm based on AdaBoost is adopted to implement the system.The experimental results over the data of actual video surveil ance show that our system has some merits.lt not just has a high detection rate,a low false detection rate,and high operation speed but mains low power consumption,a smal size,and a low cost.The designed system is suitable for using in the areas such as the video surveil ance,the video target tracking,and the compressed video storage,etc.【总页数】3页(P25-26,28)【作者】张维笑;叶学义;张静;贾天婕【作者单位】杭州电子科技大学模式识别与信息安全实验室，浙江杭州 310018;杭州电子科技大学模式识别与信息安全实验室，浙江杭州 310018;杭州电子科技大学模式识别与信息安全实验室，浙江杭州 310018;杭州电子科技大学模式识别与信息安全实验室，浙江杭州 310018【正文语种】中文【相关文献】1.基于ARM9内核的嵌入式检测系统设计 [J], 缪兵2.基于嵌入式ARM9痕量毒气检测系统的研究 [J], 罗小刚;柏兴洪;李江杰;侯长军;霍丹群;汪德暖3.基于TINY-YOLO的嵌入式人脸检测系统设计 [J], 游忍;周春燕;刘明华;邵延华;展华益4.基于VPU加速的嵌入式实时人脸检测系统设计与实现 [J], 闫嘉;张跃麟;邓昌健5.基于ARM9的嵌入式电网参数实时检测系统的实现 [J], 李兵建;李正明;周俊华因版权原因，仅展示原文概要，查看原文内容请购买。
基于ARM智能视频监控人脸识别系统设计
基于ARM智能视频监控人脸识别系统设计一、系统概述基于ARM的智能视频监控人脸识别系统是利用ARM处理器和相应的人脸识别算法来实现对视频监控画面中人脸的自动识别与分析，并对识别结果进行相应的处理与响应。
该系统的应用范围非常广泛，可以用于各种场所的安防监控、人脸考勤、门禁系统等。
二、系统构架基于ARM的智能视频监控人脸识别系统的整体构架分为硬件平台和软件平台两部分。
硬件平台包括ARM处理器、摄像头、显示器、存储设备等组成。
ARM处理器作为系统的核心部件，负责视频信号的处理和人脸特征的提取；摄像头用于采集监控画面，传输到ARM处理器进行处理；显示器用于显示监控画面和识别结果；存储设备用于存储监控数据和识别结果。
软件平台包括操作系统、人脸识别算法和用户界面。
操作系统一般选择Linux或者Android，并在其基础上进行开发；人脸识别算法是系统的核心，包括人脸检测、特征提取、特征匹配等模块；用户界面主要用于操作系统的交互，并显示视频监控画面和识别结果。
三、硬件平台设计1. ARM处理器选择ARM处理器是基于ARM架构设计的一类微处理器，具有低功耗、高性能和丰富的外设接口等优点。
在智能视频监控人脸识别系统中，选择一款适合的ARM处理器至关重要。
一般建议选择性能强劲、功耗低、价格适中的ARM Cortex系列处理器，如Cortex-A72、Cortex-A53等。
2. 摄像头选择摄像头是视频监控系统的输入设备，质量的好坏直接关系到系统对画面的采集质量。
在人脸识别系统中，要选择一款画质清晰、对光线适应能力强的摄像头，以保证人脸特征的准确识别。
3. 显示器选择显示器作为系统的输出设备，一般选择分辨率高、色彩还原度好的显示器，能够清晰地显示监控画面和识别结果。
4. 存储设备选择存储设备一般选择高速、大容量的存储卡或者固态硬盘，以满足系统对监控数据和识别结果的存储需求。
1. 操作系统选择对于基于ARM的智能视频监控人脸识别系统，操作系统的选择决定了系统的稳定性和扩展性。
基于ARM智能视频监控人脸识别系统设计
基于ARM智能视频监控人脸识别系统设计一、系统概述基于ARM智能视频监控人脸识别系统，是一种利用ARM架构的高性能处理器作为核心，集成摄像头、人脸识别算法及存储设备等硬件，并通过软件实现智能监控和识别的系统。
该系统可以实时监测指定区域的视频画面，对其中出现的人脸进行识别，并自动进行告警或存储相关信息。
其结合了实时性、准确性和自动化的特点，成为了当前智能安防系统中的重要部分。
二、硬件设计1. ARM处理器：作为系统的核心，选择一款性能强劲的ARM处理器，如Cortex-A系列的处理器，能够提供充足的计算资源，支持复杂的人脸识别算法。
2. 摄像头：选择一款高清晰度的摄像头模块，能够捕捉清晰的视频画面，并具有良好的低光环境适应能力。
3. 存储设备：内置一定容量的存储设备，用于存储监控视频和识别结果信息。
4. 其他外设：如传感器、网络模块等，用于系统的辅助功能，如声音采集、网络连接等。
1. 操作系统：选择一款精简的嵌入式操作系统，如Linux嵌入式系统或基于RTOS的系统，能够满足系统的实时性要求，并具有良好的稳定性和可扩展性。
2. 视频采集：设计视频采集模块，能够实时从摄像头获取视频画面，并对其进行预处理。
3. 人脸检测与识别算法：引入成熟的人脸检测与识别算法，能够快速准确地对视频画面中的人脸进行检测和识别。
4. 告警处理：设计告警处理模块，能够及时响应识别结果，并进行告警处理，如向相关人员发送告警信息、触发声光告警装置等。
5. 数据存储与管理：设计数据存储与管理模块，能够对监控视频和识别结果信息进行管理和存储，便于后续的查询和分析。
6. 用户界面设计：设计用户界面模块，能够实现对系统的可视化管理和操作，如实时监控画面、识别结果查看等功能。
四、系统工作流程5. 用户界面展示：将监控视频和识别结果信息以可视化的方式展示给用户，便于用户对系统进行管理和操作。
五、系统优势1. 高性能：利用ARM处理器的高性能计算能力，能够支持复杂的人脸识别算法，实现快速准确的识别。
基于ARM智能视频监控人脸识别系统设计
基于ARM智能视频监控人脸识别系统设计人脸识别技术是当今智能视频监控系统中重要的一部分，它能够通过对人脸特征的识别和比对，帮助识别出不同的人员身份，为监控系统提供更加精准和便捷的安全保障。
而基于ARM架构的智能视频监控人脸识别系统则是应用了ARM处理器的智能视频监控系统，通过结合ARM处理器的高性能和低功耗的特点，实现了对人脸识别技术的高效运用。
一、系统架构设计基于ARM的智能视频监控人脸识别系统的架构设计主要包括硬件和软件两个部分。
在硬件方面，系统主要依赖于ARM处理器、摄像头、储存设备和显示设备等组件，其中ARM处理器作为系统的核心，负责图像数据的采集、处理和分析；而在软件方面，系统主要依赖于图像处理算法、人脸识别算法和应用软件等模块，其中图像处理算法和人脸识别算法是系统的核心技术，负责实现对图像信息的处理和人脸识别任务的实现。
具体来说，在硬件方面，系统主要包括ARM处理器、摄像头、储存设备和显示设备等组件。
其中ARM处理器作为系统的核心，负责对采集到的图像数据进行处理和分析，实现对人脸识别任务的实现；而摄像头则负责采集监控区域的图像信息，向ARM处理器传递采集到的图像数据；储存设备则负责存储监控区域的图像信息，保证图像信息的长期存储和管理；显示设备则负责显示监控区域的图像信息，为用户提供直观的监控视图。
二、系统工作流程基于ARM的智能视频监控人脸识别系统的工作流程主要包括图像采集、图像处理、人脸识别和系统管理等步骤。
具体来说，系统的工作流程主要可分为以下几个步骤：1. 图像采集：系统首先通过摄像头对监控区域进行图像数据的采集，获取监控区域的实时图像信息，并将采集到的图像数据传递给ARM处理器进行处理和分析。
3. 人脸识别：人脸识别算法接收到提取到的人脸特征信息后，对其进行比对和识别，实现对不同人员身份的识别和管理，如果出现异常情况，系统将及时发出警报信息。
4. 系统管理：应用软件负责向用户展示监控区域的图像信息，并提供对监控系统的操作和管理接口，用户可以通过应用软件对监控系统进行远程操作和管理，实现对监控系统的全面控制和管理。
面向嵌入式系统的人脸识别方法优化研究的开题报告
面向嵌入式系统的人脸识别方法优化研究的开题报告一、选题的背景和意义随着科技的不断发展和应用场景的不断增多，人脸识别技术已经成为了各行各业的重要应用之一，比如安防领域的出入控制、金融领域的身份识别、物流领域的人员管理等。
但是，由于嵌入式系统一般资源有限、能耗低等特点，使得传统的人脸识别方法难以直接应用于嵌入式系统中，因此，对于嵌入式系统的人脸识别方法的研究和优化具有重要意义。
二、选题的目的本文的主要目的是研究面向嵌入式系统的人脸识别方法的优化，旨在提高人脸识别系统的识别率和效率，并实现在嵌入式系统中的实际应用。
三、选题的内容1、人脸识别技术及其应用现状的调研。
2、面向嵌入式系统的人脸识别方法的研究。
3、算法性能的优化：针对面向嵌入式系统的人脸识别方法，优化其算法模型，减小模型大小，提高模型效率和准确率。
4、硬件系统平台的优化：针对面向嵌入式系统的人脸识别方法，分析并优化硬件系统平台的特性，提高硬件系统的运行效率。
5、实现与测试：在嵌入式系统上实现所优化的人脸识别算法，并进行实验测试，验证优化后的算法的可行性、有效性和准确性。
四、研究方法本文的研究方法主要包括以下几个方面：1、文献调研法：对人脸识别技术及其应用现状进行调研，并进行资料整理和归纳，掌握相关理论知识和研究方向。
2、实验研究法：在嵌入式系统上实现所优化的人脸识别算法，并对算法的性能和效率进行测试和评估。
3、数学建模法：对于人脸识别算法的优化，通过数据建模等方法，分析算法的效率、可行性等指标并进行优化。
五、预期成果本文的预期成果主要包括以下几个方面：1、面向嵌入式系统的人脸识别方法的研究，以及其模型优化和硬件平台优化的方法和技术。
2、在嵌入式系统上实现所优化的人脸识别算法，并进行实验测试，得到优化后算法的性能和效率数据。
3、针对优化后的算法，应用到实际场景中，并达到较高的识别率和速度，为后续的相关应用提供基础和支持。
基于ARM的人脸识别系统设计与实现.
东北师范大学硕士学位论文基于ARM的人脸识别系统设计与实现姓名：塔娜申请学位级别：硕士专业：计算机应用技术指导教师：马志强20090501摘要人脸识别技术作为生物识别技术之一，是模式识别在图像领域中的具体运用，其应用前景非常广阔，可以应用到身份证件的鉴别、自动门禁控制系统、银行取款机、家庭安全，图片检索等领域。
人脸识别系统主要分为人脸检测定位，特征提取和人脸分类三部分。
人脸的检测和定位，即从输入的图像中找到人脸及入脸存在的位置，并将人脸从背景中分离出来。
在特征提取部分，先对原始人脸数据进行特征提取，之后原始数据由维数较少的有效特征数据表示并存储在数据库中，接下来进行人脸分类，在识别待测人脸图像时，将待测图像的特征数据与数据库中存储数据相比对，判断是否为库中的某一人，．从而实现自动识别人脸的目的。
在过去的十年里，人脸识别技术一直是图像处理领域里具有挑战性的课题，随着研究的深入，许多人脸检测及识别算法被提出来。
其中基于主成分分析的Ｅｉｇｅｎｆａｃｅ的算法及其变形已经成为测试人脸识别系统性能的基准算法；同时Ａｄａｂｏｏｓｔ人脸检测算法，在ＰＣ上基本可以达到实时，在嵌入式产品广泛应用的今天，只有让人脸识别算法在嵌入式平台上实现，才能获得更广阔的应用，本文研究了在嵌入式平台上Ａｄａｂｏｏｓｔ人脸检测算法的性能。
嵌入式是后ＰＣ时代的一个亮点，目前已经应用在社会生活的方方面面。
嵌入式产品的开发平台分为包括很多，如：ＤＳＰ，ＡＲＭ，ＰｏｗｅｒＰＣ等等。
本文采用的ＡＲＭ９作为嵌入式开发平台，研究人脸识别在ＡＲＭ平台的性能，为实用的嵌入式人脸识别系统的设计提供参考。
本文从ＰＣ平台的软件实现入手，分别实现了ＰＣ平台下的ＡｄａＢｏｏｓｔ人脸检测算法和ＰＣＡ人脸识别算法；分析了现象及结果，接下来搭建了基于ＡＲＭ嵌入式系统的硬件平台，对ＡｄａＢｏｏｓｔ人脸检测算法进行了硬件平台的移植，并得出相应实验效果。
人脸识别；人脸检测；ＡＲＭ；ＡｄａＢｏｏｓｔ；ＰＣＡ关键词：ＡｂｓｔｒａｃｔＦａｃｅｒｅｃｏｇｎｉｔｉｏｎａｓａｂｉｏｌｏｇｙｒｅｃｏｇｎｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙ，ｉｔｉｓａｐａｒｔｉｃｕｌａｒｕｓｅａｐｐｌｉｃａｔｉｏｎｏｆｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｉｎｉｍａｇｅｆｉｌｅｄ．ＦａｃｅｒｅｃｏｇｎｉｔｉｏｎｕｓｕａｌｌｙｖｅｒｉｔｉｆｉｃａｔｉｏｎｆｏｒＰｅｒｓｏｎａｌｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ｇａｔｅｗａｙｓｔＯｉｎｌｉｍｉｔｅｄａｃｃｅｓｓａｒｅａｓ，ａｕｔｈｅｎｔｉｆｉｃａｔｉｏｎｆｏｒｂａｎｋａｎｄｆａｍｉｌｙｓｅｃｕｒｉｔｙ，ｅｔｃ．ｎｌｅｈｕｍａｎｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍｉｎｃｌｕｄｅｓｆａｃｅｄｅｔｅｃｔｉｏｎ，ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｆａｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎ。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
- - -.. - - 总结资料 基于ARM架构的嵌入式人脸识别技术研究
【摘要】：嵌入式人脸识别系统建立在嵌入式操作系统和嵌入式硬件系统平台之上,具有起点高、概念新、实用性强等特点。它涉及嵌入式硬件设计、嵌入式操作系统应用开发、人脸识别算法等领域的研究;嵌入式人脸识别系统携带方便、安装快捷、机动性强,可广泛应用于各类门禁系统、户外机动布控的实时监测等特殊场合,因此对嵌入式人脸识别的研究工作具有突出的理论意义和广泛的应用前景。本文是XX市经委创新研究项目《射频识别RFID系统-自动识别和记录人群的身份》(编号:04-11-2)与XX市科委AM基金项目《基于ARM和RFID芯片的自组织安全监控系统的研制》(编号:0512)的主要研究内容之一。论文从构建自动人脸识别系统所需解决的若干关键问题入手,重点探讨了基于嵌入式ARM微处理器的实时人脸检测、关键特征定位、高效的人脸特征描述、鲁棒的人脸识别分类器及自动人脸识别系统设计等问题的研究。论文的主要工作和创新点表现在以下方面:1实现了结合肤色校验的Haar特征级联分类器嵌入式实时人脸检测,提出了基于人脸约束的人眼Haar特征RSVM级联分类器人眼检测算法和基于遮罩掩磨与椭圆拟合的瞳孔定位算法。复杂背景中的人脸检测是自动人脸识别系统首先要解决的关键问题,通过对基于肤色模型和基于Haar特征级联强分类器的人脸检测算法的分析研究,综合两个算法的优点,提出了基于肤色模型校验和Haar特征级联强分类器的嵌入式实时人脸检测算法。实验结果表明,该算法不仅解决了复杂背景中的类肤色和类人脸结构问题,而且具有较高的检测率和较快的检测速度,同- - -.. - - 总结资料 时对光照、尺度等变化条件下的人脸检测也具有较强的鲁棒性。人眼检测与瞳孔定位在人脸归一化和有效人脸特征抽取等方面起着非常重要的作用,为了快速检测人眼并精确定位人眼瞳孔中心,论文提出了基于人脸约束的人眼Haar特征RSVM级联分类器人眼检测算法和基于遮罩掩磨与椭圆拟合的瞳孔定位算法,首先利用人眼检测分类器在人脸区域内完成对人眼位置的检测,然后通过对检测到的人眼进行遮罩掩磨、简单图像形态学变换及椭圆拟合实现瞳孔中心的精确定位。测试结果表明该算法只需几百毫秒便能完成人眼检测与瞳孔中心定位整个过程,在保证检测速度较快的同时,还能确保较高的定位精度。2针对传统线性判别分析法存在的小样本问题(SSS),通过调整Fisher判别准则,实现了自适应线性判别分析算法及相应的人脸识别方法人脸识别中的小样本问题使线性判别分析算法的类内散布矩阵发生严重退化,导致问题无法求解。本文在人脸识别小样本问题的基础上,通过调整Fisher判别准则,利用类间散布矩阵的补空间巧妙地避开类内散布矩阵的求逆运算,通过训练集每类样本的样本数信息自适应改变调整参数,实现了自适应线性判别分析算法,实验结果表明,该算法能有效解决人脸识别中的小样本问题。3提出了基于有效人脸区域的Gabor特征抽取算法,有效地解决了Gabor特征抽取维数过高的问题。Gabor小波对图像的光照、尺度变化具有较强鲁棒性,是一种良好的人脸特征表征方法。但维数过高的Gabor特征造成应用系统的维数灾难,为解决Gabor特征的维数灾难问题,论文第四章提出了基于有效人脸区域的Gabor特征抽取算法,该算法不仅有效地降低了人脸特征向量维数,,- - -.. - - 总结资料 缩小了人脸特征库的规模,同时降低了核心算法的时间和空间复杂度,而且具有与传统Gabor特征抽取算法同样的鲁棒性。4结合有效人脸区域的Gabor特征抽取、自适应线性判别分析算法和基于支持向量机分类策略,提出并实现了基于支持向量机的嵌入式人脸识别和嵌入式人像比对系统支持向量机通过引入核技巧对训练样本进行学习构造最小化错分风险的最优分类超平面,不仅具有强大的非线性和高维处理能力,而且具有更强的泛化能力。本文研究了支持向量机的多类分类策略和训练方法,并结合论文中提出的基于有效人脸区域的Gabor特征提取算法、自适应线性判别分析算法,首次在基于WindowsCE操作系统的嵌入式ARM平台中实现了具有较强鲁棒性的嵌入式自动人脸识别系统和嵌入式人像比对系统。5提出并初步实现了基于客户机/服务器结构无线网络模型的远距离人脸识别方案为解决嵌入式人脸识别系统在海量人脸库中进行识别的难题,论文提出并初步实现了基于客户机/服务器结构无线网络模型的嵌入式远距离人脸识别方案。客户机(嵌入式平台)完成对人脸图像的检测、归一化处理和人脸特征提取,然后通过无线网络将提取后的人脸特征数据传输到服务器端,由服务器在海量人脸库中完成人脸识别,并将识别后的结果通过无线网络传输到客户机显示输出,从而实现基于客户机/服务器无线网络模型的嵌入式远距离人脸识别方案。6结合我们开发的基于ARM的嵌入式自动人脸识别系统和嵌入式人像比对系统,从系统设计的角度探讨了在嵌入式系统中进行人脸识别应用设计的思路及应该注意的问题虽然嵌入式人脸识别系统的性能很大程度上取决于高效的人脸特征- - -.. - - 总结资料 描述和鲁棒的人脸识别核心算法。但是,嵌入式系统的设计思想对嵌入式人脸识别系统的性能影响同样值得重视。本文第六章重点阐述了嵌入式自动人脸识别应用系统的设计思路,并结合我们自主开发的嵌入式自动人脸识别系统和嵌入式人像比对系统从系统设计的角度探讨了嵌入式人脸识别应用系统设计中应该注意的关键技术问题。结合本文提出的算法我们在PC上完成对人脸识别分类器的训练,然后在嵌入式ARM开发平台上实现了嵌入式自动人脸识别、嵌入式人像比对两个便携式人员身份认证系统,经测试运行效果良好。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、AFR应用系统开发也具有一定的借鉴意义。【关键词】：嵌入式自动人脸识别技术嵌入式人脸检测主元分析自适应线性判别分析Gabor人眼检测瞳孔定位支持向量机嵌入式操作系统PXA270ARM
【学位授予单位】：华东师X大学 【学位级别】：博士 【学位授予年份】：2008 【分类号】：TP391.41 【目录】：中文摘要6-9Abstract9-12目录12-17图表目录17-20第一章绪论20-411.1生物特征识别技术20-241.1.1人脸识别21-221.1.2指纹识别221.1.3虹膜识别22-231.1.4掌纹识别231.1.5人耳识别23-241.1.6基因(DNA)识别241.2生物特征识别技术的发展趋势- - -.. - - 总结资料 24-251.3自动人脸识别技术25-271.4人脸识别研究的意义271.5人脸识别研究的历史与现状27-301.5.1人脸识别研究简史28-291.5.2国内研究现状29-301.6国内外常用人脸图像数据库30-321.7本文主要工作及组织结构32-371.7.1主要创新点32-351.7.2本文的组织结构35-37参考文献37-41第二章人脸检测和人眼定位41-722.1引言412.2人脸检测方法41-452.2.1基于先验知识的人脸检测法42-432.2.2基于模板匹配的人脸检测法432.2.3基于机器学习的人脸检测法43-452.2.4类Haar人脸检测法452.3Haar函数及Haar变换45-492.3.1Haar函数系定义462.3.2Haar变换462.3.3人脸Haar特征提取46-482.3.4人脸类Haar特征快速算法48-492.4基于Haar的人脸检测算法49-572.4.1简单分类器502.4.2强分类器50-522.4.3级联强分类器52-532.4.4分类器训练53-552.4.5基于Haar特征肤色模型的人脸检测55-572.5人脸检测效果图572.6人眼检测与瞳孔定位57-662.6.1传统的人眼检测方法57-592.6.2基于人脸约束的实时人眼检测59-642.6.3人眼检测与瞳孔定位效果图64-662.7图像几何归一化66-672.8本章小结67-68参考文献68-72第三章基于线性判别子空间的人脸识别72-863.1引言723.2主分量分析法72-783.2.1主分量分析法(PCA)72-753.2.2核主分量分析(KPCA)75-783.3线性判别分析法78-843.3.1Fisher鉴别准则79-803.3.2线性判别分析中的小样本问题80-823.3.3自适应线性判别分析82-843.4实验结果843.5本章小结84参考文献84-86第四章Gabor滤波器与人脸Gabor特征提取86-994.1引言864.2二维Gabor变换86-884.3Gabor核函数的参数选- - -.. - - 总结资料 择88-914.3.1参数的选择88-894.3.2参数的意义89-914.4二维Gabor滤波器的图像响应特性91-934.4.1边缘响应特性91-924.4.2位置响应特性92-934.5Gabor特征提取93-974.5.1人脸Gabor特征提取93-944.5.2人脸有效区域Gabor特征抽取算法94-974.6本章小结97-98参考文献98-99第五章基于支持向量机的人脸识别99-1265.1引言995.2统计学习理论99-1015.2.1期望风险最小化准则99-1005.2.2经验风险最小化准则1005.2.3结构风险最小化准则100-1015.3支持向量机基本理论101-1075.3.1最优分类超平面101-1025.3.2线性分类情况102-1055.3.3非线性支持向量105-1065.3.4核函数106-1075.4多类分类支持向量机107-1115.4.1一对多分类108-1095.4.2一对一分类109-1105.4.3有向无环图分类策略110-1115.5支持向量机训练算法111-1145.5.1块算法111-1125.5.2分解算法1125.5.3序贯最小优化算法112-1145.6识别性能比对114-1235.6.1测试人脸库114-1155.6.2距离度量方法115-1165.6.3人脸识别方案设计116-1195.6.4实验结果及分析119-1235.7本章小结123参考文献123-126第六章嵌入式自动人脸识别系统设计126-1696.1引言126-1276.2嵌入式操作系统127-1296.2.1嵌入式操作系统的特点127-1286.2.2MicrosoftCE128-1296.3硬件平台介绍129-1326.3.1PXA270微处理器:129-1306.3.2ARM开发平台130-1326.4嵌入式人脸识别系统设计132-1356.4.1核心算法的选择132-1336.4.2系统工作环境133-1346.4.3成像设备的选择1346.4.4训练集的构建134-1356.5嵌入式人脸识别系统实现135-1466.5.1基于视频的嵌入式