基于FPGA的人脸性别识别算法的研究与实现

论文摘要

人脸性别识别技术是在人脸识别技术的基础上发展起来的,具有广泛的应用前景,可以应用于信息采集、身份鉴别、电子监控、以及智能服务机器人等方面。本文以Altera公司的Cyclone Ⅱ系列的DE2开发板为硬件平台,使用Quartus Ⅱ和Nios Ⅱ软件,设计和实现了基于现场可编程门阵列(Field Programmable Gate Array, FPGA)的人脸性别识别系统。本文使用Quartus Ⅱ设计和实现人脸性别识别系统的硬件部分,而系统的软件部分是在Nios Ⅱ中编写C程序代码来实现的。本文在人脸性别识别方面具体的主要做了以下几点工作：(1)使用主成分分析的方法对图像进行特征提取和降维,作为分类器的输入向量；(2)设计了BP神经元网络和支持向量机两种分类器进行人脸性别识别,并对比了两类分类器的识别率,对径向基、线性、以及多项式核函数的支持向量机在识别率上进行了比较。实验结果表明,支持向量机分类器的识别率高于BP神经元网络分类器,对于不同性别的人脸图像的识别率,不同的分类器各有优劣；(3)针对单一分类器的识别率提高有限的问题,本文在前人级联SVM分类器的基础上,设计了并联分类器组和混联分类器组分类器,并对设计的并联分类器组、级联分类器组、混联分类器组的识别率进行了实验对比。实验表明：混联分类器组识别率高于级联分类器组识别率,级联分类器组识别率高于并联分类器组识别率；(4)使用FPGA设计和实现了人脸性别识硬件电路别系统。在Quartus Ⅱ的SOPC Builder下,本文设计并建立基于Nios Ⅱ软核处理器的人脸性别识别系统电路,并利用MIT人脸数据库图像和个人采集的人脸图像进行了测试。实验表明,本系统的识别率最高可达到97%以上,单幅图像的平均识别速度低于0.01s。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 人脸识别技术
• 1.2 人脸性别识别的背景及研究意义
• 1.3 人脸性别识别研究现状
• 1.3.1 基于特征分析的研究
• 1.3.2 基于整体图像的研究
• 1.3.2.1 支持向量机算法
• 1.3.2.2 人工神经元网络算法
• 1.3.2.3 AdaBoost算法
• 1.3.2.4 线性判别分析（Linear Discrimant）
• 1.3.2.5 其他方法
• 1.3.3 分类方法之间的比较
• 1.3.3.1 SVM优缺点
• 1.3.3.2 BP网络的优缺点
• 1.4 人脸图像库
• 1.5 本文主要工作
• 1.6 本文安排
• 第2章 图像预处理与特征提取
• 2.1 图像预处理
• 2.1.1 图像灰度化
• 2.1.2 图像归一化
• 2.1.3 图像均衡化
• 2.2 特征提取
• 2.2.1 概述
• 2.2.2 PCA的基本原理
• 2.2.3 PCA应用人脸性别识别的原理
• 2.3 本章小结
• 第3章 人脸性别识别分类器的设计
• 3.1 引言
• 3.2 BP网络
• 3.2.1 BP网络基本原理
• 3.2.1.1 输入模式顺传播
• 3.2.1.2 误差逆传播校正方法
• 3.2.1.3 循环记忆训练
• 3.2.1.4 学习结果的判别
• 3.2.2 BP网络结构设定
• 3.3 支持向量机
• 3.3.1 VC维
• 3.3.2 结构风险
• 3.3.3 线性分类器
• 3.3.4 非线性分类器
• 3.3.5 核函数
• 3.4 本章小结
• 第4章 算法实验结果及分析
• 4.1 BP网络分类器
• 4.1.1 主成分
• 4.1.2 BP网络结构设计
• 4.1.3 BP网络训练
• 4.2 支持向量机分类器
• 4.3 分类器的改进
• 4.4 本章小结
• 第5章 人脸性别识别算法的FPGA实现
• 5.1 FPGA概述
• 5.1.1 FPGA工作原理
• 5.1.2 FPGA结构
• 5.1.3 DE2开发平台
• 5.2 Nios Ⅱ软核
• 5.2.1 Nios Ⅱ软核特点
• 5.2.2 Nios Ⅱ集成开发环境
• 5.2.3 Nios Ⅱ软核处理器系统组成
• 5.3 系统硬件设计
• 5.3.1 系统硬件各功能模块设计
• 5.3.1.1 时钟功能模块
• 5.3.1.2 FLASH功能模块
• 5.3.1.3 SDRAM模块
• 5.3.1.4 Nios ⅡProcessor Core功能模块
• 5.3.2 Nios Ⅱ软核处理器系统配置
• 5.3.3 系统硬件电路的产生
• 5.3.4 C语言源文件的编辑、编译、调试
• 5.3.5 配置目标FPGA器件
• 5.3.6 系统运行结果
• 5.4 本章小结
• 第6章 总结与展望
• 6.1 本文主要工作
• 6.2 进一步的工作与展望
• 参考文献
• 致谢