基于SVM的人脸识别算法研究与FPGA实现

论文摘要

人脸识别技术是最近几十年生物特征识别领域的研究热点,它融合了计算机图形学、数字图象处理、计算机视觉、模式识别和人工神经网络等多个学科的方法和理论。人脸识别技术在公共安全和军事安全领域有着十分宽阔的应用前景。支持向量机(Support Vector Machine, SVM)是一种新兴的机器学习方法,克服了“维数灾难”和“过学习”等问题,成功的应用在模式识别和回归分析等领域,逐渐成为新的研究热点。但是发展到目前为止,参数选择和多类分类仍然是支持向量机没有完全解决的两个问题。本文首先研究了独立成分分析(Independent Component Analysis, ICA)算法和判别共同向量(Discriminative Common Vector, DCV)算法。然后详细介绍了支持向量机的基本原理和优化算法并讨论了支持向量机在多类问题中应用的算法,如“一对一”支持向量机(One Against One SVM, OAOSVM),“一对多”支持向量机(One Against All SVM, OAASVM)和有向无环图支持向量机(Directed Acyclic Graph SVM, DAGSVM)。在MATLAB平台上对以上的支持向量机分类算法在采用同一种特征提取算法(ICA或DCV)时的识别率进行了实验测试。同时比较了支持向量机和最小欧氏距离分类器的性能。算法测试结果表明,支持向量机算法的性能优于最小欧氏距离分类器。对算法进行分析比较之后,将在MATLAB平台上训练完成的人脸识别算法在友晶公司的DE2开发板上使用Quartus Ⅱ开发工具搭建并实现了人脸识别系统。该系统以ORL人脸数据库图像作为输入,利用DE2开发板上的FLASH存储器来存储人脸图像,并利用VGA显示器来直观的显示系统的识别结果。系统中分别实现了采用DCV为特征提取算法的最小距离分类器、“一对一”支持向量机分类器和有向无环图支持向量机分类器,并且对这三种分类器的分类时间进行了比较。实验结果表明,采用有向无环图支持向量机分类器的人脸识别系统完成对一幅人脸图像的识别只需要不到40ms时间,在分类处理速度上优于其他两种分类器。最后,对本文完成的工作进行了总结,进一步的工作计划是完善本文算法,并提高人脸识别硬件系统的识别处理速度。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景及研究意义
• 1.2 人脸识别研究的发展和现状
• 1.2.1 人脸识别研究的发展历史
• 1.2.2 人脸识别研究的国内外现状
• 1.2.3 常用人脸库简介
• 1.3 本论文的内容安排
• 1.3.1 论文主要内容
• 1.3.2 论文的结构安排
• 第2章 基于ICA和DCV的人脸特征提取
• 2.1 基于独立成分分析的特征提取方法
• 2.1.1 独立成分分析数学基础知识
• 2.1.2 独立成分分析算法
• 2.1.3 独立成分分析的求解过程
• 2.1.4 快速定点ICA算法
• 2.2 独立成分分析在人脸识别中的应用
• 2.3 基于判别共同向量的特征提取方法
• 2.4 判别共同向量算法在人脸识别上的应用
• 2.5 本章小结
• 第3章 支持向量机理论
• 3.1 统计学习理论基础知识
• 3.2 支持向量机
• 3.2.1 最优分类面
• 3.2.2 SVM优化算法
• 3.2.3 非线性支持向量机
• 3.3 支持向量机在多类问题中的应用
• 3.3.1 “一对一”支持向量机算法（OAOSVM）
• 3.3.2 “一对多”支持向量机算法（OAASVM）
• 3.3.3 有向无环图支持向量机算法（DAGSVM）
• 3.4 支持向量机在人脸识别中的应用
• 3.4.1 支持向量机模型选择与参数寻优
• 3.4.2 ICA+SVM算法实验步骤
• 3.4.3 DCV+SVM算法实验步骤
• 3.5 本章小结
• 第4章 算法实验结果及分析
• 4.1 实验环境
• 4.2 ICA算法实验结果及分析
• 4.3 DCV算法实验结果及分析
• 4.4 SVM算法实验结果及分析
• 4.4.1 ICA+OAOSVM算法实验结果及分析
• 4.4.2 ICA+OAASVM算法实验结果及分析
• 4.4.3 DCV+OAOSVM算法实验结果及分析
• 4.4.4 DCV+OAASVM算法实验结果及分析
• 4.4.5 DCV+DAGSVM算法实验结果及分析
• 4.5 本章小结
• 第5章 人脸识别算法的FPGA实现
• 5.1 人脸识别系统硬件平台及开发环境
• 5.1.1 友晶DE2开发板
• 5.1.2 系统开发工具
• 5.2 人脸识别系统的设计
• 5.2.1 系统需求分析
• 5.2.2 系统总体设计
• 5.2.3 硬件系统设计
• 5.2.4 系统软件设计
• 5.2.5 系统运行结果及分析
• 5.3 本章小结
• 第6章 总结与展望
• 6.1 本文工作总结
• 6.2 进一步的工作与展望
• 参考文献
• 致谢