人脸特征提取系统的关键技术研究及其DSP实现

论文摘要

人脸识别是模式识别和人工智能领域中一个富有挑战性的研究课题,特征提取是人脸识别中一个非常重要的环节。人脸识别涉及到人工智能、计算机图像学、模式识别、计算机视觉等领域,在公共安全、商业企业、场所进出等领域有着非常广泛的应用前景,如公安刑侦追讨、门禁控制、证件鉴别、视频监控等。但是目前绝大多数人脸识别的应用产品仍然是以基于PC机为主的,体积大,造价高,难以满足实际应用需求。人脸又是具有高度相似性的非刚体性结构,拥有着丰富的面部表情,而当人脸的面部表情发生改变时,会造成整个人脸的面部轮廓也发生变化,这对人脸识别结果将产生很大的影响,因此消除表情变化对人脸识别过程的影响至关重要。本文的研究目的是为了寻找一种既能满足实时性要求又适合于人脸表情变化且实现简单的特征提取算法来提高识别率,提出了一种基于DSP的人脸特征提取系统的方案。首先阐述了人脸识别的研究背景、发展现状及其应用,介绍了人脸特征提取所运用的一些数字图像处理技术以及几种常用的特征提取算法,在分析和比较几种常用的特征提取算法的基础上,提出了基于小波变换和FLD结合的特征提取方法,首先将人脸图像通过小波变换提取其低频分量,再将低频图片经过PCA变换映射到一个低维空间,然后在低维空间中利用FLD方法进行特征提取。最后在DSP平台上实现了本文提出的算法的人脸识别系统,并对程序进行了优化,保证了系统的实时性。

论文目录

• 摘要
• Abstract
• 中文文摘
• 目录
• 绪论
• 1.引言
• 2.研究背景和意义
• 3.研究目的
• 4.本文的主要工作和内容安排
• 第1章 人脸识别技术
• 1.1 人脸识别研究现状
• 1.1.1 国外研究动态
• 1.1.2 国内研究动态
• 1.1.3 人脸识别相关学术资源
• 1.2 人脸识别的研究内容
• 1.3 人脸识别技术存在的难点
• 1.4 人脸特征提取技术
• 1.4.1 人脸特征提取发展历史
• 1.4.2 人脸特征提取方法
• 1.5 人脸识别应用领域
• 1.6 本章小结
• 第2章 人脸图像预处理技术研究
• 2.1 图像的采集
• 2.2 图像的灰度化及二值化
• 2.3 图像的平滑去噪
• 2.4 图像的直方图均衡化
• 2.5 尺寸归一化
• 2.6 本章小结
• 第3章 消除表情变化的特征提取算法的实现
• 3.1 小波技术
• 3.2 主成分分析法
• 3.2.1 K-L变换原理
• 3.2.2 基于PCA的特征提取
• 3.2.3 PCA存在问题
• 3.3 线性判别分析法（LDA）
• 3.3.1 线性判别准则
• 3.3.2 LDA存在问题
• 3.4 基于小波分析和Fisherfaces的表情识别
• 3.4.1 算法过程
• 3.4.2 仿真实验
• 3.5 本章小结
• 第4章 系统的硬件平台及其开发环境
• 4.1 DSP芯片概述
• 4.2 人脸特征提取系统硬件结构
• 4.3 TMS320 DM642的硬件资源
• 4.3.1 CPU结构
• 4.3.2 Cache结构
• 4.3.3 EDMA
• 4.3.4 视频端口
• 4.3.5 地址映射
• 4.3.6 外设接口
• 4.4 DSP软件开发环境
• 4.5 本章小结
• 第5章 系统在DSP上的实现及优化
• 5.1 系统总体框架设计
• 5.1.1 视频端口与视频编解码器设计
• 5.1.2 中央处理器设计
• 5.1.3 存储器模块设计
• 5.1.4 电源模块设计
• 5.2 系统的软件设计
• 5.2.1 图像预处理
• 5.2.2 人脸特征提取
• 5.2.3 最近邻人脸识别
• 5.3 算法的移植和优化
• 5.3.1 优化的一般步骤
• 5.3.2 C代码优化方法
• 5.3.3 汇编语言级的优化
• 5.4 结果分析
• 5.5 本章小结
• 第6章 总结与展望
• 6.1 本文主要工作
• 6.2 下一步工作展望
• 参考文献
• 攻读学位期间承担的科研任务与主要成果
• 致谢
• 个人简历