《電子技術應用》
您所在的位置:首頁 > 模擬設計 > 設計應用 > 基于嵌入式系統的人臉識別算法研究及其優化
基于嵌入式系統的人臉識別算法研究及其優化
2016年微型機與應用第19期
楊鳴鳴
(杭州電子科技大學 計算機學院,浙江 杭州 310000)
摘要: 該文主要實現了在嵌入式系統上的人臉識別。采用PCA對圖像數據進行降維,然后利用最短歐氏距離、支持向量機(Support Vector Machine,SVM)和BP神經網絡實現了分類。在嵌入式系統上,沒有使用QT、OpenCV等占用空間大的工具,而使用自己編寫的C語言,以及Linux內核,節省了空間,并且處理過程中使用了BMP圖片,稍微增加了存儲空間,但是運算簡單,處理速度較快。
Abstract:
Key words :

  楊鳴鳴

  (杭州電子科技大學 計算機學院,浙江 杭州 310000)

       摘要:該文主要實現了在嵌入式系統上的人臉識別。采用PCA對圖像數據進行降維,然后利用最短歐氏距離、支持向量機(Support Vector Machine,SVM)和BP神經網絡實現了分類。在嵌入式系統上,沒有使用QT、OpenCV等占用空間大的工具,而使用自己編寫的C語言,以及Linux內核,節省了空間,并且處理過程中使用了BMP圖片,稍微增加了存儲空間,但是運算簡單,處理速度較快。

  關鍵詞:PCA;SVM;神經網絡;嵌入式系統;人臉識別

0引言

  假如汽車上安裝了嵌入式人臉識別系統,通過人臉識別才能啟動汽車,那么安全系數就提高了很多。過去,大多數人借助于OpenCV等方式在嵌入式設備上進行人臉識別,大大增加了嵌入式系統的負擔,本文通過使用主成分分析(Principal Component Analysis,PCA)、支持向量機(Support Vector Machine,SVM)、神經網絡等算法,拋開QT圖形界面、OpenCV等工具,僅借助LibSVM庫,以及C語言實現了一個完整的嵌入式人臉識別系統。盡管PCA以及SVM都可以實現人臉識別,但是本文實現了一種將PCA、SVM與神經網絡相結合的方法,在滿足準確率要求的情況下,將運行時間降到最低。

1概述

  人臉是人的主要身份信息。隨著人臉識別技術的發展,用機器來識別人臉已經實現,目前的人臉識別方法主要分為以下幾類:

  (1)基于幾何特征的方法,最早是由BLEDSOE于1966年提出,后來KANDE做出了一些改進,然而識別率也僅有45%~75%;

 ?。?)基于模型的方法,使用的模型主要為HMM隱馬爾可夫模型[1],它的識別效果較好;

  (3)基于統計的方法,特征臉[2]的方法是由TURK M和PENTLAND A最早提出,一種新的人臉識別思路由此開始。后來在此基礎上有一系列的改進方法[34],基于頻域的方法GABOR[5]小波變換也引入到人臉識別領域;基于支持向量機[67]的人臉識別,識別率很好。

  本文主要研究使用PCA、SVM、神經網絡方法在嵌入式系統上實現人臉識別。

2PCA及降維

  在ORL人臉數據庫中,有40個人的400張像素為92×112的圖片,把每一張照片放到一個行向量上,那么將得到10 304維的數據,這對于識別來說實在是太大了,因此需要對它進行降維處理。

  KIRBY M[8]等人使用KL變換對人臉圖像進行了降維處理,把一張人臉圖像當做一個高維的向量,人臉圖像的每個像素都是這個高維向量的一個元素,接著使用KL變換把圖像向量映射到一個特征空間。直到1991年PENTLAND A[9]首先將PCA用在了人臉識別上,進而引出了“特征臉”。

  大部分研究都是使用OpenCV[10]、MATLAB[11]等工具在嵌入式設備上進行人臉識別,然而這些工具對于嵌入式系統來說是非常消耗存儲資源的。因此筆者寫了一個精簡PCA的程序代碼。

  編寫代碼的步驟如下:

  (1)讀取一張圖片的數據;

  (2)先跳過bmp的前54 B的頭文件部分,接下來的是顏色數據;

  (3)轉換為灰度圖,連續的3 B構成了一個像素,那么該像素的灰度值為GRAY=(R×30+G×59+B×11)/100;

  (4)把測試圖片(50張)的灰度值存為一個10 304×50的矩陣中;

  (5)利用Householder方法對矩陣進行變換,進而求出特征值和特征向量;

  (6)把測試圖像投影到特征空間,將歐式距離最小的作為識別結果。

3SVM

  在20世紀70年代,BOSER B E等人[12]開始研究統計學習理論,SVM[13]是基于統計學習理論的一種機器學習方法,它通過尋求結構化風險最小來達到提高學習機泛

圖像 001.png

圖像 002.png

  化能力,實現經驗風險和置信范圍的最小化。

  本文中使用臺灣大學林智仁[14]教授開發的LibSVM庫,在Linux上使用非常方便。步驟如下:

  (1)利用PCA降維獲得的數據,然后將它修改為LibSVM所要求的格式;

  (2)分別對訓練數據和測試數據進行SCALE;

  (3)對于SCALE后的測試數據進行分類。

4神經網絡

  1943年,首先由McCulloch和Pitts提出MP模型后,一直到今天,神經網絡經過幾十年的發展,取得了很大的發展,本次試驗中使用BP神經網絡對人臉數據進行處理,經過實驗發現在一定量人臉的情況下,訓練耗時較少,識別時間也較短,如表1所示。

圖像 003.png

5嵌入式相關移植

  本文基于S3C2400的嵌入式設備,使用Linux操作系統在JZ2440上實現了一套完整的嵌入式人臉識別系統, 由于嵌入式攝像頭的安裝位置相對固定,因此把主要精力放在了人臉識別的部分。主要分為以下兩個步驟:

 ?。?)圖片采集。使用攝像頭獲取動態的圖片,當需要識別時,只需要觸摸顯示屏,就可以把圖片保存下來。

 ?。?)人臉識別。此時對圖片進行預處理,然后使用PCA+歐式距離或者PCA+SVM等方法進行識別。

6實驗結果分析

  本文分別使用PCA和SVM等方法,在ORL人臉圖像庫(如圖1所示),與本實驗室人員的人臉圖像庫(如圖2所示)進行實驗,實驗證明識別效果很好。ORL人臉庫有40個人,每人有10張照片,本文使用一個人的前5張照片作為實驗樣本,后5張作為測試樣本。如圖1所示,1~5為一個人的訓練樣本照片,對應的測試樣本是10 001~10 005。同樣的訓練樣本6~10對應的測試樣本是10 006~10 010。

  為了驗證此方法的通用性,還使用了一些本實驗室人員的人臉圖像,識別率仍然可以達到很好的識別效果(如表2所示)。

圖像 004.png

7結論

  經過試驗發現,在ORL人臉圖像庫使用PCA+最近鄰識別率最高可達94%,而使用PCA+SVM的識別率可以達到98%,而使用BP神經網絡時,本文前期訓練耗時較多,且實驗過程中發現為了達到更高的準確率不得不增加神經網絡輸入的維度,這樣就更增大了神經網絡的耗時,并且實驗結果發現實現的準確率并沒有SVM高,因此本文最終選擇PCA+SVM作為嵌入式人臉識別的實驗方法。

  參考文獻

  [1] SAMARIA F, YOUNG S. HMM based architecture for face identification[J]. Image & Vision Computing, 1994, 12(8):537-543.

 ?。?] TURK M, PENTLAND A. Eigenfaces for recognition[J]. Journal of Cognitive Neuroscience, 1991, 3(1):71-86.

  [3] HONG Z Q. Algebraic feature extraction of image for recognition[J]. Pattern Recognition, 1991, 24(3):211-219.

 ?。?] NAKAMURA O, MATHUR S, MINAMI T. Identification of human faces based on isodensity maps[J]. Pattern Recognition, 1991, 24(3):263-272.

 ?。?] LIU D H, LAM K M, SHEN L S. Optimal sampling of Gabor features for face recognition[J]. Pattern Recognition Letters, 2004, 25(2):267-276.

  [6] PHILLIPS P J. Support vector machines applied to face recognition[J]. Advances in Neural Information Processing Systems, 2001, 11(7):803-809.

 ?。?] JONSSON B K, MATAS J K J, LI Y. Learning support vector vectors for face verification and recognition[C]. IEEE International Conference on Automatic Face and Gesture Recognition, 2000.

  [8] KIRBY M, SIROVICH L. Application of the karhunenloeve procedure for the characterization of human faces[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1990, 12(1):103-108.

 ?。?] TURK M, PENTLAND A. Eigenfaces for recognition[J]. Journal of Cognitive Neuroscience, 1991, 3(1):71-86.

 ?。?0] 王威. 基于ARM9硬件平臺的人臉識別系統設計與研究[D]. 成都:電子科技大學, 2013.

 ?。?1] 趙文琦. 基于ARM的嵌入式人臉識別系統研究實現[D]. 哈爾濱:哈爾濱工程大學, 2011.

 ?。?2] BOSER B E, GUYON I M, VAPNIK V N. A training algorithm for optimal margin classifiers[C]. Proceedings of the 5th Annual Workshop on Computational Learning Theory, 1992(7):144-152.

 ?。?3] BURGES C J C. A tutorial on support vector machines for pattern recognition[J]. Data Mining & Knowledge Discovery, 1998, 2(2):121-167.

 ?。?4] CHANG C C, LIN C J. LIBSVM: a library for support vector machines[J]. Acm Transactions on Intelligent Systems & Technology, 2011, 2(3):389-396.

  


此內容為AET網站原創,未經授權禁止轉載。
热re99久久精品国产66热_欧美小视频在线观看_日韩成人激情影院_庆余年2免费日韩剧观看大牛_91久久久久久国产精品_国产原创欧美精品_美女999久久久精品视频_欧美大成色www永久网站婷_国产色婷婷国产综合在线理论片a_国产精品电影在线观看_日韩精品视频在线观看网址_97在线观看免费_性欧美亚洲xxxx乳在线观看_久久精品美女视频网站_777国产偷窥盗摄精品视频_在线日韩第一页
  • <strike id="ygamy"></strike>
  • 
    
      • <del id="ygamy"></del>
        <tfoot id="ygamy"></tfoot>
          <strike id="ygamy"></strike>
          国内精品久久久久久久影视蜜臀| 国产酒店精品激情| 欧美sm极限捆绑bd| 欧美另类高清视频在线| 免费成人av资源网| 国产精品免费网站| 夜夜躁日日躁狠狠久久88av| 好吊日精品视频| 国内伊人久久久久久网站视频| 99re66热这里只有精品4| 国产精品国产三级欧美二区| 激情av一区二区| 欧美性大战久久久久久久| 在线观看视频一区| 亚洲欧美怡红院| 久久精视频免费在线久久完整在线看| 亚洲图片自拍偷拍| 欧美视频免费| 欧美超级免费视 在线| 欧美视频1区| 国产日韩在线播放| 国产精品国产三级国产aⅴ入口| 激情亚洲一区二区三区四区| 亚洲精品欧美精品| 一区二区三区四区在线| 国产精品扒开腿做爽爽爽视频| 欧美成人情趣视频| 国产亚洲欧美一区二区三区| 久久亚洲精品伦理| 久久国产精品高清| 亚洲人成网站777色婷婷| 亚洲欧美变态国产另类| 在线观看亚洲精品视频| 亚洲激情欧美激情| 欧美日韩一区不卡| 国产日韩精品视频一区| 欧美女同视频| 久久综合一区二区| 国产精品一区毛片| 久久国产精品亚洲77777| 亚洲一区二区三区在线看| 欧美电影在线| 亚洲免费观看高清完整版在线观看熊| 一区二区三区在线视频播放| 国产伦精品一区二区三区视频黑人| 久久精品99| 精品白丝av| 久久久国产精品一区| 亚洲自拍偷拍视频| 亚洲已满18点击进入久久| 欧美日韩亚洲一区二区三区在线观看| 欧美午夜精品久久久久久孕妇| 久久婷婷综合激情| 国产在线国偷精品产拍免费yy| 在线综合视频| 国产美女一区| 欧美一区国产在线| 国产一区二区精品久久99| 国产女主播视频一区二区| 国产真实乱子伦精品视频| 国产精品久久久久久久久动漫| 久久精品亚洲一区二区三区浴池| 久久精品国产亚洲一区二区| 亚洲色图在线视频| 欧美日本乱大交xxxxx| 欧美午夜精品理论片a级大开眼界| 亚洲国产小视频在线观看| 国产精品久久久久久久久果冻传媒| 欧美喷水视频| 国产精品免费观看视频| 亚洲综合清纯丝袜自拍| 欧美性事在线| 两个人的视频www国产精品| 国产欧美日韩综合一区在线播放| 欧美屁股在线| 亚洲免费一级电影| 久久精品2019中文字幕| 国产精品对白刺激久久久| 欧美一级大片在线免费观看| 在线免费观看一区二区三区| 免费成人在线观看视频| 合欧美一区二区三区| 亚洲精品日韩欧美| 欧美亚洲第一页| 欧美精品一区二区在线观看| 亚洲乱码精品一二三四区日韩在线| 欧美激情精品| 亚洲精品一区二区三区四区高清| 欧美成人高清视频| 欧美性一区二区| 亚洲网站在线看| 国产精品免费一区豆花| 亚洲欧美色一区| 国产亚洲激情视频在线| 国产精品午夜电影| 国产精品毛片| 国产欧美va欧美不卡在线| 亚洲视频久久| 欧美日韩大片一区二区三区| 国产精自产拍久久久久久蜜| 一本色道久久综合一区| 欧美日韩精品一区二区三区四区| 久久国产精品久久久久久电车| 国产午夜精品一区理论片飘花| 亚洲欧美日韩一区二区在线| 亚洲高清在线观看| 亚洲大片一区二区三区| 久久久噜噜噜久噜久久| 亚洲欧美成人一区二区三区| 香港成人在线视频| 久久久久国内| 欧美日韩国产在线一区| 久久久91精品国产一区二区三区| 亚洲欧洲一区二区三区久久| 国产精品一国产精品k频道56| 精品9999| 久久综合网hezyo| 欧美无乱码久久久免费午夜一区| 午夜日韩激情| 一区二区激情小说| 欧美色偷偷大香| 久久av资源网| 一区二区在线观看av| 久久香蕉国产线看观看av| 国产精品久久久久久久久| 国产精品白丝av嫩草影院| 国产精品视频精品| 久久国产精品亚洲77777| 久久久久久久成人| 伊伊综合在线| 欧美专区一区二区三区| 免费日韩一区二区| 欧美成人中文| 在线观看欧美成人| 亚洲久久一区二区| 黄色亚洲精品| 一区二区三区**美女毛片| 亚洲激情国产精品| 欧美久久精品午夜青青大伊人| 久久aⅴ国产欧美74aaa| 欧美精品免费播放| 国产精品成人久久久久| 国产精品v日韩精品v欧美精品网站| 亚洲视频久久| 亚洲高清久久网| 欧美日韩国产欧美日美国产精品| 久久午夜羞羞影院免费观看| 亚洲激情电影在线| 国产精品美女视频网站| 欧美日韩不卡在线| 亚洲精品综合久久中文字幕| 一区二区三区四区五区精品| 亚洲电影第1页| 亚洲日本免费| 国产欧美一区二区精品婷婷| 亚洲伊人久久综合| 亚洲欧美三级伦理| 性欧美超级视频| 亚洲国产成人tv| 久久久爽爽爽美女图片| 欧美日本韩国| 久久影视三级福利片| 亚洲日本中文字幕免费在线不卡| 美女视频网站黄色亚洲| 国产精品久久久一区二区| 欧美制服第一页| 欧美日韩视频在线一区二区观看视频| 美女黄毛**国产精品啪啪| 一个色综合导航| 久久嫩草精品久久久久| 一区二区在线观看视频| 国产精品激情偷乱一区二区∴| 久久国产精品一区二区三区| 久久久欧美精品| 欧美精品乱码久久久久久按摩| 亚洲视频在线观看三级| 亚洲综合视频一区| 久久婷婷av| 久久激情视频免费观看| 国产精品久久久久久久第一福利| 亚洲一区在线播放| 亚洲欧洲日本在线| 久久久久国产精品一区三寸| 99视频在线精品国自产拍免费观看| 欧美一级一区| 亚洲香蕉成视频在线观看| 亚洲国产精品福利| 农村妇女精品| 国产一区视频在线观看免费| 国内精品国产成人| 一区二区三区欧美日韩| 一区二区精品国产| 亚洲国产日韩美| 午夜欧美视频| 一区二区三区欧美成人| 国产精品久久久久久亚洲毛片| 亚洲国产成人tv| 欧美日韩免费观看一区二区三区| 国产在线一区二区三区四区| 国产日韩精品久久| 国产精品夜夜夜| 欧美黑人在线观看| 亚洲午夜视频在线| 欧美日韩黄色一区二区| 欧美午夜一区二区三区免费大片| 欧美日韩直播| 在线亚洲一区| 久久精品国产第一区二区三区最新章节| 久久国产欧美精品| 在线日韩一区二区| 一区二区三区|亚洲午夜| 先锋影音网一区二区| 一本久久综合亚洲鲁鲁五月天| 欧美精品日韩一本| 亚洲视频香蕉人妖| 欧美视频在线观看一区二区| 一区二区视频在线观看| 久久综合九色99| 国产精品免费观看在线| 一区二区三区精品| 亚洲欧美久久| 国产一区二区三区最好精华液| 欧美成人黑人xx视频免费观看| 欧美成人综合网站| 国产精品v欧美精品v日本精品动漫| 欧美福利视频在线观看| 一区二区三区免费在线观看| 亚洲一区视频在线观看视频| 国产精品久久久久9999| 欧美日韩专区在线| 欧美性淫爽ww久久久久无| 欧美体内she精视频在线观看| 亚洲欧美日韩综合一区| 黄色国产精品| 亚洲国产精品久久久| 久久久久久国产精品mv| 美女主播一区| 亚洲欧美激情四射在线日| 午夜欧美大片免费观看| 久久精品理论片| 亚洲一区二区精品在线观看| 国产亚洲精品久久久久动| 9国产精品视频| 欧美一级淫片播放口| 久久精品免费看| 亚洲精品亚洲人成人网| 亚洲精品精选| 亚洲制服丝袜在线| 欧美aaa级| 欧美日韩视频在线观看一区二区三区| 国产精品国产a级| 亚洲大片一区二区三区| 亚洲精品免费看| 欧美日本亚洲视频| 麻豆av一区二区三区| 久久黄金**| 亚洲激情一区二区三区| 尤物精品国产第一福利三区| 亚洲欧美日韩国产精品| 久久综合中文字幕| 一区二区欧美日韩视频| 洋洋av久久久久久久一区| 久久超碰97中文字幕| 欧美一区二区视频观看视频| 一区二区亚洲精品| 午夜精品国产精品大乳美女| 国产欧美1区2区3区| 国产欧美日韩综合| 亚洲深夜福利网站| 性做久久久久久久久| 午夜日韩电影| 欧美伦理一区二区| 亚洲人成在线播放网站岛国| 一本色道久久88综合亚洲精品ⅰ| 一区二区三区三区在线| 亚洲国产高清高潮精品美女| 国产一区二区三区免费观看| 国产一区在线免费观看| 国产一区二区三区四区三区四| 欧美精品色综合| 亚洲一区二区三区涩| 欧美精品福利在线| 亚洲国产裸拍裸体视频在线观看乱了| 亚洲国产视频a| 免费在线亚洲| 亚洲精品国产精品国产自| 亚洲精品综合久久中文字幕| 免费成人毛片| 中文欧美在线视频| 亚洲一区二区三区视频播放| 欧美日韩1080p| 欧美私人网站| 久久噜噜噜精品国产亚洲综合| 亚洲免费久久| 久久九九国产精品怡红院| 国产视频久久久久久久| 国产一区二区三区精品久久久| 亚洲黄色av一区| 欧美日韩一区在线视频| 亚洲午夜影视影院在线观看| 欧美福利视频一区| 欧美国产日韩免费| 国产精品久久久久久久久免费| 欧美国产极速在线| 日韩一级裸体免费视频| 亚洲高清视频一区二区| 亚洲网站啪啪| 久久一区二区视频| 韩国成人福利片在线播放| 欧美精品日韩精品| 亚洲国产欧美在线| 欧美理论电影在线播放| 国产精品网站在线播放| 国产一区深夜福利| 免费久久久一本精品久久区| 亚洲女与黑人做爰| 国产精品一级久久久| 国产精品一区二区a| 国模私拍一区二区三区| 一区二区在线看| 久久一区视频| 国产精品成人免费精品自在线观看| 欧美日韩在线第一页| 国产美女扒开尿口久久久| 国产精品久久久一区二区| 亚洲激情在线观看| 欧美色图天堂网| 欧美绝品在线观看成人午夜影视|