基于LBP和ELM的人脸识别算法研究与实现

针对传统的局部二值模式(LBP)在人脸图像特征提取时容易受到灰度和噪声影响的问题,在传统LBP基础上提出一种改进的LBP算法.该算法计算邻域各像素与中心像素差值的平方和C,若C在限定范围内,选取中心像素值为阈值计算LBP值,充分考虑中心像素值与邻域像素值的作用,更准确描述局部图像特征;反之,若C不在限定范围内,则选择邻域像素和中心像素的中值作为阈值进行计算,降低噪声点的影响.利用主成分分析法(PCA)降低LBP提取的人脸图像特征维数.为了解决普通极限学习机(ELM)的不足,引入加权共轭核极限学习机(WCGKELM)进行人脸图像特征的分类.经实验验证,该算法能有效提高人脸识别率.     

基于Tiny-YOLOv3的网络结构化压缩与加速

针对特定应用场景下，Tiny-YOLOv3(You Only Look Once v3)网络在嵌入式平台部署时存在资源开销大、运行速度慢的问题，文中提出了一种结合剪枝与量化的结构化压缩方案，并搭建了针对压缩后网络的卷积层加速系统。结构化压缩方案使用稀疏化训练与通道剪枝来减少网络中的计算量，使用激活值定点数量化和权重二的整数次幂量化来减少网络卷积层中的参数存储量。在卷积层加速系统中，可编程逻辑部分按照并行加流水线方法设计了一个卷积层加速器核，处理系统部分负责卷积层加速系统调度。实验结果表明，Tiny-YOLOv3经过结构化压缩后的网络平均准确度为0.46,参数压缩率达到了5%。卷积层加速系统在Xilinx的ZYNQ芯片进行部署时，硬件可以稳定运行在250 MHz时钟频率下，卷积运算单元的算力为36 GOPS。此外，加速平台整体功耗为2.6 W,且硬件设计节约了硬件资源。