基于ARM实现人脸检测算法关键技术研究

本文在基于ARM嵌入式硬件开发平台和Linux操作系统的基础上,深入研究了在嵌入式环境中实现人脸检测的关键技术,并在该环境下实现了基于肤色的人脸检测算法.实验结果表明,嵌入式环境下人脸检测系统与PC平台下的系统具有相同的检测结果.     

基于轻量级网络的人脸检测及嵌入式实现

尽管基于卷积神经网络(CNN)的人脸检测器在精度上已经有了很大提升,但所需的计算量和模型复杂度越来越高,如何在计算能力有限的嵌入式设备上应用人脸检测模型是一个很大的挑战.针对320×240分辨率输入图像的人脸检测在嵌入式系统上的应用问题,提出了一种基于轻量级网络的低分辨率人脸检测算法.该算法使用注意力机制、结合了Dis...     

基于嵌入式Linux的便携式自动人脸检测与跟踪系统的应用研究

随着嵌入式微处理器、嵌入式Linux操作系统以及数字图像处理技术的深入发展,自动人脸检测和识别技术在具有嵌入式Linux操作的嵌入式开发平台中得到了发展和实现。本文在基于IntelPXA270嵌入式硬件开发平台和嵌入式Qt和开源计算机视觉库OpenCV软件开发平台基础上,对基于嵌入式Linux的便携式自动人脸检测和跟踪系统的应用进行了研究。     

基于云计算的嵌入式人脸识别系统建构与研究

针对嵌入式系统运算、存储资源有限等缺陷,采用先进的FaceCore人脸检测开放平台构建一套基于云计算的嵌入式人脸图像处理系统;通过在高性能嵌入式平台接入图像采集设备采集图像信息,然后将复杂的图像处理、检测、识别等算法转移到云平台进行,实现人脸特征值检测、人脸特征点检测、人脸相似度检测、人脸匹配等功能,减少了嵌入式系统的本地运算负担,降低了嵌入式人脸检测、识别系统的软硬件成本;最后通过对多个不同年龄、性别的人进行人脸检测识别、人脸和嘴的位置检测以及图像中人脸个数检测,分别得到检测时间的平均值;实验结果验证了构建基于云计算的嵌入式人脸识别实时系统的可行性,系统的稳定性、可靠性,并且与以前直接在本地进行计算做比较,具有较高的实时性,为未来嵌入式系统进行实时的图像处理提供了一种更有效的解决方案。     

适用于嵌入式平台的E-YOLO人脸检测网络研究

针对现有人脸检测深度学习算法计算量大,难以移植到嵌入式平台,无法满足移动设备实时性和便捷性需求的问题,提出一种基于YOLO(You Only Look Once)算法的适用于嵌入式平台的小型人脸检测网络E-YOLO(Enhance-YOLO)。借鉴YOLO算法的思想,将人脸检测问题转换为回归问题,将待检测的图像均分为S×S个单元格,每个单元格检测落在单元格内的目标。通过修改YOLO网络模型中的卷积神经网络结构,提高其检测的准确性,同时减少网络结构中卷积核的数目,降低模型的大小。实验结果表明,E-YOLO模型大小为43MB,视频的检测帧率为26FPS,在WIDERFACE和FDDB数据集上均有较高的准确率和检测速度,可以实现在嵌入式平台下的实时人脸检测。     

基于Zynq的人脸检测设计

针对目前大多嵌入式人脸检测系统因资源限制而导致的软件方式实现速度较慢的问题,提出利用软硬件协同的方法来加速人脸检测。在Zynq-7000平台的基础上,使用C语言实现了基于AdaBoost级联分类器的人脸检测算法,并测试了各个模块的运行时间。结合算法实现的具体过程及其繁复程度给出了硬件加速方案。将检测算法计算量大而多的部分转移到硬件部分进行优化加速,在Zynq-7000平台上实现了软硬件协同的人脸检测,最后给出了相应模块的加速结果。     

利用Gabor特征与SVM分类器在嵌入式系统上实现人脸识别算法

随着信息处理技术的发展,人脸识别技术在嵌入式平台上的应用越来越广泛。本文描述了如何基于OpenCV视觉库在嵌入式平台利用Gabor特征和SVM分类器实现人脸识别系统,并讨论如何在嵌入式平台上优化算法。     

iOS平台下人脸识别系统实现研究

设计了一个基于苹果公司嵌入式操作系统iOS平台下的人脸识别系统。通过对基于Haar-like特征的AdaBoost人脸检测算法的研究,实现了实时人脸检测。提出了一种改进的基于隐马尔科夫模型的人脸识别方法,此方法采用奇异值压缩抽取人脸图像特征作为观察序列,减少了数据的存储量和计算量,解决了嵌入式系统中由于图像处理数据量大造成的低效。实验结果证明,该系统检测速度快,实时性强,识别率高,可以作为iOS平台上其他类型人脸识别应用软件开发的基础。     

利用 LBP 特征与神经网络在嵌入式系统上实现人脸识别算法*

随着信息处理技术的发展,人脸识别技术在嵌入式平台上的应用越来越广泛。描述如何基于 OpenCV 视觉库在嵌入式平台利用 LBP 特征和神经网络实现人脸识别系统,并讨论如何在嵌入式平台上优化算法。     

基于DM642的AdaBoost人脸检测算法优化与实现

本文首先介绍了Adaboost人脸检测算法的基本原理,指出了现有人脸检测算法多数都是基于PC机实现,没有具体应用于实际的嵌入式系统中。因此提出了基于TMS320DM642实现人脸检测算法,并阐述了算法性能优化的方案。优化后人脸检测算法满足了实时性要求,检测CIF图像速度达到36帧/秒,为实际应用奠定了基础。     

基于肤色检测的AdaBoost人脸检测算法改进

AdaBoost人脸检测算法用于嵌入式实时高清视频时检测速度缓慢.为此,提出一种改进的人脸检测算法.对图像做肤色检测,将检测到的区域进行形态学处理,并作为感兴趣区域,完成AdaBoost人脸检测,以得到检测结果.实验结果表明,该算法在嵌入式系统上运行稳定,能提高检测速度和检测正确率.     

基于ZYNQ的优化Adaboost人脸检测

针对目前大多数嵌入式人脸检测系统实时性差的问题,通过优化的人脸检测算法和软硬件协同处理方式达到加速人脸检测的目的。基于ZYNQ SoC架构下,利用YCbCr肤色空间算法在FPGA部分加速提取肤色区域,利用优化的Adaboost算法与Phash算法在双核ARM中完成人脸检测与追踪,输出检测到的人脸。实验表明,提出的优化人脸检测算法相比传统的Adaboost人脸检测算法更具实时性,并且通过合理的软硬件协同处理也可以加快人脸检测速率,同时减少系统硬件资源消耗量从而降低成本。     

基于几何特征与新Haar特征的人脸检测算法

针对普通Adaboost算法训练时间长,对复杂背景下(暗光、多角度、多姿态等)人脸检测识别率较低的问题,提出了一种改进的结合肤色检测及几何特征的Adaboost算法.采用肤色粗检筛选出候选人脸区域,同时采用新的非对称的Haar特征来训练分类器,进一步加强检测性能,提升鲁棒性和复杂背景下的宽容度实验将此算法应用到一个嵌入式系统中,结果表明:在各种复杂背景下的人脸检测中鲁棒性和宽容度均提升很多,误识率进一步降低,并且在嵌入式人脸检测的系统中具有很好的可移植性和实用性.     

基于DM6446达芬奇平台的人脸识别系统

文章提出了一种基于Vclip的优化碰撞检测算法,利用Vclip算法对AABB包围盒进行底层碰撞检测计算,用GPU的遮挡查询等特性进行三角形相交测试,以提高对虚拟物体进行碰撞检测的精确性与实时性。算法已成功应用于课题组自行研制的六自由度小型工业机器人的仿真控制系统中,实验结果表明,其算法具有高效、精确、实时性高等特点,能使控制系统对工业机器人的控制更为流畅。     

基于DSP的人脸识别算法实现与优化

为了在嵌入式系统中实现实时视频图像人脸识别,提出了基于TI系列TMS320DM642的快速人脸检测系统设计方案,包括系统软件和硬件优化方案。首先选择实用有效特征,简要介绍人脸检测和人脸识别算法的基本原理,针对该算法实现原理详细阐述硬件系统设计方案,介绍各单元结构和原理。最后,在设计的硬件系统上进行算法移植,详细介绍了系统的优化方案,实现了嵌入式快速人脸识别系统的研制。通过分析测试结果,系统可靠运行,优化后系统运行速度提高,能够实现实时视频图片人脸识别。