本文關(guān)鍵詞：人臉識(shí)別算法及其在QT平臺(tái)上的實(shí)現(xiàn)

  更多相關(guān)文章： 人臉識(shí)別 人臉分割 PCA SVM OpenMP Exynos4412

【摘要】：如今生物學(xué)、機(jī)器學(xué)習(xí)等研究領(lǐng)域中都涉及到人臉識(shí)別,將人臉的生理特征與計(jì)算機(jī)相結(jié)合在人機(jī)交互場(chǎng)合有著重要的意義�，F(xiàn)在的很多人臉識(shí)別算法效率通常依賴于運(yùn)行平臺(tái)的計(jì)算能力,并且實(shí)時(shí)性較差。以人臉識(shí)別的效率為主線,本文對(duì)人臉識(shí)別過程中的一些步驟的算法進(jìn)行一些優(yōu)化和改進(jìn)。在人臉識(shí)別過程中人臉的特征提取是人臉識(shí)別的重要環(huán)節(jié),高效的對(duì)人臉識(shí)別分類關(guān)鍵在于能否提取到精準(zhǔn)表征人臉的特征,但是在特征提取過程中樣本圖片維數(shù)往往一般很高,難以對(duì)人臉圖片特征進(jìn)行高效的提取,比如圖像矩陣為112×92,那么協(xié)方差矩陣就是10304 × 10304,這會(huì)導(dǎo)致程序運(yùn)行時(shí)間過長。本文針對(duì)這個(gè)問題使用了一種圖像矩陣分割方法,即將雙耳以及臉部(除五官部分)剔除,最終人臉圖像分割成六部分,這6部分包含的人臉特征最為明顯,區(qū)別度最大。將分割后得到的6個(gè)矩陣交由改進(jìn)的PCA算法進(jìn)行特征提取,最后融合SVM進(jìn)行特征的分類和識(shí)別。經(jīng)實(shí)驗(yàn)證明本文使用的算法只用人臉樣本的65%的關(guān)鍵數(shù)據(jù)同樣可以得到較高的識(shí)別精確率,并且因?yàn)槟繕?biāo)矩陣相對(duì)較小所以整個(gè)識(shí)別過程的完成速度也比傳統(tǒng)PCA+SVM方法要快。最后,實(shí)現(xiàn)了基于人臉分割的PCA與SVM融合的人臉識(shí)別算法的便攜式人臉識(shí)別設(shè)備。便攜式人臉識(shí)別系統(tǒng)基于Linux及三星的Exynos4412硬件平臺(tái),并使用OpenMP進(jìn)行多線程優(yōu)化,實(shí)現(xiàn)了毫秒級(jí)的識(shí)別速度,進(jìn)一步驗(yàn)證了本文提出的算法在識(shí)別效率上的優(yōu)勢(shì)。
【關(guān)鍵詞】：人臉識(shí)別 人臉分割 PCA SVM OpenMP Exynos4412
【學(xué)位授予單位】：北方工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 摘要3-4
• ABSTRACT4-8
• 第一章 緒論8-12
• 1.1 課題背景及研究意義8
• 1.2 國內(nèi)外研究現(xiàn)狀8-9
• 1.3 論文的主要研究內(nèi)容9-10
• 1.4 論文所做工作與結(jié)構(gòu)安排10-12
• 第二章 人臉識(shí)別算法框架及原型設(shè)計(jì)總述12-22
• 2.1 人臉識(shí)別算法通用框架12-13
• 2.2 本文識(shí)別算法框架13-18
• 2.2.1 人臉檢測(cè)13-14
• 2.2.2 預(yù)處理14-16
• 2.2.3 特征提取16
• 2.2.4 人臉識(shí)別16-17
• 2.2.5 人臉識(shí)別算法總體框架17-18
• 2.3 基于本文算法的人臉識(shí)別原型系統(tǒng)軟硬件框架18-21
• 2.3.1 硬件平臺(tái)18-19
• 2.3.2 人臉識(shí)別系統(tǒng)軟件平臺(tái)19-21
• 2.4 本章小結(jié)21-22
• 第三章 人臉檢測(cè)和人臉圖像預(yù)處理22-29
• 3.1 人臉檢測(cè)22-25
• 3.1.1 Adaboost分類器22-25
• 3.2 圖像預(yù)處理25-28
• 3.2.1 光線補(bǔ)償25-26
• 3.2.2 人臉圖像灰度化處理26
• 3.2.3 去除人臉圖像中的噪聲26-27
• 3.2.4 均衡直方圖27
• 3.2.5 人臉圖像對(duì)比度增強(qiáng)27-28
• 3.3 本章小結(jié)28-29
• 第四章 特征提取和特征分類29-36
• 4.1 特征提取29-33
• 4.1.1 新分割方法的優(yōu)勢(shì)29-30
• 4.1.2 人臉局部特征定位30-31
• 4.1.3 人臉分割算法的有效性(理論依據(jù))31-32
• 4.1.4 對(duì)分割后的特征使用改進(jìn)后的PCA方法進(jìn)行特征提取(提取主要特征)32-33
• 4.2 特征分類和識(shí)別33-35
• 4.2.1 SVM分類算法33-34
• 4.2.2 SVM分類識(shí)別結(jié)果34-35
• 4.3 本章小結(jié)35-36
• 第五章 人臉識(shí)別算法的軟件原型設(shè)計(jì)36-43
• 5.1 PC平臺(tái)人臉識(shí)別原型系統(tǒng)設(shè)計(jì)36-39
• 5.1.1 人臉識(shí)別PC機(jī)原型系統(tǒng)功能特點(diǎn)36-37
• 5.1.2 人臉識(shí)別PC機(jī)原型系統(tǒng)軟硬件框架37-39
• 5.2 便攜式人臉識(shí)別系統(tǒng)設(shè)計(jì)39-42
• 5.2.1 便攜式人臉識(shí)別系統(tǒng)功能特點(diǎn)39-40
• 5.2.2 便攜式人臉識(shí)別系統(tǒng)軟硬件框架40-42
• 5.3 本章小結(jié)42-43
• 第六章 系統(tǒng)測(cè)試與功能驗(yàn)證43-49
• 6.1 本文人臉識(shí)別算法識(shí)別率及識(shí)別效率驗(yàn)證43-44
• 6.2 PC機(jī)人臉識(shí)別原型系統(tǒng)功能驗(yàn)證44-46
• 6.3 便攜式人臉識(shí)別系統(tǒng)功能驗(yàn)證46-48
• 6.4 本章小結(jié)48-49
• 第七章 結(jié)論與展望49-50
• 7.1 主要結(jié)論49
• 7.2 研究展望49-50
• 參考文獻(xiàn)50-53
• 在學(xué)期間的研究成果53-54
• 致謝54

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 王李冬;;一種新的人臉識(shí)別算法[J];計(jì)算機(jī)技術(shù)與發(fā)展;2009年05期

2 桂榮;沈榮鑫;詹泳;;基于模糊神經(jīng)推理的人臉識(shí)別算法研究[J];華南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年04期

3 蘇士美;王燕;王明霞;;基于加權(quán)小波分解的人臉識(shí)別算法研究[J];鄭州大學(xué)學(xué)報(bào)(工學(xué)版);2014年01期

4 魏冬梅;周衛(wèi)東;;采用壓縮感知的人臉識(shí)別算法[J];計(jì)算機(jī)工程;2011年18期

5 陳皓;霍星;;視頻監(jiān)控中人臉識(shí)別算法穩(wěn)定性的改進(jìn)[J];工程圖學(xué)學(xué)報(bào);2011年06期

6 李美瑾;;人臉識(shí)別算法綜述與遠(yuǎn)程考試系統(tǒng)應(yīng)用研究[J];廣西廣播電視大學(xué)學(xué)報(bào);2012年01期

7 盛朝強(qiáng);王君;;煤礦井下人員簽到系統(tǒng)人臉識(shí)別算法研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2012年07期

8 朱學(xué)毅;王崇駿;周新民;張W，

本文編號(hào)：870877