一、用DSP实现实时人脸检测（论文文献综述）
王欣[1]（2020）在《基于机器视觉的驾驶员危险驾驶检测系统的研究与设计》文中研究说明近年来,汽车数量的急剧增长使得交通事故的发生频率越来越高,给人民生命安全和社会经济发展造成了很大威胁。相关研究表明,驾驶员因素在交通事故发生的起因中占据主导地位,因此对驾驶员危险驾驶行为检测的相关技术进行研究具有重大的科研意义。本课题的主要目标是设计出一个监控驾驶员危险驾驶行为并实时预警的检测系统。论文在分析了国内外危险驾驶检测技术发展现状的基础上,研究并设计了一个基于机器视觉的危险驾驶行为检测系统。首先简要阐述了系统中涉及的相关理论和关键技术,分析了几种常用人脸检测算法的基本概念和优缺点,重点研究了基于Ada Boost的人脸检测算法,从Haar特征的提取和Ada Boost分类器的设计两方面对该人脸检测算法的工作原理进行了设计与研究。针对利用神经网络实现分心驾驶识别的问题,根据卷积神经网络实现图像识别的原理,设计了基于Alex Net网络模型的分心驾驶识别方法。针对人眼这一最能反映疲劳程度的特征,分析了人眼定位和跟踪的相关算法,研究并设计了将Hough变换和灰度投影相结合的算法来实现驾驶员眼睛的准确定位,对比试验表明该方法的定位准确率得到了提高。根据系统的功能和性能要求,设计了以DSP芯片TMS320C6748为核心处理器的硬件开发平台,并将系统分为图像采集、CPU处理、外部存储、电源、语音报警五大模块进行硬件设计,硬件设计主要从关键芯片选型和电路设计两方面实现。根据系统的软件设计目标,从疲劳驾驶检测和分心驾驶识别两方面进行了软件设计。针对疲劳驾驶检测的软件实现流程,研究并设计了以图像预处理、人脸检测、人眼定位与跟踪以及疲劳驾驶判定四个步骤为基础的检测方法,着重研究了眼睛状态判断的实现算法,利用MATLAB和Open CV函数库对相关算法进行仿真,验证了软件实现流程的可行性。针对分心驾驶识别的软件实现问题,根据Alex Net神经网络的运行原理,设计了使用大量图像数据对网络进行迁移训练以识别样本图像中分心驾驶行为的方法,并在实验过程中对网络进行了优化。最后,在综合了硬件和软件设计的基础上搭建了基于DSP的危险驾驶检测系统,并在DSP/BIOS操作系统中实现了软件程序的编写。针对系统的性能要求设计了实验,实验结果表明本系统在正常环境下对于驾驶员的危险驾驶行为检测准确率达到82%左右,且系统运行时具有良好的实时性。
范波[2]（2019）在《人脸识别系统在多核嵌入式平台上的研究与实现》文中进行了进一步梳理随着智能社会的发展,人脸识别以非强制性、普遍性和非接触性等优点得到广泛的关注。广义的人脸识别通常是指人脸检测和人脸身份识别,其中人脸检测是指从一张大图像中准确的找到人脸的位置,人脸身份识别则是指对检测所得的人脸头像进行身份判定。本文设计了一套适用于多核嵌入式平台的人脸识别系统,并将人脸检测和识别分别部署在两块开发板上进行了验证,然后通过网线连接两块开发板,采用Socket方式进行数据传输,构成一个完整的人脸识别系统。在人脸检测部分,本文采用NPD（Normalized Pixel Difference）算法从一张大的图像帧中获取人脸头像,然后采用LBP（Local Binary Pattern）算法对相连图像帧中同一个人的人脸头像进行去重处理,继而再使用VJ（Viola-Jones）算法对NPD的误检图片进行过滤。本文对检测流程进行了仿真实验,最后将其部署在DM8168平台上。为了充分利用平台多核的计算资源,本文使用DVRRDK框架对整个检测流程的计算量进行分散处理,其中NPD算法运行在DSP（Digital Signal Processor）核,LBP和VJ算法运行在ARM核,最终使得各个算法能够实时的完成任务交互。在人脸识别部分,本文为了提高识别的准确率,首先用MTCNN（Multi-task Cascaded Convolutional Networks）算法对人脸图像做了仿射变换和裁剪预处理,然后再用卷积神经网络对人脸身份进行判定。针对嵌入式平台计算能力较弱的问题,本文设计了一个浅层的网络用于身份识别,该网络只有84.6M次乘累加运算,训练所得模型的准确率为95.77%。本文首先将人脸识别部分部署在了AM5728平台的ARM核上,并且针对神经网络的前向传播给出了两种多核优化的方法。第一种方法是通过OpenCL的方式将运算量分摊到DSP核,在保持模型精度不变的情况下运算时间能够缩短54.7%。第二种方法是通过稀疏化和量化降低网络模型本身的复杂度,在精度略微下降的情况下运算速度能够提升6.3倍。
刘翠[3]（2017）在《基于多摄像头的人脸识别系统设计与实现》文中指出视频监控作为一种普遍的安防手段,在打击犯罪和维护社会稳定方面起到了巨大的作用。随着科技文明的进步,智能化的视频监控越来越受到人们的重视。加入人脸识别技术的视频监控能自动识别场景中的目标人物,完成特定事件的处理,具有广阔的应用前景。本文针对大空间中,单一视频监控人脸获取及识别效率低的问题,设计并实现了一个基于多摄像头的视频监控人脸识别系统,系统包含人脸检测、跟踪、优选以及识别等功能。经测试,系统在实验室场景下取得了较好的识别效果,通过多摄像头进行人脸检测也有效地提高了适于识别的人脸的检测效率,具有较高的应用价值。本文的主要工作如下:1.提出了基于多摄像头人脸识别系统的架构和总体方案。构建了一个由多个连接摄像头的监控计算机和一个用于人脸识别计算的后台计算机组成的分布式人脸识别系统。每个监控计算机都对摄像头所获取的视频中的人脸进行检测与跟踪,并将姿态相对最佳的人脸通过网络传送给后台计算机,后台计算机则负责集中进行人脸识别。2.实现了人脸检测功能。采用加入肤色预选的Adaboost人脸检测方法进行多人脸检测。该方法首先采用HSV色彩空间下的阈值模型分割肤色,然后对筛选出的感兴趣区域使用Adaboost进行人脸检测,有效地解决了复杂背景下人脸误检率较高的问题。3.实现了人脸跟踪功能。采用改进的CamShift算法进行监控区域的多人脸跟踪,并通过图像边缘背景差分的方法实时监测人员进出情况。4.实现了人脸姿态优选功能。由于监控下的人脸姿态是随时变化的,为了减小姿态变化对后续人脸识别的影响,采用一种简单的不严格姿态估计方法来优选人脸。通过判断人脸旋转程度,为每个人优选出一张姿态相对最佳的人脸图像。5.将改进的卷积神经网络用于人脸识别。为解决实际场景下,受光照和表情等不确定性因素影响导致的人脸识别率不高的问题,本文充分利用深度学习自动提取鲁棒性特征的优点,提出了一个简单又高效的卷积神经网络用于人脸识别。该网络第一个卷积层中的卷积核用一系列模拟视觉皮层特性的二维Gabor滤波器替代,同时部分池化层与卷积层之间采用随机部分连接方式。在ORL、Yale、AR以及自制人脸库上的实验表明,本文改进的卷积神经网络在人脸识别任务上取得了比较理想的效果,要优于其他经典人脸识别算法。
黄柳柳[4]（2016）在《基于Davinci平台的人脸识别门禁系统设计》文中研究表明随着科技发展的日新月异,智能安防系统在社会的各个领域都得到了广泛应用。而门禁系统作为其中的重要形式之一,也日益受到人们的关注。传统的诸如密码式、卡片式门禁系统在便捷性、人性化以及安全性等方面都存在不足。目前,随着嵌入式技术以及生物识别技术的不断发展,结合两者的门禁系统技术已经成为热门研究方向。本文设计了一款基于Davinci平台的人脸识别门禁系统。本文首先介绍了门禁系统的总体设计结构,同时对应用到的相关技术进行了研究。详细阐述了Davinci平台的硬件构成以及相关的功能实现。并对其核心芯片DM6446（ARM+DSP）的软件架构以及算法封装方法进行了深入研究。其次,对基于AdaBoost的人脸检测算法进行了深入探讨,同时将该方法应用于本系统中。相关实验表明,该算法能较好地适应Davinci平台,且能达到较快的检测速度以及较高的检测率。本文对人脸图像预处理的常用方法进行了研究分析,并采用加权平均法对检测到的人脸图像进行灰度化处理,之后采用AdaBoost方法对灰度图像进行人眼定位,由此可得到人眼的精确位置。根据人眼中心点的坐标位置,对图像进行旋转、裁剪和缩放等处理,并利用直方图均衡化和中值滤波方法对缩放后的图像采取进一步的处理。实验表明,经过预处理后可以得到去除噪声干扰的标准化人脸图像。然后,本文对人脸识别算法进行了深入的研究与分析,在深入研究了LRC算法的基础上对之进行了改进。在样本训练阶段,对标准化后的注册用户人脸图像集采用奇异值分解法,解决了样本间的自相关问题。实验表明,相比于传统的LRC算法,改进后算法的识别率得到了显着提升。最后,实现了QT在Ubuntu系统上的安装以及在Davinci平台上的移植。实现了Davinci平台上DM6446与F28027的I2C通信,并将QT环境下开发的程序运行在平台上实现了实时通信。在QT编程环境中编写门禁系统程序,并且运行到Davinvci平台上,实现了视频采集、视频实时显示、用户注册、访客识别、F28027输出频率控制以及实时返回运行结果等功能。
宋智明[5]（2015）在《模块化实时人脸检测系统的设计》文中指出人脸检测技术经过30多年的发展,在算法上已经取得了许多成果。伴随着算法的进步和人脸检测应用范围的扩大,面向各种应用的人脸检测系统架构也随之出现。然而纵观这些系统架构,它们几乎都是一体化、专用化、核心处理单元高性能和高价格化,这无疑限制了人脸检测技术和相应产品的发展。模块化作为一种有效的系统设计思想,已经成功的让PC机进入了几乎全球的每一个家庭,并正在推动着机器人设计领域进入一场新的革命。人脸检测作为机器人视觉系统的一个重要组成部分,其模块化的设计不仅有助于机器人模块化设计的发展,而且能够推动人脸检测系统架构摆脱上述缺点,并获得新的发展。鉴于以上原因,本文从模块化设计角度出发,设计了一个具备模块化特点的人脸检测系统,并将整个系统分为两个模块：第一个模块——模块化人脸检测辅助装置和第二个模块——目标系统,并围绕这两个模块做了以下工作：（1）选择USB总线作为模块化设计的标准接口,让所设计的两个模块可以通过USB接口组合实现人脸检测。并选择USB接口芯片Cy7c68013A实现USB通信协议。（2）根据整个系统分为两个模块,并且第一个模块的核心处理单元为FPGA,而第二个模块的核心处理单元为通用CPU,提出采用分层的、由粗到精、由局部到整体的多种算法融合的人脸检测方法。先在FPGA中实现容易并行操作和计算公式相对简单的第一层人脸检测算法——基于肤色和人眼灰度变化的人脸检测,用来快速确定输入图像中是否有人脸和人脸的位置。然后基于第一层算法的检测结果,在通用CPU中实现计算公式相对复杂,检测精确度更好的第二层人脸检测算法——基于主成分分析（PCA）和支持向量机（SVM）的人脸检测,以进一步确定第一层算法的检测结果。（3）依据USB协议对功能设备和主设备的划分,结合FPGA在数字接口设计和并行处理能力上的优势,将以FPGA为核心处理单元的第一个模块视作USB功能设备,在FPGA上实现CMOS数字图像采集、SDRAM图像帧缓存、与USB接口芯片的通信和（2）中所述的第一层人脸检测,从而使得第一个模块成为一个具备USB即插即用特点的人脸检测辅助装置。此外,考虑开发周期,在通用PC上实现了第二模块,并以它作为USB主设备,完成了Cy7c68013A的通用驱动程序的配置和应用程序的开发。其中应用程序主要是读取第一个模块通过USB接口芯片上传的图像数据、人脸确认信号和人脸坐标信号,并根据人脸确认信号判断是否进一步执行（2）中所述第二层人脸检测。（4）测试了整个人脸检测系统。结果表明,该系统能够实时的检测到人脸。因此该系统是一个具备了模块化通用性、灵活性和鲁棒性的人脸检测系统。
孔博[6]（2015）在《基于DSP的多姿态人脸检测算法研究与实现》文中认为人脸检测是指确定人脸的位置和大小并对检测的人脸进行图像处理的过程。它是人脸自动分析处理系统的首要步骤,其速度和准确度直接影响着系统的整体性能,因此在人脸信息处理、机器视觉和模式识别研究领域中是一个重要的研究课题。随着社会的发展,人们对人脸检测技术的要求越来越高,能够在姿态多样、光照条件变化、图像背景复杂的情况下实现高性能的人脸检测成为研究的方向。本文首先介绍了人脸检测技术研究背景和意义,归纳和分析了目前常用的一些人脸检测算法。在广泛调研国内关于人脸检测的算法后。首先利用在YCbCr颜色空间对人脸肤色的聚类性,采用肤色分割法完成人脸候选区的检测,初步确定候选人脸区域。针对采用肤色检测法造成误检率较高的问题,本文采用改进的算法进行人脸检测。针对AdaBoost算法具有检测人脸正面效果较好的特点,为了能够利用两种算法各自优点,最后将肤色分割和AdaBoost算法的两种人脸检测方法相结合,即首先通过肤色模型对待检测图像进行初检,分割出图像中的人脸区域和类肤色区域,再将其作为AdaBoost级联分类器的输入图像,进一步用AdaBoost检测分类去除候选区域中包括的非人脸区域,实现准确人脸检测定位。这样既利用肤色信息可以加快检测的速度,又可以优化检测效果,提高了检测效率、降低误检率。本文先在MATLAB软件平台上完成了对改进算法的研究和仿真测试,经过检验测试该算法的性能有了较好的提高,能够满足实验需求。之后,将该算法移植到DSP硬件平台上进行仿真实现,本文采用的硬件平台为ICETEK-DM6437-B评估模块,其中TMS320DM6437为硬件平台核心处理器,在CCS 3.3 DSP集成开发环境下编程实现系统功能,并利用其集成的实时操作系统DSP/BIOS进行了实时调试。对检测算法进行结合优化,最终实现人脸检测定位。经过检测实验结果表明,本文设计的人脸检测系统其人脸正确检测率可达90%以上,具有较好稳定性和很强的实用性,达到了基本的实时性要求,实现了预期目标。
李月芳[7]（2014）在《基于DM642的实时人脸检测系统的实现》文中研究说明人脸检测作为人脸分析的首要环节,在计算机视觉、模式识别、多媒体技术研究等领域中占有日益重要的地位。为了在嵌入式系统中实现人脸的实时检测,研究了基于TMS320DM642的人脸检测设计方案。提出了一种基于简化Gabor小波特征和层次型支持向量机的人脸检测算法,针对该算法与TMS320DM642的结合进行了系统设计和代码移植,阐述了算法性能的优化方案。优化后的检测算法满足了实时性要求,为实际应用奠定了基础。
王永军[8]（2014）在《基于遗传算法的人脸识别系统的设计与DSP实现》文中进行了进一步梳理人脸识别技术是最近几十年生物特征识别领域的研究热点,它融合了计算机图形学、数字图像处理、计算机视觉、模式识别和人工神经网络等多个学科的方法和理论。人脸识别技术在公共安全和军事安全领域有着十分广阔的应用前景。本文在查阅相关文献和对人脸识别系统深入研究的基础上,利用北京瑞泰创新公司的ICETEK-DM6437-B-KIT作为硬件开发平台,设计实现了基于遗传算法的人脸识别系统。系统包括对视频图像的光照补偿、特征提取、特征选择、分类识别等功能,并能将识别结果显示。本文主要完成的工作如下：（1）图像光照补偿。在实时视频采集系统中,光照强度对系统性能影响很大。本文通过实验对比分析了三种光照补偿算法,最后确定本文采用的光照补偿方法。（2）人脸检测与定位。本文在YCbCr颜色空间采用肤色检测方法对人脸肤色进行聚类分析,完成了人脸区域的检测,并通过人脸形状特征参数来排除脖子等非人脸区域。（3）人脸特征提取与选择。本文采用8×8分块LBP（Local Binary Patterns）算子提取人脸纹理特征,共提取出640维特征向量。采用遗传算法进行特征选择,并根据基本遗传算法的理论知识,提出了一种改进的遗传算法,主要改变了适应度函数、选择算子、交叉概率和变异概率等参数。实验结果表明,本文提出的改进遗传算法在全局收敛性、迭代时间和识别率上都优于基本遗传算法。（4）人脸分类识别。本文采用最近邻分类器和支持向量机（Support Vector Machine,SVM）分类器相结合的方法进行人脸分类识别。在处理前端用最近邻分类器进行粗分类,得到与测试样本距离最小的两类,再对这两类用SVM进行细分类。（5）在ICETEK-DM6437-B-KIT硬件平台上实现了系统的功能。通过在CCS（Code Composer Studio）中采用C语言编程,实现了视频人脸识别功能。通过测试,本文所设计的人脸识别系统识别率达到90%以上,具有较好稳定性和很强的实用性,为进一步研究人脸识别系统打下了很好的基础。
任超[9]（2014）在《基于Adaboost算法的人脸检测系统的DSP实现》文中认为人脸检测技术是进行脸部识别技术研究必不可少的部分,从上世纪90年代开始,仅仅十年的时间人脸检测技术就从崭露头角逐渐发展成为国内外的研究热点,尤其是在视频安全和安防监控等领域得到了广泛的发展。目前,已经形成了几种比较成熟的人脸检测算法,其中基于Adaboost学习算法训练得到的分类器检测效果最好。进入二十世纪以来,DSP芯片的算法处理性能和数据存储能力有了很大提高,使得数据结构复杂的人脸检测算法能够在嵌入式系统实现,本文在以TI公司的DM642芯片为核心的DSP开发板上实现视频序列中的人脸检测。本文首先研究了基于Adaboost人脸检测算法的训练,包括Haar特征选取和积分图方法,并选择MIT的人脸训练库用于分类器训练。然后根据Adaboost算法理论并结合Haar特征以及利用积分图计算矩形Haar特征的方法实现了用于人脸检测的分类器训练,包括弱分类器、强分类器以及最终用强分类器组合成的级联分类器的训练过程,并在VS2010环境下结合OpenCV开源机器视觉库应用训练好的级联分类器进行人脸检测,同时和OpenCV库中提供的分类器的人脸检测结果进行比较。本课题训练的人脸检测算法不论是对正面人脸还是倾斜或者旋转人脸都有很好的检测率,漏检率比OpenCV库中提供的用Adaboost算法训练的分类器低了一半,能达到4.3%,仅包含正面人脸的检测库甚至不存在漏检,但是误检率11.7%却高于OpenCV库中提供的分类器的5.3%检测率。然后在基于DM642的开发平台构建人脸检测系统。搭建了包括DM642-PCI开发板、摄像机和液晶显示器在内的硬件平台,同时在嵌入DSP/BIOS的CCS2.2软件中构建人脸检测软件系统。参考在PC上实现人脸检测功能的代码,根据DM642芯片特点编写程序并进行优化,包括浮点转定点,使用查表数据,内联函数、降低数组维数,以及使用DM642内置的EDMA功能等。经过软硬件系统联合调试,最终实现了人脸检测功能。对于大小为352×288的图像,处理一帧图像的平均时间为300ms,人脸检测算法运行的平均时间为200ms。
刘纪红,刘祚,李中帆[10]（2013）在《基于特征分析的人脸检测算法的DSP实现》文中研究指明由于监控视频中人脸影像的多角度性和多尺度性,实时视频中人脸的实时检测成为智能监控系统中的关键技术之一。算法首先根据MATLAB统计好的肤色模型确定候选肤色区域,然后依据人脸的形状特征排除非人脸区域,可以实现所有人脸的精确定位;同时采用区域增长的连通域方法来确定人脸候选块,代替了边缘检测等方法,减少了DSP的运算量。算法在ICETEK-DM6437-B评估板上实现。经过测试,该算法可以很好的满足实时人脸检测的要求。
二、用DSP实现实时人脸检测（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、用DSP实现实时人脸检测（论文提纲范文）
（1）基于机器视觉的驾驶员危险驾驶检测系统的研究与设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容 |
| 1.4 论文结构安排 |
| 2 相关理论及关键技术 |
| 2.1 人脸检测算法 |
| 2.2 基于AdaBoost的人脸检测算法 |
| 2.2.1 Haar-like特征的提取和计算 |
| 2.2.2 AdaBoost分类器的设计与实现 |
| 2.3 基于深度学习的图像识别算法 |
| 2.3.1 深度学习与卷积神经网络概述 |
| 2.3.2 利用卷积神经网络进行图像识别原理 |
| 2.4 人眼定位算法 |
| 2.4.1 人眼定位简介 |
| 2.4.2 人眼定位方法分析 |
| 2.5 人眼跟踪算法 |
| 2.5.1 人眼跟踪算法简介 |
| 2.5.2 基于Mean-shift的人眼目标跟踪算法 |
| 2.6 本章小结 |
| 3 危险驾驶检测系统的硬件设计和分析 |
| 3.1 系统的硬件总体架构 |
| 3.2 系统的硬件模块结构 |
| 3.2.1 图像采集模块 |
| 3.2.2 CPU处理模块 |
| 3.2.3 外部存储模块 |
| 3.2.4 电源模块 |
| 3.2.5 语音报警模块 |
| 3.3 本章小结 |
| 4 危险驾驶检测系统的软件设计和分析 |
| 4.1 危险驾驶检测系统的软件总体设计 |
| 4.1.1 系统的总体设计 |
| 4.1.2 系统的软件总体流程 |
| 4.2 基于视觉特征的疲劳驾驶检测 |
| 4.2.1 图像预处理 |
| 4.2.2 人脸检测流程 |
| 4.2.3 人眼定位流程 |
| 4.2.4 人眼跟踪流程 |
| 4.2.5 疲劳驾驶判定 |
| 4.3 基于深度学习的分心驾驶行为识别 |
| 4.3.1 CNN卷积神经网络的模型与结构 |
| 4.3.2 迁移学习实现卷积神经网络的训练 |
| 4.3.3 训练分心驾驶识别的卷积神经网络模型 |
| 4.4 本章小结 |
| 5 危险驾驶检测系统的实验研究 |
| 5.1 系统总体开发平台 |
| 5.2 系统软件开发 |
| 5.2.1 DSP/BIOS操作系统 |
| 5.2.2 系统软件架构 |
| 5.3 系统实验结果分析 |
| 5.3.1 疲劳驾驶检测结果分析 |
| 5.3.2 分心驾驶检测结果分析 |
| 5.3.3 系统实时性测试结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（2）人脸识别系统在多核嵌入式平台上的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外发展和现状 |
| 1.2.1 人脸检测发展和现状 |
| 1.2.2 人脸识别发展和现状 |
| 1.3 技术难点分析 |
| 1.4 嵌入式平台简介 |
| 1.5 章节安排 |
| 第二章 人脸检测与识别算法分析 |
| 2.1 人脸检测算法分析 |
| 2.1.1 人脸检测总体思路 |
| 2.1.2 人脸检测常用算法 |
| 2.1.3 人脸检测算法性能评估 |
| 2.2 人脸识别算法分析 |
| 2.2.1 传统人脸识别算法 |
| 2.2.2 基于深度学习的人脸识别算法 |
| 2.2.3 人脸识别算法性能评估 |
| 2.3 本章小结 |
| 第三章 人脸识别系统嵌入式实现 |
| 3.1 嵌入式平台的选用与搭建 |
| 3.1.1 DM8168 硬件框架介绍 |
| 3.1.2 AM5728 硬件框架介绍 |
| 3.2 人脸检测算法嵌入式实现 |
| 3.2.1 人脸检测流程设计及仿真 |
| 3.2.2 人脸检测算法多核实现 |
| 3.3 人脸识别算法嵌入式实现 |
| 3.3.1 人脸仿射变换与裁剪 |
| 3.3.2 神经网络训练与应用 |
| 3.4 系统整体性能评估 |
| 3.4.1 人脸检测模块性能 |
| 3.4.2 人脸识别模块性能 |
| 3.5 本章小结 |
| 第四章 人脸识别算法多核优化 |
| 4.1 神经网络运算量分摊 |
| 4.1.1 神经网络前向传播分析 |
| 4.1.2 基于OpenCL的运算转移 |
| 4.1.3 LINALG库的应用 |
| 4.2 神经网络模型优化 |
| 4.2.1 模型稀疏化 |
| 4.2.2 稀疏卷积 |
| 4.2.3 模型量化 |
| 4.2.4 TIDL库的应用 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 论文展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）基于多摄像头的人脸识别系统设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1. 引言 |
| 1.1 研究背景及意义 |
| 1.2 视频监控研究现状 |
| 1.3 人脸识别研究现状 |
| 1.4 人脸识别系统关键技术 |
| 1.5 本文主要研究内容与章节安排 |
| 2. 多摄像头人脸识别系统设计 |
| 2.1 系统架构 |
| 2.2 监控计算机与后台计算机的数据交换方法 |
| 2.3 本章小结 |
| 3. 监控计算机功能实现 |
| 3.1 视频采集功能实现 |
| 3.2 人脸检测功能实现 |
| 3.2.1 人脸检测方法介绍 |
| 3.2.2 人脸区域预选 |
| 3.2.3 Adaboost算法原理 |
| 3.2.4 加入肤色预选的Adaboost人脸检测 |
| 3.3 人脸跟踪功能实现 |
| 3.3.1 人脸跟踪方法介绍 |
| 3.3.2 Camshift算法原理 |
| 3.3.3 人脸跟踪的优化 |
| 3.4 姿态优选功能实现 |
| 3.4.1 人脸姿态估计 |
| 3.4.2 姿态优选 |
| 3.5 人脸库采集功能实现 |
| 3.6 本章小结 |
| 4. 后台计算机功能实现 |
| 4.1 人脸识别方法介绍 |
| 4.2 深度学习概述 |
| 4.2.1 浅层学习与深层学习 |
| 4.2.2 深度学习的特征提取 |
| 4.3 卷积神经网络 |
| 4.3.1 卷积神经网络结构 |
| 4.3.2 卷积神经网络训练方法 |
| 4.4 基于改进卷积神经网络的人脸识别 |
| 4.4.1 Gabor小波介绍 |
| 4.4.2 特征图层间随机部分连接 |
| 4.4.3 改进的卷积神经网络结构 |
| 4.4.4 改进的卷积神经网络训练与实验分析 |
| 4.5 本章小结 |
| 5. 多摄像头人脸识别系统测试 |
| 5.1 系统开发环境 |
| 5.2 系统界面 |
| 5.3 功能测试 |
| 5.3.1 人脸检测 |
| 5.3.2 人脸跟踪 |
| 5.3.3 姿态优选 |
| 5.3.4 人脸库采集 |
| 5.3.5 人脸识别 |
| 5.4 系统集成测试 |
| 5.5 本章小结 |
| 6. 总结与展望 |
| 6.1 本文主要工作 |
| 6.2 下一步工作思路 |
| 参考文献 |
| 致谢 |
| 在学期间公开发表论文及着作情况 |
（4）基于Davinci平台的人脸识别门禁系统设计（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 门禁系统的研究现状 |
| 1.2.2 人脸识别技术的研究现状 |
| 1.2.3 门禁系统硬件平台的研究现状 |
| 1.3 Davinci平台的概述 |
| 1.4 本文的主要工作 |
| 1.5 本文的组织结构 |
| 2 人脸识别门禁系统总体设计 |
| 2.1 系统设计分析 |
| 2.1.1 系统应用分析 |
| 2.1.2 系统设计目标 |
| 2.2 系统总体结构与技术难点 |
| 2.3 硬件系统 |
| 2.3.1 硬件设计方案 |
| 2.3.2 DM6446结构 |
| 2.3.3 图像采集与显示设备 |
| 2.3.4 执行设备 |
| 2.4 软件系统 |
| 2.4.1 DVEVM的软件架构 |
| 2.4.2 Codec Engine框架分析 |
| 2.4.3 算法封装 |
| 2.5 本章小结 |
| 3 人脸识别算法 |
| 3.1 人脸检测算法 |
| 3.1.1 基于特征的人脸检测方法 |
| 3.1.2 基于图像的人脸检测方法 |
| 3.1.3 基于AdaBoost的方法 |
| 3.2 人脸图像预处理 |
| 3.2.1 图像灰度化与标准化 |
| 3.2.2 图像直方图均衡化 |
| 3.2.3 图像滤波 |
| 3.3 人脸识别算法 |
| 3.3.1 人脸识别算法介绍 |
| 3.3.2 基于LRC方法的人脸识别 |
| 3.3.3 LRC算法的改进 |
| 3.4 本章小结 |
| 4 算法与系统的实现 |
| 4.1 算法层的实现 |
| 4.1.1 人脸检测算法实现 |
| 4.1.2 人脸预处理算法实现 |
| 4.1.3 人脸识别算法实现 |
| 4.2 控制层的移植与开发 |
| 4.2.1 QT的安装与qt-embedded的移植 |
| 4.2.2 DM6446与F28027的通信 |
| 4.2.3 通信的QT程序与界面 |
| 4.3 门禁系统程序设计与运行 |
| 4.3.1 门禁系统的QT程序与界面 |
| 4.3.2 门禁系统运行效果 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
（5）模块化实时人脸检测系统的设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景和意义 |
| 1.2 现有的人脸检测系统架构 |
| 1.3 本论文的主要创新点 |
| 1.4 本论文的主要工作和章节安排 |
| 2 模块化人脸检测辅助装置及人脸检测目标系统的设计 |
| 2.1 基于FPGA的模块化人脸检测辅助装置和可兼容的USB标准接口 |
| 2.2 系统的总体方案设计 |
| 2.2.1 硬件平台的设计 |
| 2.2.2 相关软件的设计 |
| 2.3 模块化人脸检测辅助装置和系统的工作流程 |
| 3 人脸检测算法研究和设计 |
| 3.1 人脸检测算法 |
| 3.1.1 人脸检测方法回顾 |
| 3.1.2 模块化人脸检测辅助装置和目标系统的人脸检测算法的选择 |
| 3.2 模块化人脸检测辅助装置中的第一层人脸检测算法 |
| 3.2.1 基于肤色的人脸检测算法 |
| 3.2.2 眼部灰度变化的人脸检测算法 |
| 3.3 第一层人脸检测算法的FPGA实现与验证 |
| 4 模块化人脸检测辅助装置与目标系统的通信 |
| 4.1 USB接口芯片Cy7C68013A的软硬件特点 |
| 4.2 USB接口芯片Cy7C68013A的硬件开发 |
| 4.2.1 模块化人脸检测辅助装置中的FPGA与Cy7C68013A的通信方式 |
| 4.2.2 Cy7C68013A的外围支持电路 |
| 4.3 USB接口芯片Cy7C68013A的软件开发 |
| 4.3.1 固件程序开发 |
| 4.3.2 驱动程序开发 |
| 4.3.3 应用程序开发 |
| 5 目标系统中的第二层人脸检测算法 |
| 5.1 主成分分析和支持向量机 |
| 5.1.1 主成分分析 |
| 5.1.2 支持向量机 |
| 5.2 基于主成分分析和支持向量机的人脸检测 |
| 5.2.1 第二层人脸检测流程 |
| 5.2.2 主成分分析特征提取和降维 |
| 5.2.3 训练支持向量机 |
| 5.2.4 支持向量机人脸检测 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（6）基于DSP的多姿态人脸检测算法研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 人脸检测技术研究现状 |
| 1.2.1 国内外研究现状 |
| 1.2.2 人脸检测技术方法 |
| 1.3 人脸检测系统的评价指标 |
| 1.4 本文的主要工作及架构 |
| 1.5 本章小结 |
| 第2章 相关理论介绍 |
| 2.1 形态学图像处理 |
| 2.1.1 基本形态学运算 |
| 2.1.2 开运算与闭运算 |
| 2.2 图像增强技术 |
| 2.2.1 白平衡实现光照补偿 |
| 2.2.2 参考白算法实现光照补偿 |
| 2.2.3 直方图均衡化 |
| 2.3 图像滤波处理 |
| 2.3.1 邻域滤波 |
| 2.3.2 中值滤波 |
| 2.4 颜色空间理论 |
| 2.4.1 颜色空间 |
| 2.4.2 RGB彩色空间 |
| 2.4.3 HSV颜色空间 |
| 2.4.4 YCbCr彩色空间 |
| 2.5 Adaboost算法理论 |
| 2.5.1 AdaBoost算法提出的背景 |
| 2.5.2 Adaboost方法原理 |
| 2.6 本章小结 |
| 第3章 基于肤色分割的人脸检测 |
| 3.1 人脸检测流程 |
| 3.2 肤色建模及图像预处理 |
| 3.2.1 肤色模型的建立 |
| 3.2.2 人脸图像的直方图均衡化处理 |
| 3.2.3 光照补偿处理 |
| 3.3 人脸检测实现过程 |
| 3.3.1 肤色提取 |
| 3.3.2 滤波去噪 |
| 3.3.3 肤色区域的形态学处理 |
| 3.3.4 人脸区域分割及筛选 |
| 3.3.5 人脸检测仿真结果 |
| 3.4 算法检测结果分析 |
| 3.5 本章小结 |
| 第4章 肤色与AdaBoost算法的人脸检测 |
| 4.1 肤色与AdaBoost算法结合的检测流程 |
| 4.1.1 训练部分 |
| 4.1.2 检测部分 |
| 4.2 Adaboost算法训练过程 |
| 4.2.1 选取样本 |
| 4.2.2 提取Haar-like特征 |
| 4.2.3 积分图计算Haar-like特征 |
| 4.2.4 弱分类器实现 |
| 4.2.5 强分类器实现 |
| 4.3 人脸检测过程实现 |
| 4.3.1 检测前肤色分割处理 |
| 4.3.2 具体检测定位 |
| 4.4 实验检测结果及分析 |
| 4.4.1 检测结果 |
| 4.4.2 检测结果分析 |
| 4.5 本章小结 |
| 第5章 人脸检测算法DM6437硬件实现 |
| 5.1 DSP系统硬件构成 |
| 5.1.1 ICETEK-DM6437-B评估板 |
| 5.1.2 DSP数字图像处理芯片 |
| 5.1.3 XDS560仿真器 |
| 5.1.4 DSP/BIOS系统配置 |
| 5.2 DSP图像处理系统软件开发环境 |
| 5.3 人脸检测算法的实现 |
| 5.3.1 人脸检测算法流程 |
| 5.3.2 图像预处理 |
| 5.3.3 人脸定位 |
| 5.4 测试结果与分析 |
| 5.4.1 系统测试环境 |
| 5.4.2 部分测试效果 |
| 5.4.3 系统测试结果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 后续展望 |
| 参考文献 |
| 致谢 |
（7）基于DM642的实时人脸检测系统的实现（论文提纲范文）
| 1 基于简化Gabor小波和层次型支持向量机的人脸检测算法 |
| 1.1 简化Gabor小波特征 |
| 1.2 基于简化Gabor小波特征的层次型支持向量机的人脸检测算法 |
| 2 基于TMS320DM642的人脸检测系统设计和实现 |
| 2.1 系统硬件构成 |
| 2.2 系统软件工具 |
| 2.3 系统代码移植 |
| 2.4 系统优化 |
| (1)浮点定点数转化 |
| (2)循环优化 |
| (3)使用内联函数 |
| (4)线性汇编优化 |
| 3 实验结果 |
| 4 结束语 |
（8）基于遗传算法的人脸识别系统的设计与DSP实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.1.1 人脸识别研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 人脸识别系统国内外研究现状及应用 |
| 1.2.1 国内外研究现状 |
| 1.2.2 人脸识别系统应用 |
| 1.3 人脸识别主要方法 |
| 1.4 人脸识别流程 |
| 1.5 人脸识别系统的评价标准 |
| 1.6 本文主要工作及框架 |
| 第2章 相关知识介绍 |
| 2.1 彩色空间理论 |
| 2.1.1 基本颜色空间 |
| 2.1.2 颜色空间的选取 |
| 2.2 光照补偿算法 |
| 2.2.1 Gamma校正 |
| 2.2.2 直方图均衡化 |
| 2.2.3 非线性变换方法 |
| 2.3 人脸检测 |
| 2.3.1 人脸检测方法 |
| 2.3.2 人脸检测评价准则 |
| 2.4 图像特征提取与特征选择 |
| 2.4.1 图像特征分类 |
| 2.4.2 图像特征提取 |
| 2.4.3 LBP特征提取 |
| 2.4.4 特征选择理论 |
| 2.4.5 遗传算法 |
| 2.5 分类器设计 |
| 2.5.1 分类器设计基本方法 |
| 2.5.2 支持向量机分类器 |
| 2.6 硬件平台介绍 |
| 2.6.1 视频处理子系统 |
| 2.6.2 DM6437存储空间配置 |
| 2.7 本章小结 |
| 第3章 人脸识别算法仿真与实现 |
| 3.1 人脸识别系统光照补偿处理 |
| 3.1.1 图像Gamma校正处理 |
| 3.1.2 直方图均衡化处理 |
| 3.1.3 非线性变换处理 |
| 3.2 改进遗传算法 |
| 3.2.1 改进遗传算法原理 |
| 3.2.2 适应度函数的改进 |
| 3.2.3 选择算子的改进 |
| 3.2.4 交叉算子的改进 |
| 3.2.5 变异算子的改进 |
| 3.3 基本遗传算法和改进遗传算法的性能分析 |
| 3.4 改进遗传算法在人脸特征选择上的应用 |
| 3.4.1 ILBP特征提取 |
| 3.4.2 ILBP和改进GA算法实现步骤 |
| 3.4.3 ILBP和改进GA算法实验分析 |
| 3.5 支持向量机在人脸识别上的应用 |
| 3.5.1 SVM在人脸识别中的应用 |
| 3.5.2 改进GA和SVM算法实验步骤 |
| 3.5.3 改进GA和SVM算法实验分析 |
| 3.6 仿真结果 |
| 3.7 本章小结 |
| 第4章 人脸识别系统硬件实现及测试分析 |
| 4.1 DSP图像处理系统硬件体系 |
| 4.1.1 ICETEK-DM6437-B评估板 |
| 4.1.2 DSP数字图像处理芯片 |
| 4.1.3 XDS560仿真器 |
| 4.1.4 DSP/BIOS系统配置 |
| 4.2 DSP图像处理系统软件开发环境 |
| 4.3 DM6437视频采集与输出流程 |
| 4.4 人脸识别算法在DSP图像处理系统的实现 |
| 4.4.1 人脸识别算法流程 |
| 4.4.2 光照补偿 |
| 4.4.3 人脸检测与定位 |
| 4.4.4 人脸识别 |
| 4.4.5 实时采集样本数据 |
| 4.5 测试与结果分析 |
| 4.5.1 系统测试环境 |
| 4.5.2 系统测试结果与分析 |
| 4.5.3 部分系统测试效果图 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（9）基于Adaboost算法的人脸检测系统的DSP实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 人脸检测算法的国内外研究现状和发展趋势 |
| 1.2.1 基于知识的人脸检测方法 |
| 1.2.2 基于统计学习的人脸检测方法 |
| 1.3 人脸检测算法的硬件实现 |
| 1.4 论文的主要工作 |
| 第2章 基于Adaboost算法的分类器训练过程 |
| 2.1 Adaboost算法简介 |
| 2.2 特征选取和特征值计算 |
| 2.2.1 Haar特征 |
| 2.2.2 积分图 |
| 2.3 选择训练的样本库 |
| 2.4 训练分类器的过程 |
| 2.4.1 基于Adaboost算法的弱分类器训练过程 |
| 2.4.2 基于Adaboost算法的强分类器训练过程 |
| 2.4.3 基于Adaboost算法的级联分类器训练过程 |
| 2.5 本章小结 |
| 第3章 基于Adaboost算法的人脸检测 |
| 3.1 多尺度检测机制 |
| 3.1.1 待检测图像抽样缩放法 |
| 3.1.2 检测窗口尺寸放大的方法 |
| 3.2 人脸检测算法实现过程 |
| 3.2.1 基于Adaboost算法的人脸检测数据及结果分析 |
| 3.2.2 基于Adaboost算法训练分类器的人脸检测数据及结果分析 |
| 3.3 人脸检测后续处理 |
| 3.3.1 合并重叠的候选矩形框 |
| 3.3.2 剔除误检的人脸窗口 |
| 3.4 两种算法仿真结果对比 |
| 3.5 本章小结 |
| 第4章 人脸检测算法的DSP平台实现 |
| 4.1 算法实现系统的方案论证 |
| 4.1.1 算法实现系统的功能 |
| 4.1.2 算法实现系统的开发流程 |
| 4.2 算法实现系统的硬件环境及数据处理流程 |
| 4.2.1 算法实现系统硬件环境 |
| 4.2.2 算法实现系统中数据处理流程 |
| 4.3 算法实现系统的软件平台及软件设计 |
| 4.3.1 CCS软件开发平台简介 |
| 4.3.2 软件设计 |
| 4.4 人脸检测算法优化 |
| 4.4.1 浮点数据转定点数据 |
| 4.4.2 其他优化方法 |
| 4.5 本章小结 |
| 第5章 算法运行结果及数据分析 |
| 5.1 人脸检测算法的系统运行环境 |
| 5.2 人脸检测算法正确性测试 |
| 5.3 人脸检测算法运行结果 |
| 5.4 人脸检测结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（10）基于特征分析的人脸检测算法的DSP实现（论文提纲范文）
| 1 人脸检测DSP硬件平台 |
| 2 人脸检测DSP实现软件流程 |
| 2.1 预处理 |
| 2.2 肤色区域的分割 |
| 2.2.1 肤色区域的提取 |
| 2.2.2 肤色区域连通域及最小外接矩形的确定 |
| 2.3 人脸区域的定位 |
| 2.3.1 肤色色调接近物体排除 |
| 2.3.2 非人脸肤色区域排除 |
| 2.3.3 脖子部分的排除 |
| 2.4 程序优化及误差分析 |
| 3 测试与结果分析 |
| 3.1 测试方案与测试数据 |
| 3.2 结果分析 |
| 4 结论 |
四、用DSP实现实时人脸检测（论文参考文献）
- [1]基于机器视觉的驾驶员危险驾驶检测系统的研究与设计[D]. 王欣. 南京理工大学, 2020(01)
- [2]人脸识别系统在多核嵌入式平台上的研究与实现[D]. 范波. 电子科技大学, 2019(12)
- [3]基于多摄像头的人脸识别系统设计与实现[D]. 刘翠. 东北师范大学, 2017(02)
- [4]基于Davinci平台的人脸识别门禁系统设计[D]. 黄柳柳. 中国计量大学, 2016(04)
- [5]模块化实时人脸检测系统的设计[D]. 宋智明. 大连理工大学, 2015(03)
- [6]基于DSP的多姿态人脸检测算法研究与实现[D]. 孔博. 东北大学, 2015(06)
- [7]基于DM642的实时人脸检测系统的实现[J]. 李月芳. 电子器件, 2014(03)
- [8]基于遗传算法的人脸识别系统的设计与DSP实现[D]. 王永军. 东北大学, 2014(08)
- [9]基于Adaboost算法的人脸检测系统的DSP实现[D]. 任超. 哈尔滨工程大学, 2014(02)
- [10]基于特征分析的人脸检测算法的DSP实现[J]. 刘纪红,刘祚,李中帆. 电子器件, 2013(06)
标签：adaboost论文; 机器学习论文; 人脸检测技术论文; 人脸识别算法论文; 人脸识别技术论文;