软体救援机器人人脸检测系统

地震灾害的发生对人类的生命构成极大威胁,在救援人员以及大型救援机器无法及时到达的易坍塌、结构不稳定的灾后废墟环境,快速、及时地检测到被困人员可以极大程度提升救援效率。人脸检测在易坍塌废墟救援过程中起到至关重要的作用。为此,提出一种基于ZYNQ开发平台的软体救援机器人人脸检测系统。人脸检测算法采用基于肤色的人脸检测算法。采用软硬件协同设计方法,PL(FPGA)端实现图像色彩空间转换模块、基于肤色阈值的二值化处理模块、肤色分割模块功能。ARM-Cortex A9 PS(ARM)端实现对整个FPGA工程的控制。实验验证,软体救援机器人能够实现实时检测到人脸信息,并且机器人自身软体导向结构通过弯曲到达被困人员处,实现输送水、氧气等功能。     

基于Adaboost算法的硬件实时人脸检测

实现一个硬件人脸检测系统,该系统工作频率为70 MHz,能够检测一幅256×256的图像中任意位置、任意大小和任意数目的人脸,检测速度为每秒35帧。系统的检测精度为85%,误检率为1.5×10-6。为实现高速人脸检测,在硬件系统架构上做出如下3点创新：实现积分图像和积分平方图像的硬件实时计算,弱分类器特征值计算的深流水线实现,采用并行多内存组织结构。     

基于肤色模型和中线定位的人脸检测算法

由于外貌、肤色、表情等不同,会导致较高的人脸检测漏检率和误检率。为此,提出一种基于肤色模型和中线定位的多姿态人脸检测算法。利用肤色特征快速排除大部分背景区域,根据人脸的显性特征分割出人脸候选区域,并对边缘检测后的图像进行投影,使用中线定位法实现多姿态人脸的检测与定位。实验结果表明,该算法能实现多姿态人脸的快速检测,黑发单个人脸检测的检测率达93.3%,鲁棒性较强。     

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。     

基于YCgCr颜色空间的不良图像肤色检测

针对目前互联网图像内容过滤系统识别率低的情况,提出了一种基于YCgCr空间的不良图像肤色检测方法。首先检测图像中可能存在的人脸区域,利用人脸肤色像素来检测获得人体肤色,其次对不含人脸图像,则利用离线构建的肤色模型来实现肤色检测。实验结果证明,在不同光照以及复杂背景下,该算法能够较好地提高不良图像的肤色检测率和背景检测率。     

基于同态补偿翻拍图像的方向预测方法

为抵抗翻拍图像对人脸识别等认证系统的攻击,提出一种人脸图像梯度方向预测算法。通过自适应高斯同态滤波进行光照补偿增强真实活体图像与翻拍图像的对比度,用八方向Sobel算子与像元卷积方向预测,并使用支持向量机(SVM)分类器设计图像分类器判别两类图像。抽取国内外数据库(南京航空航天大学与耶鲁大学人脸库)活体人脸与翻拍人脸共522张进行实验,检测率达到99.51%;另用三星Galaxy Nexus手机拍摄261张真实人脸,同时进行翻拍,得到样本库522张人脸,实验检测率达到98.08%,特征提取用时167.04s。结果表明能有效地检测分类出真实人脸照片与翻拍假冒照片,并具有较高的特征提取效率。     

基于DSP的AdaBoost人脸检测算法实现

为解决人脸检测实时性问题,提出了基于DSP实现人脸检测算法.改进了AdaBoost人脸检测算法,在层次型AdaBoost检测算法的基础上,改进了特征定义方式,提出模糊层次型人脸检测器结构.介绍了TI公司的DSP芯片及其外围电路,描述了系统中各个模块的工作流程.最后,阐述了利用CCS对DSP程序进行优化.实验结果表明,在输入图像大小为256×256像素的条件下,检测速度达到每秒26帧,误检率只有0.9%,实现了实时人脸检测的要求.     

两层级联卷积神经网络的人脸检测

目的 传统人脸检测方法因人脸多姿态变化和人脸面部特征不完整等问题,导致检测效果不佳。为解决上述问题,提出一种两层级联卷积神经网络（TC_CNN）人脸检测方法。方法 首先,构建两层卷积神经网络模型,利用前端卷积神经网络模型对人脸图像进行特征粗略提取,再利用最大值池化方法对粗提取得到的人脸特征进行降维操作,输出多个疑似人脸窗口;其次,将前端粗提取得到的人脸窗口作为后端卷积神经网络模型的输入进行特征精细提取,并通过池化操作得到新的特征图;最后,通过全连接层判别输出最佳检测窗口,完成人脸检测全过程。结果 实验选取FDDB人脸检测数据集中包含人脸多姿态变化以及人脸面部特征信息不完整等情况的图像进行测试,TC_CNN方法人脸检测率达到96.39%,误检率低至3.78%,相比当前流行方法在保证算法效率的同时检测率均有提高。结论 两层级联卷积神经网络人脸检测方法能够在人脸多姿态变化和面部特征信息不完整等情况下实现精准检测,保证较高的检测率,有效降低误检率,方法具有较好的鲁棒性和泛化能力。     

基于聚类算法的统计学习侧面人脸检测

提出了一种新型的基于聚类算法的统计学习侧面人脸检测算法。通过对侧面人脸的各个视角建立分类器,使用新的AdaBoost训练策略,然后应用该聚类算法进行检测结果融合,从而有效检测出人脸。并使用该算法成功解决耳朵检测问题,取得了较好的实验结果。实验表明,该检测算法可以有效地检测出侧面人脸和耳朵,是一种普遍有效的目标检测算法;对282幅侧面人脸图像进行人脸检测,检测率在漏检19个时为93.26%,;对1000包含耳朵的图像进行检测,耳朵检测率在误检个数为61时为91.9%。     

一种鲁棒的人脸特征定位方法

提出了一种基于AdaBoost算法和C-V方法的人脸特征定位方法。首先根据AdaBoost算法训练样本得到脸、眼、鼻、嘴4个检测器;然后结合人脸边缘图像的先验规则,使用人脸检测器提取人脸区域;接着利用眼、鼻、嘴检测器从人脸区域中检测出人脸特征所在的矩形区域;最后利用C-V方法从各个特征区域中分割出人脸特征的轮廓,进而得到人脸关键特征点的位置。在DTU IMM人脸测试集上,眼睛的检测率为100%,鼻子的检测率为95.3%,嘴巴的检测率为98.4%,提取出的特征点位置准确。实验结果表明方法是有效和鲁棒的。     

Real-time face detection and lip feature extraction using field-programmable gate arrays.

This paper proposes a new technique for face detection and lip feature extraction. A real-time field-programmable gate array (FPGA) implementation of the two proposed techniques is also presented. Face detection is based on a naive Bayes classifier that classifies an edge-extracted representation of an image. Using edge representation significantly reduces the model's size to only 5184 B, which is 2417 times smaller than a comparable statistical modeling technique, while achieving an 86.6% correct detection rate under various lighting conditions. Lip feature extraction uses the contrast around the lip contour to extract the height and width of the mouth, metrics that are useful for speech filtering. The proposed FPGA system occupies only 15050 logic cells, or about six times less than a current comparable FPGA face detection system.     

边缘检测算法的对比研究及FPGA的实现

图像的边缘检测用于提取图像特征,在图像分割、图像识别、人脸识别等技术中提供了基础处理。为了提高边缘检测精度和实时性,对图像处理边缘检测的算法进行分析。利用Matlab仿真比较算法的优缺点,得出了Canny算法边缘检测效果较好,通过FPGA开发板进行了Canny算法的边缘检测实验研究。从实验结果可以看出,Canny算法的边缘检测效果更明显,边缘检测的信息更多,在应用中能够更好地发挥作用。     

基于FPGA的运动目标远程监视系统设计

运动目标检测是智能安防系统的重要组成部分,为了满足安防系统远距离监视目标以及视频传输实时性等需求,设计了一种基于FPGA平台的运动目标远程监视系统;该系统以Xilinx公司的Artix7系列FPGA芯片为核心,通过OV5640摄像头实现视频图像的采集,将采集到的图像进行灰度化处理,并通过DDR3存储器缓存处理后的图像,采用帧间差分法运动目标检测技术实现对多个运动物体的检测与标记,将检测结果通过以太网的UDP协议传输到上位机实时显示;实验结果表明,在图像分辨率为640*480时,以太网UDP传输速度为133Mbit/s,视频图像帧率为26fps,大于人眼的可视帧率24fps,满足视频传输实时性的要求,同时该系统能够远距离、高效地检测与跟踪多个运动目标,相比于其他系统具有可远程实时检测、小型化、低功耗的特点,可进一步应用到智能安防系统中。     

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FPGA与Sobel算法的实时图像处理

如今,图像处理算法的复杂度越来越高,图像处理的数据量越来越大,图像处理的实时性显得十分重要。为了解 决图像预处理、视频流数据实时性存在的问题,给出了一种基于FPGA和OV5640以Sobel算子进行边缘检测的图像采集与处 理系统设计方法,FPGA将OV5640摄像头采集到的视频流数据传送至SDRAM,由Sobel算子模板处理后通过VGA显示视频 图像。该设计基于Intel公司的Cyclone IV系列FPGA芯片EP4CE10F17C8进行了验证。实验结果表明,基于FPGA和Sobel边 缘检测算法,使用流水线设计和乒乓操作,可实现视频流数据处理的实时性。     

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。     

基于AccelDSP的LBP算法在人脸识别中的应用

针对人脸识别中实时性的要求,采用FPGA硬件方式实现人脸的实时识别,对传统的LBP算法在硬件实现上存在的问题进行了详细分析,并提出了一种符合硬件数据流处理的LBP优化算法。利用AccelDSP综合工具对该优化算法进行硬件设计,并在Dasal公司的Anaconda卡的IPUFPGA上进行实验验证,满足了人脸识别中实时性的要求。实验结果表明优化后的LBP算法不仅人脸识别率得到了提高,而且在硬件上特征值提取速度是软件上的19倍,能够满足实时性的要求,达到每秒处理100幅人脸图像。     

Design and VLSI implementation of a high-performance face detection engine

This paper proposes a novel hardware structure and field-programmable gate array (FPGA) implementation method for real-time detection of multiple human faces with robustness against illumination variations. These are designed to greatly improve face detection in various environments with using MCT techniques and the AdaBoost learning algorithm which is robust against variable illumination. We have designed, implemented, and verified the hardware architecture of the face detection engine for high-performance face detection and real-time processing. The face detection chip is developed by verifying and implementing it using a FPGA and an application-specific integrated circuit (ASIC). To verify and implement the chip, we used a Virtex5 LX330 FPGA board and a 0.18 μm 1-poly and 6-metal CMOS logic process. Performance results of the implementation and verification showed it is possible to detect at least 32 faces of a wide variety of sizes at a maximum speed of 147 frames per second.     

基于改进最近邻法的人脸识别系统研究

为了节省考前考生信息核对的时间和提高其准确性,提出一种基于FPGA和DM6437框架的智能人脸识别系统。FPGA和DM6437组成了系统的硬件平台并负责图像的采集、预处理和图像识别算法的实现,人脸识别过程由肤色检测和改进最近邻法来完成。通过系统的硬件平台支持和人脸识别算法的植入,可以快速地分割出视频中人脸图像,并识别图像中人物身份。该系统具有高性能和高可靠性的特点,可以应用在各种类型的考场上。