基于ARM9的嵌入式人脸识别系统设计
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-19页 |
| 1.1 课题研究背景与意义 | 第13-15页 |
| 1.2 人脸识别系统的国内外研究现状及其发展趋势 | 第15-17页 |
| 1.3 课题研究的主要内容和结构安排 | 第17-19页 |
| 1.3.1 本文主要研究内容 | 第17页 |
| 1.3.2 本文的结构安排 | 第17-19页 |
| 2 图像的预处理 | 第19-33页 |
| 2.1 通用形变模型 | 第19-23页 |
| 2.1.1 人脸定位 | 第19-20页 |
| 2.1.2 变换矩阵 | 第20-21页 |
| 2.1.3 形变模型的能量 | 第21-23页 |
| 2.2 图像的预处理 | 第23-33页 |
| 2.2.1 灰度化和灰度线性变换 | 第24-26页 |
| 2.2.2 几何归一化 | 第26-29页 |
| 2.2.3 直方图均衡化 | 第29-31页 |
| 2.2.4 图像去噪 | 第31-33页 |
| 3 主成分分析人脸识别算法 | 第33-41页 |
| 3.1 K-L变换 | 第33-34页 |
| 3.2 PCA人脸识别步骤 | 第34-37页 |
| 3.2.1 训练阶段 | 第34-35页 |
| 3.2.2 识别阶段 | 第35-37页 |
| 3.3 特征向量的选取 | 第37-39页 |
| 3.4 距离函数的选取 | 第39页 |
| 3.5 PCA算法的优缺点 | 第39-41页 |
| 4 基于全局和局部变量的主成分分析算法 | 第41-55页 |
| 4.1 局部特征算法的简介 | 第41-42页 |
| 4.1.1 Haar-Like算法 | 第41-42页 |
| 4.2 基于全局和局部变量的主成分分析法 | 第42-47页 |
| 4.2.1 基于全局变量和局部变量的主成分分析法 | 第42-47页 |
| 4.3 基于全局和局部变量人脸识别系统的测试 | 第47-51页 |
| 4.3.1 系统抗干扰测试 | 第48-49页 |
| 4.3.2 抗光照能力的测试 | 第49页 |
| 4.3.3 抗旋转能力的测试 | 第49-51页 |
| 4.4 系统定位识别时间的分析 | 第51-55页 |
| 5 嵌入式系统开发平台 | 第55-69页 |
| 5.1 嵌入式开发硬件平台 | 第55-59页 |
| 5.1.1 处理器和开发板介绍 | 第55-57页 |
| 5.1.2 宿主机和目标机 | 第57-58页 |
| 5.1.3 其他设备 | 第58-59页 |
| 5.2 系统软件平台 | 第59-67页 |
| 5.2.1 MATLAB 7.0 | 第59-60页 |
| 5.2.2 人脸图像库 | 第60页 |
| 5.2.3 交叉编译器 | 第60页 |
| 5.2.4 BootLoader | 第60-62页 |
| 5.2.5 移植Linux操作系统 | 第62-65页 |
| 5.2.6 根文件系统 | 第65-67页 |
| 5.3 本系统的实际意义和不足之处 | 第67-69页 |
| 6 总结和展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 致谢 | 第73-75页 |
| 作者简介及读研期间主要科研成果 | 第75页 |
