基于SRC的人脸识别算法及其在OMAP3530上的实现.ppt

基于SRC的人脸识别算法及其在OMAP3530上的实现 指导老师：朱跃生 教 授 成 员： 学 校：北京大学 刘振 刘威杨 范依 卢利佳 关扬 大纲 背景综述 算法介绍 算法在DSP上的实现 实现性能与结果 进一步改进策略 结论 * 一.背景综述 * 人脸检测与识别技术是生物特征的一个研究热点问题 应用范围：相机中人脸自动对焦、门禁系统、摄像监视、身份识别、刑侦破案、信息安全…... 迄今已有多种较为成熟的检测和识别算法。由于运算复杂运算量大，并且具有较高的实时性要求，对硬件性能要求很高。 基于模板匹配的人脸识别 基于统计模式的人脸识别 基于神经网络的人脸识别 基于模糊模式的人脸识别 一.背景综述 * John Wright等人在知名期刊PAMI上提出基于稀疏表达的分类框架（Sparse Representation-based Classification，简称SRC） Fig.1 SRC人脸识别框架图 二.算法介绍 * Fig.2 稀疏表达示意图 二.算法介绍 * Fig.3 稀疏重构流程图 二.算法介绍 * Fig.4 测试图像的稀疏表达结果（特征提取采用下采样） 二.算法介绍 * Fig.4 稀疏表达的残差图 二.算法介绍 * 二.算法介绍 SRC框架与改进SRC框架的识别率对比 * 框架选择 30维 56维 120维 504维 SRC 0.5131 0.6176 2.0179 40.5744 OMP-SRC 0.0019 0.0033 0.0081 0.0157 Fig.5 SRC与改进SRC对比 Tab-1 SRC框架与改进SRC框架的运行时间对比（秒） Extended Yale B 二.算法介绍 * 改进SRC 框架与其他人脸识别算法的对比 Fig.6 人脸识别算法对比（Extended Yale B Database） a) Eigenface特征下人脸识别算法对比 b) 下采样特征下人脸识别算法对比 二.算法介绍 * 改进SRC 框架与其他人脸识别算法的对比 Fig.7 人脸识别算法对比（AR Database） a) Eigenface特征下人脸识别算法对比 b) 下采样特征下人脸识别算法对比 二.算法介绍 * 含噪与遮挡情况下的改进SRC框架仿真 Fig.8 含噪情况下SRC识别情况（椒盐噪声） Fig.9 遮盖情况下SRC识别情况 三. 算法在DSP上的实现 3.1.DSP平台的选择 3.2.算法在DSP平台上实现的难点 3.3.优化方案 * 三. 算法在DSP上的实现 * 3.1.DSP平台的选择 OMAP3530 处理器特点： 高效的ARM 内核+具有高级数字信号处理算法的DSP 核结构。 （720MHz ARM Cortex-A8核+520MHz C64x+DSP核） 对应于低功耗便携式应用而设计。 丰富的外设接口。 本项目使用OMAP3530 处理器的原因： 能高效处理多媒体信号，满足项目的复杂度需求。 较低的体积和功耗。 系统容易扩展。 在该平台实现人脸检测与识别具有很广泛的应用意义。 三. 算法在DSP上的实现 * 3.2.算法在DSP上的实现 Fig.10 ARM与DSP协作基本模型 ARM(GPP)端： Linux操作系统 外围设备 与用户交互 （应用程序） DSP端： 符合express DSP标准的核心算法 Stub和skeleton 实现ARM与DSP的通信 三. 算法在DSP上的实现 * Fig.11 Codec Engine工作流程 三. 算法在DSP上的实现 * 3.2.实现的难点 实时性问题 摄像头采集数据的实时处理 大量的浮点运算大大影响DSP运行的速度 人脸检测与识别算法的高复杂度 准确性问题 系统稳定性、可靠性要求 背景、光线、噪声的影响 三. 算法在DSP上的实现 3.3.优化方案 3.3.1.系统级优化 3.3.2.算法级优化 3.3.3.代码级优化 * 三. 算法在DSP上的实现 3.3.优化方案 3.3.1.系统级优化 人脸库的制作方案 预处理 人脸图像的灰度化、去噪、直方图均衡化（背景、光照） 尺度变换 摄像头采集线程的控制 * 三. 算法在DSP上的实现 3.3.优化方案 3.3.2.算法级优化 人脸检测算法中搜索窗口的优化 Adaboost默认窗口为（24x24） 扩大系数为1.2，实际中人脸框尺寸 大致为（70x70）,选取（50x50）开 始检测 * 函数 优化前时间 优化后时间 优化率 detect