基于FPGA的人脸识别系统

发布时间：2020-05-23 02:07

【摘要】：卷积神经网络广泛应用于图像识别领域,本文提出一个基于FPGA的人脸识别系统,采用卷积神经网络算法,实现对人脸的识别。系统采用了包括图像裁剪,卷积,激活函数,池化,流水线处理以及并行处理多个卷积核的硬件设计技术。利用硬件电路并行计算的特点,加速人脸检测系统处理速度。在设计硬件结构时充分考虑了神经网络的扩展性,能够一定程度上改变神经网络的超参数,根据不同训练过程的神经网络结构,可以通过脚本语言创建必要的Verilog文件。本文所提出的人脸检测架构使用Verilog HDL进行设计,并在Altera DE2 FPGA开发板中实现。卷积神经网络分为训练过程和识别过程,该项研究通过MATLAB对Public Figures Face Database人脸数据库的检测实现对卷积神经网络算法的仿真验证,并讨论了诸如交叉熵代价函数,规范化,参数初始化等优化方法。进一步搭建了一个基于FPGA的人脸检测系统。人脸检测的训练过程通过MATLAB训练完成,识别过程则在FPGA平台上实现。该系统采用的神经网络结构具有一个输入层,一个卷积层,一个池化层和一个输出层。系统具有速度快,识别率高的特点。在FPGA的硬件平台中对卷积和池化对应的电路结构设计能够有效的减少延迟并且保持较高的吞吐率。通过MATLAB的对算法的仿真,对于人脸数据库Public Figures Face Database的识别率达到64.32%。人脸数据集的训练的过程在MATLAB上完成,然后通过脚本语言将训练得到的权重值,偏置及其他参数传递到Verilog文件,用以搭建FPGA硬件平台。利用FPGA搭建对应卷积神经网络结构的硬件平台配备了摄像头及图像采集模块,实现对现实中的人脸的采集并对之进行预处理,然后供神经网络进行识别,仿真结果表明系统能够可靠的对人脸进行识别。
【图文】：

图 3-5 训练集上的准确率Fig. 3-5 Accuracy on the test set结了如何在实际工程搭建一个神经网络，对神经网络的结络的超参数，如卷积层数，池化层数以及每一层所包含误差的反向传播过程以及权重的迭代计算过程，并讨论能的方法，包括交叉代价函数，参数初始化和规范化。

图 5-1 公共人物脸部数据集Fig.5-1 Public Figures Face Database5.2 图像采集模块功能验证如图 5-2 所示，图像采集模块功能验证部分由摄像头，DE2 开发板，vga接口的显示器。图像采集模块将解码后的图像数据发送到显示器上显示，，同时将图像数据发送给神经网络对应的部分以供识别。从图中可以看出，系统能够成功的获取摄像头采集到的数据，并显示到屏幕上。
【学位授予单位】：哈尔滨理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TN791

【相似文献】

相关期刊论文 前10条

1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期

2 陈晓燕;;浅析简单神经网络的发展及简单模型[J];数字技术与应用;2019年05期

3 迟惠生;陈珂;;1995年世界神经网络大会述评[J];国际学术动态;1996年01期

4 吴立可;;脉冲神经网络和行为识别[J];通讯世界;2018年12期

5 林嘉应;郑柏伦;刘捷;;基于卷积神经网络的船舶分类模型[J];信息技术与信息化;2019年02期

6 俞颂华;;卷积神经网络的发展与应用综述[J];信息通信;2019年02期

7 韩真;凯文·哈特尼特;;为神经网络的通用理论建造基石[J];世界科学;2019年04期

8 鲍伟强;陈娟;熊涛;;基于进化神经网络的短期电力负荷预测研究[J];电工技术;2019年11期

9 王丽华;杨秀萍;王皓;高峥翔;;智能双轮平衡车的设计研究[J];数字技术与应用;2018年04期

10 张庭略;;基于硬件的神经网络加速[J];通讯世界;2018年08期

相关会议论文 前10条

1 孙军田;张U

本文编号：2676966