基于全局与局部特征的嵌入式人脸识别系统.pdf

【基于全局与局部特征的嵌入式人脸识别系统】 人脸识别是一种生物特征识别技术，它通过捕捉和分析人脸图像来确定个体身份。在这个系统中，研究人员利用了主成分分析(PCA)作为核心算法，结合全局特征和局部特征，以提高识别的准确性和稳定性。 主成分分析是一种统计方法，用于数据降维，它可以提取出人脸图像的主要特征，消除冗余信息。在人脸识别中，PCA用于提取人脸的全局特征，即将多维人脸图像数据转换到一个低维空间，这个空间中的特征向量能够最大程度地保留原始数据的信息。通过计算特征值的贡献率，可以确定降维后的人脸子空间，从而用于识别过程。样本通过欧氏距离匹配与这个子空间中的模式进行比较，以确定最接近的样本，实现人脸识别。 然而，仅仅依赖全局特征可能无法充分捕捉人脸的独特性，因为人脸的局部特征（如眼睛、鼻子、嘴巴）往往包含更多关于个体身份的信息。因此，该系统还采用了人眼检测算法和鼻子检测算法来提取每个样本的局部特征。这些局部特征被分别存储和处理，进一步提高了识别的精度。 为了优化识别性能，系统引入了离散度的概念。离散度是一种衡量数据分布分散程度的统计量，用于评估全局特征和局部特征的差异。通过对全局和局部特征的离散度进行计算，系统可以自动调整权重，赋予更具有区分性的特征更高的权重。这样，最终的人脸识别结果是基于全局和局部特征的加权组合，使得识别更加准确和鲁棒。 在嵌入式系统(Tiny6410)上实现这一人脸识别系统，意味着该技术可以应用于资源有限的设备，如智能手机、监控摄像头等，使得实时和高效的面部识别成为可能。实验结果显示，结合全局和局部特征的这种方法相比于只依赖单一模块（如仅用全局特征或局部特征）的识别系统，具有更好的稳定性和识别效果。 基于全局与局部特征的嵌入式人脸识别系统通过PCA进行特征提取，结合局部特征的检测和加权算法，实现了高效稳定的人脸识别。这种方法不仅提高了识别的准确性，还适应了嵌入式设备的硬件限制，具有广泛的应用前景。