Hardware Architecture Design Of Face Recognition System Based On FPGA

摘要

本文提出了一种新颖的人脸识别系统硬件结构。为了使系统成本有效利用，我们还使用了一种高效人脸识别算法。 我们已经在cyclone III 可编程门阵列 (FPGA)芯片上设计、实现并验证了我们的算法。我们在装有cyclone III芯片的Altera DE0开发板上进行调试。 我们还确保低功率损耗，以便芯片可以普遍应用在安防系统中。为了在数字硬件上开发一个简单且高效的人脸识别算法，(如PCA, FFT等)，我们已经使用MATLAB研究了许多人脸识别算法，并比较了它们在不同姿势和背景下的检测效率 以及算法复杂度。在获得可接受的识别水平的同时，为了节约硬件资源和时间，我们选择了快速傅里叶变换(FFT)算法。

1. 引言

  人脸识别系统是从图片或视频中自动识别或验证一个人的计算机应用。因此有两种人脸识别的方法。一种是基于图片的，一种是基于视频的。现在有了更多的分类。一种是部分自动系统，另一种是全自动系统。人脸识别已经成为了图像分析、理解和计算机视觉非常流行的研究领域。这个话题吸引了很多计算机科学研究人员、神经学家和心理学家的兴趣。从基础来说，在我们的人脸识别案例中仍然是静止的人脸图像；它能用一个存储人脸的数据库来识别一个或多个人脸。 为了便于研究，以及创建了许多数据库。研究方向包括室外图像、非正面面部图像的识别，对人口因素对性能的影响的理解，开发性能更优的模型，在非常大的图库预测识别性能以及[1]中的更多。[3]中分析了一个基于主成分分析(PCA)和径向基函数(RBF)的神经网络的人脸识别算法。但独立成分分析(ICA)在人脸识别中比PCA更有效[2]。另一方面，基于快速傅里叶变换(FFT)的人脸识别系统比基于离散余弦变换(DCT)的系统性能更加好[4]。在本文中，我们选择PCA和FFT来进行人脸识别性能分析。我们从一个新的角度设计了硬件架构。大部分可用算法都是在软件上实现的。因此，识别速度不是很理想。硬件实现有很多好处，因此我们主要研究在硬件上的实现。我们提高了系统的鲁棒性、速度以及准确性。FPGA可以提供必要的资源来达到人脸识别中的相应提升。这些资源包括内置块、各种通讯接口、数以百万计的逻辑门、运行C代码到数字硬件电路，高级设计工具，性能，长期维护，可靠性等。
  论文安排如下：第2节A部分描述了主成分分析法(PCA)的原理，B部分 描述了基于快速傅里叶变换(FFT)方法的人脸识别。第3节展示了实验结果，第4节展示了硬件结构和框架设计。最后第5节进行总结。

2.人脸识别算法

A.主成分分析法(PCA)

  这个被称为主成分分析法的算法在一幅人脸图像中提取相关信息并把信息编码成合适的数据结构。算法采样图片，并把它们以同样的方法编码，比较编码图像集以进行识别。从数学角度来说，我们想要找到图片协方差矩阵的特征值和特征向量，其中一个图片是高维[nn]空间中的一个点， nn是图片的维数。一个协方差矩阵可能有很多特征向量，但它们中只有一些是主要的。每一个特征向量可以用来寻找人脸图像的不同变化。然而我们只强调主要的特征向量，因为它们统计了图像中很重要的变化。它们可以展示图像维度中最重要的关系。最大的特征值所对应的特征向量就是图片集的主成分。 忽视一些没那么重要的成分可能会导致我们丢失部分信息。但是特征值小的话，丢失的信息就不会太多。 使用这些特征向量的集合，我们可以构建Eigen faces。基于PCA算法的人脸识别方法如下：

1. 把N*N大小的人脸图片转换成大小为$N^2$的向量。
2. 对数据集中所有人脸图片重复步骤1
3. 计算人脸向量的平均值$m-=\frac{1}{M}{\sum }_{i=1}^M{x}_i$
4. 每个人脸向量都减去平均值