基于ARM的人脸检测系统的设计

基于ARM的人脸检测系统的设计

摘要：本文首先介绍视频监控技术的发展背景及未来的发展方向。其次,对各种需求提出解决方案,得出ARM+Linux+OpenCv+Qt4的解决方案是最佳的方案。最后介绍了基于AdaBoost 算法的人脸检测的方法。

关键词：ARM OPENCV AdaBoost

近年来,功能各异的视频监控设备越来越多,但是,大多只能简单记录视频画面,将监控到的视频信息存储起来,而不能对所监控到的视频做一定的处理分析和预测。基于ARM的人脸检测系统,为我们的视频监控设备提供了一个视频处理的参考解决方案,在一定基础上加以扩充,可以完成人物识别,危险行为检测与报警等,使视频监控设备更加智能化。

1、视频监控的几项关键技术及发展方向

视频监控的关键技术主要有视频采集压缩算法、视频信号可靠地传输、信息存储调用的智能化与系统的集中管理等。视频监控技术发展方向为分布采集集中管理、高品质图象压缩处理、开放标准统一接口、统一认证以确保安全、操作人性化以及功能集成化、结构模块化和传输多样化。随着不断发展的网络技术,基于嵌入式技术的网络数字监控系统不再是处理模拟视频信号,而是把摄像机输出的模拟视频信号通过视频编码器直接转换为IP数字信号。

2、平台的搭建

ARM之所以应用广泛,是因为有较快得运算速度,较低的价格,开发人员也比较容易接触,程序较易移植过来等特点。EmbeddedLinux也是Linux家族的成员,支持广泛的硬件平台,如PPC、ARM、MIPS等,也继承了Linux的优点——开源、免费,同时也有广泛的应用软件支持,能够比较方便的移植操作系统与应用软件。

3、OPENCV简介

OpenCV是一个开源的计算机视觉库,采用C/C++语言进行编写,可以运行在Linux/Windows/Mac等操作系统上,同时还提供了Python、Ruby以及其他语言的接口。其设计目标就是执行速度尽量快,它采用优化的C语言编写,能够充分利用多核处理器的优势。除此之外,另外一个目标就是构建一个简单易用的计算机视觉框架,开发人员可以利用它更便捷地设计复杂的计算机视觉相关应用程序。其中包含的函数有500多个,覆盖了计算机视觉的许多应用领域,如工厂产品检测、医学成像、信息安全、摄像机标定、立体视觉和机器人等。

4、人脸检测的原理

人脸检测技术的研究要追溯到20世纪70年代,早期的研究主要致力于模板匹配、子空间方法、变形模板匹配等,近几年,集中研究基于数据驱动的学习方法,如统计模型方法,神经网络学习方法,统计知识理论和支持向量计算方法,基于马尔可夫[1]随机域的方法,以及基于肤色的人脸检测等。目前在实际中应用的人脸检测方法多为基于Adaboost[2]学习算法的方法。

Viola是AdaBoost算法的一种,主要基于积分图和级联检测器,其方法框架可大至分为以下三大部分:第一部分,使用Harr-like特征来表示人脸,并且使用“积分图”实现特征数值的快速计算;第二部分,使用Adaboost算法挑选出一些最能代表人脸的矩形特征,用弱分类器按照加权投票的方式,构造为一个强分类器;第三部分,为有效的提高检测速度,将训练得到的若干强分类器串联组成一个级联结构的层叠分类器。

本文来源：https://www.bwwdw.com/article/825a.html