國立臺灣師範大學博碩士論文全文系統

簡易檢索 / 詳目顯示

回結果列表

研究生：	謝斯宇 Xie, Si-Yu
論文名稱：	基於臉部偵測及CNN模型之硬體臉部辨識系統 Hardware Face Recongnition System Based on Face Detection and CNN Model
指導教授：	黃文吉 Hwang, Wen-Jyi
學位類別：	碩士 Master
系所名稱：	資訊工程學系 Department of Computer Science and Information Engineering
論文出版年：	2019
畢業學年度：	107
語文別：	中文
論文頁數：	60
中文關鍵詞：	人臉辨識、人臉偵測、深度學習
DOI URL：	http://doi.org/10.6345/NTNU201900767
論文種類：	學術論文
相關次數：	點閱：190 下載：39
分享至:	分享至facebook 分享至twitter

查詢本校圖書館目錄查詢臺灣博碩士論文知識加值系統勘誤回報

本論文透過FPGA(Field Programmable Gate Array)的特性，如運算速度快、功率消耗低以及可攜性高等，來實現基於簡單CNN Model LeNet-5的人臉即時辨識系統。
LeNet-5是簡單的CNN Model，對於複雜背景的影像有著極低的辨識率，為了改善其缺點，有兩種作法。第一，使用較為複雜的CNN Model如VGG-Net16等，第二，新增額外的前處理人臉偵測方式來改善。
如果使用較為複雜的CNN，在現有基於複雜的CNN電路絕大多數是使用PE (Process Element)Array的架構，每層電路共享相同的運算單元，而這種方法會造成一些問題，硬體資源消耗高、硬體設計複雜以及Latency長等問題。所以本論文是使用較為簡單的CNN來設計電路，根據軟體模型不同層的特性去做不同的設計，藉由改善電路的架構，使得每一層電路部分重疊的方式，提升電路平行計算的能力，進而提高電路的運算速度。
本論文使用簡單的CNN電路搭配人臉偵測的方式，來實現即時人臉辨識系統，不僅辨識率足以跟複雜的CNN匹敵之外，更重要的是我們只需花成本低的硬體規格就能實現實際的應用，如手機上的APP人臉解鎖功能以及家庭人臉辨識等應用，符合普及計算(Pervasive Computing)的概念。

摘要 i
目錄 ii
圖目錄 iii
表目錄 v

第一章 緒論 1
1-1 研究背景與動機 1
1-2 研究目的 10
1-3 研究方法 10

第二章 基礎理論與技術背景 11
2-1 摺積運算 11
2-2 Max Pooling運算 12
2-3 Face Detection 13
2-4 Data Reuse架構 14

第三章 系統架構 25
3-1 電路架構 25
3-2 C1電路 26
3-3 S2電路 28
3-4 C3電路 29
3-5 F5電路 32
3-6 Pipelined operations 37
3-7 電路Latency 42
3-8 人臉辨識系統架構 43

第四章 實驗數據與效能分析 45
4-1 開發平台與實驗環境 45
4-2 實驗結果與效能分析 51

第五章 結論 58

參考文獻 59
                                

[1]Sun, Y.; Ding, L.; Wang, X.; and Tang, X. 2015. Face recognition with very deep neural networks. CoRR.

[2] 鄭博文, “基於嵌入式系統的深度學習應用之研究—以人臉辨識為例” 國立台灣師範大學, 2019

[3] D. Shin, et al.: “DNPU: An energy-efficient deep-learning processor with heterogeneous multi-core architecture,” IEEE Micro 38 (2018) 85 (DOI: 10.1109/MM.2018.053631145).

[4] S. Yin et al., "A high energy efficient reconfigurable hybrid neural network processor for deep learning applications", IEEE J. Solid-State Circuits, vol. 53, no. 4, pp. 968-982, Apr. 2018.

[5]“Yale Face Database,”[Online].Available: http://vision.ucsd.edu/content/yale-face-database/. [Accessd Oct. 15, 2018]

[6] 王雅慶, “以FPGA實現摺積類神經網路及應用於人臉辨識之研究” 國立台灣師範大學, 2016

[7] P. Viola and M. Jones, “Robust Real-Time Face Detection,” Int’l J. Computer Vision, vol. 57, no. 2, pp. 137-154, May 2004.

[8] R. Lienhart and J. Maydt, "An extended set of Haar-like features for rapid object detection," Proceedings. International Conference on Image Processing, Rochester, NY,
USA, 2002, pp. I-I.

[9] N. Dalal and B. Triggs. Histograms of oriented gradients for human detection. In CVPR, 2005.

[10] Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. 2015. Deep residual learning for image recognition. arXiv preprint arXiv:1512.03385.

[11] W.Hwang, Y. Jhang, T. Tai, "An efficient FPGA-Based architecture for convolutional neural networks", 40th International Conference on Telecommunications and Signal Processing, 2017.

[12] 張茗雅, “低面積BNN積體電路設計及應用於人臉辨識之研究” 國立台灣師範大學, 2019

簡易檢索 / 詳目顯示

相關論文