簡易檢索 / 詳目顯示

研究生: 鄭博文
Cheng, Po-Wen
論文名稱: 基於嵌入式系統的深度學習應用之研究—以人臉辨識為例
Deep Learning Applications Based on Embedded Systems — Face Recognition as an Example
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: 50
中文關鍵詞: 嵌入式系統深度學習人臉辨識
英文關鍵詞: LeNet-5, Raspberry Pi, PYNQ-Z2
DOI URL: http://doi.org/10.6345/NTNU201900568
論文種類: 學術論文
相關次數: 點閱:252下載:63
分享至:
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
  • 本論文的目的是開發出基於嵌入式系統的深度學習架構,並以人臉辨識作為主要應用的例子。首先嵌入式平台的選擇為Raspberry Pi與PYNQ-Z2,而在深度學習的架構上,使用較簡單的LeNet-5神經網路模型,並透過臉部偵測的前處理方式降低問題難程度,以利在嵌入式平台上實現LeNet-5的人臉辨識系統。
    而在整合的工具上,以Python為主要的系統整合語言,利用Python的高整合性將深度學習、周邊感測器、設備和FPGA硬體設計整合至嵌入式系統內。並在Raspberry Pi與PYNQ-Z2兩種嵌入式平台以Python完成以下四點功能:影像的拍攝與擷取、臉部偵測、以深度學習實現人臉辨識、結果的顯示,在此之上建立具有標準化且能夠real-time即時回饋的人臉辨識系統。

    摘要 i 目錄 ii 圖目錄 iii 表目錄 iv 演算法目錄 v 第一章 緒論 1 1-1 研究背景 1 1-2 研究困難 2 1-3 研究目的 3 第二章 背景知識介紹 6 2-1 開發平台與函式庫 6 2-2 相機拍攝與結果顯示 8 2-3 臉部偵測 11 2-4 人臉辨識 13 2-5 PYNQ-Z2獨有函式庫 15 第三章 研究方法介紹 19 3-1 Raspberry Pi系統流程 19 3-2 PYNQ-Z2系統流程 – CPU計算 23 3-3 PYNQ-Z2系統流程 – FPGA計算 28 第四章 實驗設計與結果 32 4-1 資料集收集與介紹 32 4-2 臉部偵測對辨識率之影響 35 4-3 訓練集差異對辨識率之影響 39 4-4 三種系統流程之各項效能比較 41 第五章 結論 48 參考文獻 49

    [1] Bill Lubanovic, Introducing Python, Oreilly & Associates Inc, 2014.

    [2] “Picamera,” [Online]. Available: https://picamera.readthedocs.io/. [Accessed Dec. 10, 2018].

    [3] 陳會安, Raspberry Pi 樹莓派 - 從不懂,到玩上手!, 旗標出版社, 2017.

    [4] “PYNQ: Python productivity for Zynq,” [Online]. Available: http://www.pynq.io/. [Accessed Feb. 15, 2019].

    [5] Adrian Kaehler, Gary Bradski, Learning OpenCV 3, Oreilly & Associates Inc, 2017.

    [6] “Keras Documentation,” [Online]. Available: https://keras.io/. [Accessed Oct. 21, 2018].

    [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] H. Jiang and E. Learned-Miller. Face detection with the faster r-cnn. arXiv preprint arXiv:1606.03473, 2016.

    [10] Y. Lecun, L. Bottou, Y. Bengio and P. Haffner, "Gradient-based learning applied to document recognition," in Proceedings of the IEEE, vol. 86, no. 11, pp. 2278-2324, Nov. 1998.

    [11] S. Lin, L. Cai, and R. Ji, “Masked face detection via a modified LeNet,” Neurocomputing, vol. 218, pp. 197–202, Dec. 2016.

    [12] 王雅慶, “以FPGA實現摺積神經網路及應用於人臉特徵辨識之研究,” 國立台灣師範大學, 2016.

    [13] A. Krizhevsky, I. Sutskever, and G. Hinton, “Imagenet classification with deep convolutional neural networks,” in Proc. Adv. Neural Inf. Process. Syst., 2012, pp. 1106–1114.

    [14] C. Szegedy et al., "Going deeper with convolutions," 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, 2015, pp. 1-9.

    [15] “CS231n Convolutional Neural Networks for Visual Recognition,” [Online]. Available: http://cs231n.github.io/convolutional-networks/. [Accessed Noc. 11, 2018].

    [16] 謝斯宇, “基於臉部偵測及CNN模型之硬體臉部辨識系統,” 國立台灣師範大學, 2019.

    下載圖示
    QR CODE