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：	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：238 下載：61
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.

簡易檢索 / 詳目顯示

相關論文