随着图像识别技术在多领域的发展,由其在计算机视觉和图像处理研究中,已经取得了一定的研究成果。Mallat在小波变换中滤波器的设计、Belhumeur在Fisher变换中的识别模型和Largrange优化方式建立支持向量机。本文在总结上述研究成果的基础上,首先对摄像头采集的数据进行了处理,完成JPEG的编码,详细讨论了JPEG图像解码的过程并实现了其算法。为图像识别提供了良好的素材。在素材提供的前提下,进行Daubechies2阶小波变换,将图像在频域内分解为近似系数、水平细节和垂直细节。通过权值将这三个分量系数相加,组成系数矩阵,作为Fisher变换特征提取的系数特征矩阵。在小波变换基础上,分析了基于Fisher(LDA)的图像识别研究。总结讨论了PCA、FLD和Fast ICA图像识别方法。本文在此基础上,采用了PCA+FLD的识别策略,并解决的FLD算法受维度影响的问题,采用迭代处理,实现了特征维度w从30到60的范围变化。最后引入支持向量机的原理,通过核函数的方法,得到最优分类超平面G,加强了识别的效果。本文的核心特色在于将图像识别算法运用到了基于S3C2440核心的ARM9体系平台上,通过宿主机+目标机的交叉开发方法,搭建了适用于本课题的软硬件平台,实现了图像识别算法在目标板上的运行和显示。在算法处理上,Fisher变换采用了简化的轮廓模型,在不影响算法完整度的同时,减低了算法的复杂度。选取10×10的样本集合,测试100张图片,图像大小为240*240,权值ρ0设定为0.8,0.04,0.04,统计识别结果:识别率达到97%,识别速度达到0.96s。达到了图像识别在识别领域中的指标要求。