嵌入式實(shí)時(shí)面部檢測應用設計指南

嵌入式計算機視覺(jué)系統與人類(lèi)的視覺(jué)系統非常相似，對來(lái)自范圍廣泛的各種產(chǎn)品的視頻信息進(jìn)行分析和提取，執行與人類(lèi)視覺(jué)系統相同的視覺(jué)功能。

　　在智能手機、數碼相機和便攜式攝像機等嵌入式便攜產(chǎn)品中，必須在有限的尺寸、成本和功耗條件下提供較高的性能。新興的大容量嵌入式視覺(jué)產(chǎn)品市場(chǎng)包括汽車(chē)安全、監控和游戲。計算機視覺(jué)算法識別場(chǎng)景中的物體，然后產(chǎn)生一個(gè)比其它圖像區域更重要的圖像區。例如，物體和面部檢測可用于增強視頻會(huì )議體驗、公共安全檔案管理，以及基于內容的檢索和其它許多方面。

　　可以進(jìn)行剪裁和尺寸調整，以便適當地將圖像放在面部中心。在本文中，我們提出了一種檢測數碼圖像中的面部、剪裁選定的主面部，并將調整尺寸到固定尺寸輸出圖像的應用（參見(jiàn)圖1）。這種應用可在單一圖像或在視頻流上使用，并且設計用于實(shí)時(shí)運行。只要人們關(guān)注移動(dòng)產(chǎn)品上的實(shí)時(shí)面部檢測，為了實(shí)現實(shí)時(shí)吞吐量，就必須采取合適的執行步驟。

　　本文提出了在可編程向量處理器上執行實(shí)時(shí)面部檢測應用的部署步驟，這些步驟可用于在任何移動(dòng)產(chǎn)品上執行類(lèi)似的計算機視覺(jué)算法，從這一點(diǎn)上說(shuō)，它們是通用的。

　　圖1:CEVA面部檢測應用

　　雖然靜態(tài)圖像處理消耗少量的帶寬和分配內存，但是，視頻對于目前的存儲器系統的要求卻相當嚴苛。

　　另一方面，由于檢測和區分物體需要更多的處理步驟，計算機視覺(jué)算法的存儲器系統設計極具挑戰性?？紤]19x19像素大小的面部圖形縮略圖。對于這種小圖，可能的灰度值組合就有256361種，需要極高的三維空間。由于面部圖像的復雜性，明確描述面部特征具有一定的難度；因此，建立了以統計模型為基礎的其它方法。這些方法將人臉區域視為一個(gè)圖形，通過(guò)瞄準許多“面部”和“非面部”樣品構建區分器，然后通過(guò)分析檢測區域的圖形來(lái)確定圖像是否包含人臉。

　　面部檢測算法必須克服的其它挑戰是：姿態(tài)（正面，45度，側面，倒置）、存在或缺乏結構部分（胡須、眼鏡）、面部表情、遮擋（部分面部可能被其它物體遮?。?、圖像取向（在相機光軸不同的旋轉方向，面部外表直接變化）及成像條件（照明、相機特點(diǎn)、分辨率）。

　　雖然文獻中已經(jīng)介紹了許多面部檢測算法，但是，只有少量算法能夠滿(mǎn)足移動(dòng)產(chǎn)品的實(shí)時(shí)限制性。雖然據報道，許多面部檢測算法能夠產(chǎn)生高的檢測率，但是，由于手機等移動(dòng)產(chǎn)品的計算和存儲器限制，很少有算法適合實(shí)時(shí)部署在這些移動(dòng)產(chǎn)品上。

　　通常，面部檢測算法的實(shí)時(shí)執行在具有相對強大的CPU和較大存儲器尺寸的PC電腦上進(jìn)行。針對現有面部檢測產(chǎn)品的考察顯示，Viola和Jones在2001年推出的算法已經(jīng)被廣泛采納。這是一項突破性的工作，允許采用基于外表的方法來(lái)實(shí)時(shí)運行，同時(shí)保持相同或更高的準確度。

　　這種算法利用簡(jiǎn)單特征的增強級聯(lián)，并且可以分為三個(gè)主要部分：（1）積分圖 - 用于快速特征評估的高效卷積；（2）使用用于特征選擇的Adaboost,并按照重要性順序對它們進(jìn)行篩選。每個(gè)特征可作為一個(gè)簡(jiǎn)單的（弱）區分器使用；（3）使用Adaboost來(lái)了解將最不可能包含面部的區域濾出的級聯(lián)區分器（弱區分器的集合）。圖2是區分器級聯(lián)的示意圖。在圖像中，大多數子圖像并不是面部實(shí)例。

　　根據這種假設，我們可以利用更小的高效區分器在早期排除許多否定例，同時(shí)檢測出差不多所有的肯定例。在后期采用更復雜的區分器來(lái)審查疑難情況。

　　例：24級級聯(lián)區分器

　　一級2特征區分器=> 排除60%非面部，同時(shí)檢測100%面部

　　二級5特征區分器=> 排除80%非面部，同時(shí)檢測100%面部

　　3級、4級和5級20特征區分器

　　6級和7級50特征區分器

　　8級至12級100特征區分器

　　13級至24級200特征區分器

　　圖2:區分器的級聯(lián)