基于層次型AdaBoost檢測算法的快速人臉檢測在FPGA

訓練所得第n層強分類(lèi)器所包含的弱特征個(gè)數如圖9(a)所示。通過(guò)大量檢測結果可得窗口通過(guò)率與層數n的關(guān)系如圖9(b)所示。

將層通過(guò)率與該層所含弱特征個(gè)數相乘，并乘以選定的一次處理窗口的數目（12），可得較為平滑曲線(xiàn)，如圖10所示。

從圖9(b)可知前7層分類(lèi)器已將絕大多數的非人臉窗口拒掉。因此，處理單元數目即由前幾層中強分類(lèi)器所含弱特征數與該層所處理的窗口數的乘積最大值決定，由圖10可知處理單元數目為38。這樣便可在較少資源的情況下大大提高檢測速度。

另外，為降低一次同時(shí)處理兩個(gè)臨近人臉窗口的概率，本文預先改變了候選窗口輸入次序。

3 實(shí)驗結果

實(shí)驗是對CMU-MIT測試庫進(jìn)行的，而訓練時(shí)主要選用從Internet上收集得到的人臉圖像共1000幅，通過(guò)對這1 000幅圖像進(jìn)行隨機旋轉、平移一個(gè)像素、隨機鏡像共得到5 000幅24×24像素的人臉訓練樣本。同時(shí)收集了1 600幅自然圖片作為非人臉樣本候選集。

輸入圖像為256×256像素，其檢測效果如圖11所示。對此種輸入圖像采用縮放因子的s＝1.3，平移因子的d＝2.5，搜索從30×30像素到255×255像素范圍內的人臉。整個(gè)系統用VHDL語(yǔ)言描述，表1為所用硬件資源情況。

其平均處理速度為17.3fps, 虛警率低于5E-7，檢測率可達0.998。

文中新定義的微特征具有對于特征放縮時(shí)近似引入誤差的魯棒性，以及去光照影響的特性。此外，本文設計的特征模板，不僅擴展了微結構特征庫，而且使用方便，可以根據需要選取合適特征。本文采用流水線(xiàn)技術(shù)將積分圖像的計算與分類(lèi)器運算并行，提高了弱特征提取速度。而在硬件實(shí)現時(shí)，利用軟件訓練與測試結果。綜合速度和硬件資源兩指標，在保證檢測質(zhì)量的前提下，設計最優(yōu)的硬件結構,充分利用硬件資源。