基于層次型AdaBoost檢測算法的快速人臉檢測在FPGA上的實(shí)現

人臉檢測是指對于給定的圖像或視頻，判斷其中是否存在人臉，如果存在，則進(jìn)一步確定人臉的個(gè)數、具體位置以及大小的過(guò)程[1]。

作為一個(gè)模式識別問(wèn)題，人臉檢驗包含兩個(gè)方面的內容，一是特征提取，二是分類(lèi)方法設計。近年來(lái)，為更好地區分不同模式，出現了一些新的特征定義，使其便于特征提取[2]并拓展了特征庫[3]，而采用AdaBoost算法從弱特征中選取分類(lèi)能力強的特征組成強分類(lèi)器的方法來(lái)設計層次型分類(lèi)器，可以很好地解決直立正面人臉檢測問(wèn)題[4]。

FPGA有著(zhù)規整的內部邏輯陣列和豐富的連線(xiàn)資源，特別適合于數字信號處理，且有良好的并行性和可擴展性。因此，特別適用于人臉檢測中多個(gè)窗口并行處理以及弱特征的并行運算。

1 算法介紹

1.1 弱特征

由于像素特征具有受尺度變化影響比較嚴重和不便于構建快速分類(lèi)器的缺點(diǎn)，因此，為了更好地區分不同模式，本文采用區域面積來(lái)歸一化特征，將特征定義為相鄰矩形像素灰度均值之差，如式（1）：

　　
其中，II(x，y)為積分圖像在點(diǎn)(x，y)處的值，I(x′，y′)為圖像在點(diǎn)(x′，y′)處的值。

采用面積來(lái)歸一化，避免了對弱特征進(jìn)行尺度放縮時(shí)引起的誤差，并且減弱了光照對檢測的影響。

1.1.1 弱特征庫的建立

為易于實(shí)現，本文采用一個(gè)包含九個(gè)區域的形狀模板來(lái)統一表示像素特征,九個(gè)區域面積大小相同，但對模板區域而言，長(cháng)寬可以不同。模板的九個(gè)區域有三種狀態(tài)：1、0、-1，分別采用白、黑、灰來(lái)表示。在九個(gè)區域中，正特征集合定義為形狀模板中白色區域組成的集合，負特征集合定義為形狀模板中灰色區域組成的集合，黑色區域沒(méi)有使用。

考慮到特征的表示能力和運算速度，文中只選擇了其中16種表示能力強且易于快速運算的形狀作為弱特征庫，16種形狀模板如圖1所示。

1.1.2 弱特征值的快速計算

為快速提取弱特征，將其轉化為兩個(gè)矩形區域的求取運算，以第13種弱特征為例，正負區域運算圖如圖2所示。先將負矩形合并為一個(gè)矩形，即圖中A區域所示；然后求取九個(gè)區域的灰度和，即圖中C區域像素灰度和，最后通過(guò)C和A求取B區域像素灰度和。根據式（2），可得sum(B)=sum(C)-sum(A)。特征區域面積也可以通過(guò)類(lèi)似方法求取。根據式（1）可得到：

1.2 分類(lèi)方法設計

為了在檢測率不變的條件下提高檢測速度，本文采用層次型人臉檢測器結構，如圖3所示。該結構分為12層，每一層都是AdaBoost 算法訓練得到的一個(gè)強分類(lèi)器.經(jīng)過(guò)閾值調整，使得每一層都能讓幾乎全部人臉樣本通過(guò)，而拒絕很大一部分非人臉樣本。這樣，靠近前面的各層，采用少量的特征即可拒絕大部分的非人臉樣本，而靠近后面的各層，需采用大量的特征來(lái)排除近似人臉的非人臉候選圖像的干擾。

1.3 檢測流程

基于上述分析，判斷一個(gè)人臉窗口的基本流程如圖4所示。

檢測流程：(1)讀入取樣窗口和弱特征信息，求出每層的若干微特征值；(2)將微特征值除以窗口的灰度方差，得到歸一特征值(f)，實(shí)現歸一化處理；(3)讀入此微特征訓練所得的參數(m，r)，將歸一特征值進(jìn)行處理：h=(f-m)/r；(4)輸出h，從查找表中取出對應的函數值b；(5)將強分類(lèi)器所包含弱分類(lèi)器對應的輸入值相加：a=Σb；并將a與當前層的閾值y比較；判斷通過(guò)與否。

如此循環(huán)12次以檢測出人臉。

2 硬件設計

整個(gè)系統分為片內、片外兩部分，系統結構如圖5所示。其中，片外(即存儲器，存儲圖像和參數)；片內，即FPGA，由四部分組成：(1)預處理電路：計算積分圖像，微特征對應的正負區域和采樣窗口的灰度方差；(2)分類(lèi)器：檢測出人臉窗口；(3)窗口融合電路：融合鄰近的人臉窗口；(4)控制電路：控制片內片外的數據傳輸及片內電路的時(shí)序。

本文在預處理電路、分類(lèi)器和窗口融合電路三環(huán)節采用流水線(xiàn)技術(shù)，其中分類(lèi)器是整個(gè)系統的技術(shù)瓶頸，決定了人臉檢測的速度。因此，分類(lèi)器的設計成為關(guān)鍵。

2.1 分類(lèi)器結構

分類(lèi)器由若干弱分類(lèi)器和外圍電路構成，其內部結構如圖6所示，其中每一個(gè)弱分類(lèi)器（PE）內部結構如圖7所示，PE每部分實(shí)現的功能分別是：模塊A：計算該窗口的微結構特征值e；模塊B：歸一化處理微特征值e得f；模塊C：得出該窗口微特征閾值b；控制電路：控制模塊間的時(shí)序即PE內部與外部的數據交換。

該處理單元由兩個(gè)32位除法器、一個(gè)32位乘法器、若干全加器和寄存器構成。而除法器和乘法器由移位電路實(shí)現，其結構（以除法器為例）如圖8所示。

2.2 弱分類(lèi)器的組合

分類(lèi)器由若干弱分類(lèi)器與控制電路組成，其中控制電路根據每一層參數來(lái)控制該層強分類(lèi)器個(gè)數與每一強分類(lèi)器所含弱分類(lèi)器數。

由訓練得到一個(gè)包含12層共294個(gè)弱特征的分類(lèi)器。因此，檢測出一個(gè)人臉窗口，要通過(guò)294個(gè)弱特征處理單元運算。綜合考慮時(shí)間和資源因素，弱分類(lèi)器的組合采取一次處理多個(gè)窗口，分時(shí)復用硬件資源的方法。

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。