嵌入式實時面部檢測應用設計指南

嵌入式計算機視覺系統與人類的視覺系統非常相似，對來自范圍廣泛的各種產品的視頻信息進行分析和提取，執行與人類視覺系統相同的視覺功能。

　　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產品市場包括汽車安全、監控和游戲。計算機視覺算法識別場景中的物體，然后產生一個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，并且設計用于實時運行。只要人們關注移動產品上的實時面部檢測，為了實現實時吞吐量，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時面部檢測應用的部署步驟，這些步驟可用于在任何移動產品上執行類似的計算機視覺算法，從這一點上說，它們是通用的。

　　圖1:CEVA面部檢測應用

　　雖然靜態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，計算機視覺算法的存儲器系統設計極具挑戰性。考慮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圖形，通過瞄準許多“面部”和“非面部”樣品構建區分器，然后通過分析檢測區域的圖形來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（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住）、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、分辨率）。

　　雖然文獻中已經介紹了許多面部檢測算法，但是，只有少量算法能夠滿足移動產品的實時限制性。雖然據報道，許多面部檢測算法能夠產生高的檢測率，但是，由于手機等移動產品的計算和存儲器限制，很少有算法適合實時部署在這些移動產品上。

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

　　這種算法利用簡單特征的增強級聯，并且可以分為三個主要部分：（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行篩選。每個特征可作為一個簡單的（弱）區分器使用；（3）使用Adaboost來了解將最不可能包含面部的區域濾出的級聯區分器（弱區分器的集合）。圖2是區分器級聯的示意圖。在圖像中，大多數子圖像并不是面部實例。

　　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審查疑難情況。

　　例：24級級聯區分器

　　一級2特征區分器=> 排除60%非面部，同時檢測100%面部

　　二級5特征區分器=> 排除80%非面部，同時檢測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