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層強分類器所包含的弱特征個數如圖9(a)所示。通過大量檢測結果可得窗口通過率與層數n的關系如圖9(b)所示。

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

從圖9(b)可知前7層分類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，為降低一次同時處理兩個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 實驗結果

實驗是對CMU-MIT測試庫進行的，而訓練時主要選用從Internet上收集得到的人臉圖像共1000幅，通過對這1 000幅圖像進行隨機旋轉、平移一個像素、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。整個系統用VHDL語言描述，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。本文采用流水線技術將積分圖像的計算與分類器運算并行，提高了弱特征提取速度。而在硬件實現時，利用軟件訓練與測試結果。綜合速度和硬件資源兩指標，在保證檢測質量的前提下，設計最優的硬件結構,充分利用硬件資源。