基于层次型AdaBoost检测算法的快速人脸检测在FPGA

训练所得第n层强分类器所包含的弱特征个数如图9(a)所示。通过大量检测结果可得窗口通过率与层数n的关系如图9(b)所示。

将层通过率与该层所含弱特征个数相乘，并乘以选定的一次处理窗口的数目（12），可得较为平滑曲线，如图10所示。

从图9(b)可知前7层分类器已将绝大多数的非人脸窗口拒掉。因此，处理单元数目即由前几层中强分类器所含弱特征数与该层所处理的窗口数的乘积最大值决定，由图10可知处理单元数目为38。这样便可在较少资源的情况下大大提高检测速度。

另外，为降低一次同时处理两个临近人脸窗口的概率，本文预先改变了候选窗口输入次序。

3 实验结果

实验是对CMU-MIT测试库进行的，而训练时主要选用从Internet上收集得到的人脸图像共1000幅，通过对这1 000幅图像进行随机旋转、平移一个像素、随机镜像共得到5 000幅24×24像素的人脸训练样本。同时收集了1 600幅自然图片作为非人脸样本候选集。

输入图像为256×256像素，其检测效果如图11所示。对此种输入图像采用缩放因子的s＝1.3，平移因子的d＝2.5，搜索从30×30像素到255×255像素范围内的人脸。整个系统用VHDL语言描述，表1为所用硬件资源情况。

其平均处理速度为17.3fps, 虚警率低于5E-7，检测率可达0.998。

文中新定义的微特征具有对于特征放缩时近似引入误差的鲁棒性，以及去光照影响的特性。此外，本文设计的特征模板，不仅扩展了微结构特征库，而且使用方便，可以根据需要选取合适特征。本文采用流水线技术将积分图像的计算与分类器运算并行，提高了弱特征提取速度。而在硬件实现时，利用软件训练与测试结果。综合速度和硬件资源两指标，在保证检测质量的前提下，设计最优的硬件结构,充分利用硬件资源。