基于層次型AdaBoost檢測算法的快速人臉檢測在FPGA

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，則進一步確定人臉的個數、具體位置以及大小的過程[1]。

作為一個模式識別問題，人臉檢驗包含兩個方面的內容，一是特征提取，二是分類方法設計。近年來，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能力強的特征組成強分類器的方法來設計層次型分類器，可以很好地解決直立正面人臉檢測問題[4]。

FPGA有著規整的內部邏輯陣列和豐富的連線資源，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器的缺點，因此，為了更好地區分不同模式，本文采用區域面積來歸一化特征，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(x，y)處的值，I(x′，y′)為圖像在點(x′，y′)處的值。

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

1.1.1 弱特征庫的建立

為易于實現，本文采用一個包含九個區域的形狀模板來統一表示像素特征,九個區域面積大小相同，但對模板區域而言，長寬可以不同。模板的九個區域有三種狀態：1、0、-1，分別采用白、黑、灰來表示。在九個區域中，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矩形，即圖中A區域所示；然后求取九個區域的灰度和，即圖中C區域像素灰度和，最后通過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類似方法求取。根據式（1）可得到：

1.2 分類方法設計

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強分類器.經過閾值調整，使得每一層都能讓幾乎全部人臉樣本通過，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，判斷一個人臉窗口的基本流程如圖4所示。