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(shù)、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(nèi)容，一是特征提取，二是分類方法設(shè)計。近年來，為更好地區(qū)分不同模式，出現(xiàn)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(shè)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(guī)整的內(nèi)部邏輯陣列和豐富的連線資源，特別適合于數(shù)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(gòu)建快速分類器的缺點，因此，為了更好地區(qū)分不同模式，本文采用區(qū)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(xiàn)，本文采用一個包含九個區(qū)域的形狀模板來統(tǒng)一表示像素特征,九個區(qū)域面積大小相同，但對模板區(qū)域而言，長寬可以不同。模板的九個區(qū)域有三種狀態(tài)：1、0、-1，分別采用白、黑、灰來表示。在九個區(qū)域中，正特征集合定義為形狀模板中白色區(qū)域組成的集合，負特征集合定義為形狀模板中灰色區(qū)域組成的集合，黑色區(qū)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(zhuǎn)化為兩個矩形區(qū)域的求取運算，以第13種弱特征為例，正負區(qū)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(qū)域所示；然后求取九個區(qū)域的灰度和，即圖中C區(qū)域像素灰度和，最后通過C和A求取B區(qū)域像素灰度和。根據(jù)式（2），可得sum(B)=sum(C)-sum(A)。特征區(qū)域面積也可以通過類似方法求取。根據(jù)式（1）可得到：

1.2 分類方法設(shè)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(jié)構(gòu)，如圖3所示。該結(jié)構(gòu)分為12層，每一層都是AdaBoost 算法訓練得到的一個強分類器.經(jīng)過閾值調(diào)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。

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)，實現(xiàn)歸一化處理；(3)讀入此微特征訓練所得的參數(shù)(m，r)，將歸一特征值進行處理：h=(f-m)/r；(4)輸出h，從查找表中取出對應(yīng)的函數(shù)值b；(5)將強分類器所包含弱分類器對應(yīng)的輸入值相加：a=Σb；并將a與當前層的閾值y比較；判斷通過與否。

如此循環(huán)12次以檢測出人臉。

2 硬件設(shè)計

整個系統(tǒng)分為片內(nèi)、片外兩部分，系統(tǒng)結(jié)構(gòu)如圖5所示。其中，片外(即存儲器，存儲圖像和參數(shù))；片內(nèi)，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(yīng)的正負區(qū)域和采樣窗口的灰度方差；(2)分類器：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(nèi)片外的數(shù)據(jù)傳輸及片內(nèi)電路的時序。

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

2.1 分類器結(jié)構(gòu)

分類器由若干弱分類器和外圍電路構(gòu)成，其內(nèi)部結(jié)構(gòu)如圖6所示，其中每一個弱分類器（PE）內(nèi)部結(jié)構(gòu)如圖7所示，PE每部分實現(xiàn)的功能分別是：模塊A：計算該窗口的微結(jié)構(gòu)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：控制模塊間的時序即PE內(nèi)部與外部的數(shù)據(jù)交換。

該處理單元由兩個32位除法器、一個32位乘法器、若干全加器和寄存器構(gòu)成。而除法器和乘法器由移位電路實現(xiàn)，其結(jié)構(gòu)（以除法器為例）如圖8所示。

2.2 弱分類器的組合

分類器由若干弱分類器與控制電路組成，其中控制電路根據(jù)每一層參數(shù)來控制該層強分類器個數(shù)與每一強分類器所含弱分類器數(shù)。

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

訓練所得第n層強分類器所包含的弱特征個數(shù)如圖9(a)所示。通過大量檢測結(jié)果可得窗口通過率與層數(shù)n的關(guān)系如圖9(b)所示。

將層通過率與該層所含弱特征個數(shù)相乘，并乘以選定的一次處理窗口的數(shù)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(shù)的非人臉窗口拒掉。因此，處理單元數(shù)目即由前幾層中強分類器所含弱特征數(shù)與該層所處理的窗口數(shù)的乘積最大值決定，由圖10可知處理單元數(shù)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(jié)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(zhuǎn)、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(nèi)的人臉。整個系統(tǒng)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(shè)計的特征模板，不僅擴展了微結(jié)構(gòu)特征庫，而且使用方便，可以根據(jù)需要選取合適特征。本文采用流水線技術(shù)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(xiàn)時，利用軟件訓練與測試結(jié)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(shè)計最優(yōu)的硬件結(jié)構(gòu),充分利用硬件資源。