一种并行Adaboost算法的硬件实现与性能分析

论文摘要

人脸检测技术近年来在安全访问控制、视觉检测、基于内容的检索和新一代人机界面等领域得到越来越突出的应用。目前,该领域最成熟的算法是基于Haar特征的Adaboost算法,该算法引入了积分图的概念和层叠的分类器结构,图像经过前级分类器后,大片不包含人脸的区域被过滤,从而减少图像中的检测区域,由此提高了人脸检测速度。但该算法计算量大,访问数据频繁,对实现平台的计算能力有很高的要求。尽管基于该算法的软件方案已经能在桌面计算平台上达到实时性水平;然而在嵌入式系统平台上,基于Adaboost算法的应用还未达到实时性水平。本文在研究了基于Haar特征的Adaboost算法后,设计了一种硬件架构,该架构采用了双窗口扫描,能够对图像数据进行并行积分运算;扫描阶段,窗口间通过边界重合的判别来协同工作,由此实现了更高的人脸检测速度。基于该硬件架构的人脸检测系统在Xilinx Virtex5 FPGA上进行了验证,并对分辨率为640x480的8位灰度图进行了性能测试。结果表明该系统在人脸检测率(正面)为98%的条件下,检测速度为47帧/秒,达到了实时性水平。

论文目录

• 摘要
• Abstract
• 1 导论
• 1.1 课题意义
• 1.2 研究现状
• 1.3 论文结构
• 2 人脸检测技术
• 2.1 人脸检测方法的分类
• 2.1.1 基于知识的方法
• 2.1.2 特征不变量方法
• 2.1.3 模板匹配的方法
• 2.1.4 基于表象的方法
• 2.2 经典方法
• 2.2.1 主成份分析法PCA
• 2.2.2 贝耶斯判别法
• 2.2.3 人工神经网络ANN
• 2.2.4 隐性马尔可夫模型HMM
• 2.2.5 支持向量机SVM
• 2.3 本章小结
• 3 FPGA 硬件平台: Virtex5-LX110T
• 3.1 Virtex-5 FPGA 主要特点
• 3.1.1 时钟技术
• 3.1.2 片上存储器
• 3.1.3 数字信号处理单元DSP48E
• 3.2 Xilinx Virtex-5 ML509 开发板
• 3.3 本章小结
• 4 Adaboost 算法及硬件化结构
• 4.1 算法介绍
• 4.1.1 特征与积分图
• 4.1.2 分类器Classifier
• 4.2 硬件架构
• 4.2.1 双窗口图像装载与扫描
• 4.2.2 处理检测
• 4.3 本章小结
• 5 人脸检测系统设计
• 5.1 人脸检测系统工作流程
• 5.2 人脸检测系统实现
• 5.2.1 视频输入单元
• 5.2.2 图像读取单元
• 5.2.3 流水线处理单元
• 5.2.4 人脸检测判断单元
• 5.2.5 视频图像缩放单元
• 5.2.6 人脸检测结果合并单元
• 5.2.7 人脸位置绘制单元
• 5.2.8 视频输出单元
• 5.2.9 状态机控制单元
• 5.3 本章小结
• 6 性能分析
• 6.1 测试方案
• 6.2 性能分析
• 6.2.1 检测率
• 6.2.2 耗费逻辑资源
• 6.2.3 检测速度
• 6.3 本章小结
• 7 总结与展望
• 7.1 论文工作总结
• 7.2 未来研究工作展望
• 参考文献
• 致谢
• 攻读硕士学位期间已发表或录用的论文