基于Adaboost的人脸检测算法研究及其FPGA实现

论文摘要

人脸检测是基于图像处理的人机交互技术的重要研究内容之一,它是人脸识别的第一步,指在输入图像中确定所有存在的人脸的位置、大小、姿势的过程。人脸检测作为人脸识别系统的重要环节,开始作为独立的研究内容发展起来,日益成为国内外学者的研究热点。本文设计了一个基于FPGA的人脸检测系统,采用Altera公司的DE2开发板作为硬件平台,配合以VGA （Video Graphic Array,显示绘图阵列）显示器对人脸图像进行显示。当图像中有人脸存在时,本系统将定位人脸,在DE2板开发板上由LCD显示检测图像为人脸图像,由数码管显示人脸的位置坐标和检测时间。本文从PC平台的软件实现入手,根据经典Adaboost算法的原理,分别实现了Adaboost算法的训练过程和检测过程。采用Haar-like特征表示人脸特征,为了提高检测速度,采用积分图计算特征值。鉴于Adaboost算法的训练过程时间过长,研究中对特征数量进行了优化。通过Adaboost学习算法利用MIT数据库中的800幅人脸图像和800幅非人脸图像进行训练,获得一个由30个弱分类器组成的强分类器。分别用MIT数据库中的500幅人脸图像和500幅非人脸图像对分类器效果进行测试,测试结果表明对人脸图像的检测率为96.4%,检测时间为0.038秒／幅,对非人脸图像的检测率为76.6%,检测时间为0.037秒／幅。接着,本文将软件实现移植到DE2开发板的基于Nios Ⅱ的嵌入式平台。在硬件方面,通过QuartusⅡ软件,利用SOPC Builder搭建硬件系统。为解决SDRAM控制器和VGA控制器之间的时序问题,利用SRAM作为缓存,并且用Verilog HDL语言编写det2time2模块来统计检测时间。软件方面,在Nios Ⅱ IDE环境下采用C语言对特征提取和检测过程进行编程并调试。对大小为200×200像素的图像进行检测,最短检测时间为0.06s。本文采用自主开发的训练和检测程序,实验结果表明整个算法具有较强的可移植性,并且能较为准确地检测人脸。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的研究背景
• 1.2 国内外研究现状与趋势
• 1.3 课题的研究意义
• 1.4 人脸检测结果的评价标准
• 1.5 本文的研究内容
• 第2章 相关知识介绍
• 2.1 人脸模式特点的分析
• 2.2 人脸检测方法分类
• 2.2.1 基于模板匹配的方法
• 2.2.2 基于支持向量机的方法
• 2.2.3 基于神经网络的方法
• 2.2.4 基于隐马尔可夫模型的方法
• 2.2.5 基于Adaboost的方法
• 2.2.6 基于肤色模型的方法
• 2.2.7 基于先验知识的方法
• 2.2.8 小结
• 2.3 Adaboost算法
• 2.3.1 Boosting
• 2.3.2 Adaboost方法概述
• 2.4 本章小结
• 第3章 基于Adaboost算法的人脸检测
• 3.1 系统框架
• 3.1.1 训练部分
• 3.1.2 检测部分
• 3.2 训练过程
• 3.2.1 样本选择
• 3.2.2 提取Haar-like特征
• 3.2.3 弱分类器实现
• 3.2.4 强分类器实现
• 3.2.5 训练过程中Haar-like特征的优化
• 3.3 检测过程实现
• 3.3.1 检测前预处理
• 3.3.2 具体的检测过程实现
• 3.3.3 后处理过程
• 3.4 实验结果
• 3.4.1 训练环境
• 3.4.2 训练结果
• 3.4.3 检测结果与分析
• 3.5 本章小结
• 第4章 人脸检测算法的FPGA实现
• 4.1 系统总体设计
• 4.1.1 系统的硬件平台
• 4.1.2 Nios Ⅱ软核SOPC系统开发环境
• 4.1.3 系统的需求
• 4.1.4 系统的组成
• 4.1.5 系统的结构
• 4.2 系统硬件设计
• 4.2.1 系统各硬件模块
• 4.2.2 SOPC系统配置
• 4.3 系统软件设计
• 4.3.1 Nios Ⅱ软核处理器
• 4.3.2 算法实现
• 4.4 本章小结
• 第5章 系统调试及运行结果
• 5.1 系统调试与下载验证
• 5.1.1 系统调试
• 5.1.2 系统的综合编译
• 5.1.3 引脚锁定
• 5.1.4 下载验证
• 5.2 实验结果与分析
• 5.3 本章小结
• 第6章 总结与展望
• 6.1 本文的工作总结
• 6.2 进一步的工作展望
• 参考文献
• 致谢