Adaboost算法并行硬件架构研究与FPGA验证

Adaboost算法并行硬件架构研究与FPGA验证

论文摘要

人脸检测是机器视觉的重要组成部分,广泛应用于人机交互,视频监控等领域。如何在嵌入式系统上实现实时人脸检测是一项非常有研究价值的课题。基于Adaboost算法的级联人脸检测方案检测速率快,检出率高,该算法将分类器分成若干级,只有通过所有分类器才能判定为人脸。通过将特征数量少的分类器放在前面,迅速排除大部分非人脸区域,在不影响检测精度的情况下,可显著提高检测速度。但是该算法需要存取的数据量大,计算复杂度高,单纯采用纯软件方案来实现,难以达到实时检测的要求。采用硬件实现方案,可充分利用硬件并行处理特性,通过流水线技术,可大大提高检测速度,达到实时检测要求,同时大量节省嵌入式系统CPU及内存资源。本文分析了现有几种Adaboost算法硬件架构,对耗费的逻辑资源,检测速度,存储器访问效率等进行分析,设计了一种新的阵列单元结构,充分利用硬件的并行处理能力,可在一个时钟周期内计算多个矩形灰度和。阵列单元结构以被检窗口为中心,采用固定检测窗口大小(20×20),改变被检图像尺寸的扫描策略,可以有效的减少检测单元耗费的硬件资源。采用了高并行度的阵列架构设计,只需要增加一套MUX就可将系统并行度增加1(并行度为n的系统可在每个时钟周期计算出n个矩形灰度和)。本设计采用Xilinx Spartan3A DSP型FPGA进行验证,配合视频输入以及输出模块,在系统时钟为50MHz的情况下,可对VGA分辨率(640×480)的图像进行实时检测。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 课题背景
  • 1.1.1 人脸检测概述
  • 1.1.2 人脸检测方法
  • 1.2 Adaboost 人脸检测方案
  • 1.3 Adaboost 算法硬件设计与FPGA 验证
  • 1.4 本文结构
  • 第二章 Adaboost 算法基本原理
  • 2.1 Haar 特征
  • 2.2 AdaBoost 训练算法
  • 2.3 AdaBoost 检测算法
  • 2.4 本章小结
  • 第三章 Adaboost 算法的硬件架构分析
  • 3.1 强分类器级联的流水线架构
  • 3.1.1 架构框图
  • 3.1.2 架构工作流程
  • 3.1.3 架构分析
  • 3.2 积分图存储阵列架构
  • 3.2.1 架构框图
  • 3.2.2 架构工作流程
  • 3.2.3 架构分析
  • 3.3 扫描窗口存储阵列架构
  • 3.3.1 架构框图
  • 3.3.2 架构工作流程
  • 3.3.3 架构分析
  • 3.4 架构比较
  • 3.4.1 存储器访问效率
  • 3.4.2 内部存储单元
  • 3.4.3 检测时间
  • 3.4.4 耗费逻辑资源
  • 3.4.5 架构总结
  • 3.5 本章小结
  • 第四章 Adaboost 算法改进的并行架构设计
  • 4.1 阵列单元结构
  • 4.1.1 图像RAM
  • 4.1.2 行积分逻辑
  • 4.1.3 图像数据流水线
  • 4.1.4 分类器ROM
  • 4.1.5 矩形数据流水线
  • 4.1.6 部分灰度和流水线
  • 4.1.7 分类器检测逻辑
  • 4.1.8 扫描控制逻辑
  • 4.2 工作过程
  • 4.2.1 全装载
  • 4.2.2 部分装载
  • 4.2.3 检测过程
  • 4.3 本章小结
  • 第五章人脸检测系统设计
  • 5.1 人脸检测系统工作流程
  • 5.2 主要模块介绍
  • top)'>5.2.1 视频输入模块(camtop)
  • adapter)'>5.2.2 视频输出模块(vgaadapter)
  • imageins)'>5.2.3 图像读取单元(fetchimageins)
  • 5.3 系统时钟域设计
  • 5.4 本章小结
  • 第六章 FPGA 验证和性能分析
  • 6.1 FPGA 验证
  • 6.2 硬件环境
  • 6.3 软件环境
  • 6.4 性能分析
  • 6.5 性能改进
  • 第七章 结论
  • 参考文献
  • 致谢
  • 攻读学位期间发表的学术论文
  • 相关论文文献

    • [1].基于多步校正的改进AdaBoost算法[J]. 清华大学学报(自然科学版)网络.预览 2008(10)
    • [2].基于AdaBoost级联框架的舌色分类[J]. 北京生物医学工程 2020(01)
    • [3].基于CEEMDAN+RF+AdaBoost的短期负荷预测[J]. 水电能源科学 2020(04)
    • [4].基于AdaBoost算法的炉芯温度预测模型[J]. 钢铁研究学报 2020(05)
    • [5].基于iForest-Adaboost的核电厂一回路故障诊断技术研究[J]. 核动力工程 2020(03)
    • [6].基于AdaBoost的短期边际电价预测模型[J]. 计算机与数字工程 2020(02)
    • [7].基于AdaBoost的雷达剩余杂波抑制方法[J]. 电光与控制 2020(06)
    • [8].基于KELM-AdaBoost方法的短期风电功率预测(英文)[J]. 控制工程 2019(03)
    • [9].Adaboost-SVM多因子选股模型[J]. 经济研究导刊 2019(10)
    • [10].一种改进的Adaboost-BP算法在手写数字识别中的研究[J]. 大理大学学报 2019(06)
    • [11].一种快速AdaBoost.RT集成算法时间序列预测研究[J]. 电子测量与仪器学报 2019(06)
    • [12].一种加入动态权重的AdaBoost算法[J]. 重庆师范大学学报(自然科学版) 2019(05)
    • [13].基于改进的AdaBoost算法的中压配电网断线不接地故障检测[J]. 电测与仪表 2019(16)
    • [14].基于Adaboost算法的人脸检测的研究[J]. 中外企业家 2019(26)
    • [15].基于Adaboost.RT算法的隧道沉降时间序列预测研究[J]. 中国计量大学学报 2019(03)
    • [16].一种改进的BP-AdaBoost算法及应用研究[J]. 现代电子技术 2019(19)
    • [17].AdaBoost的多样性分析及改进[J]. 计算机应用 2018(03)
    • [18].基于改进Real AdaBoost算法的软件可靠性预测[J]. 空军工程大学学报(自然科学版) 2018(01)
    • [19].一种基于聚类和AdaBoost的自适应集成算法[J]. 吉林大学学报(理学版) 2018(04)
    • [20].基于Adaboost算法的人眼检测技术在路考系统中的应用[J]. 汽车与安全 2016(04)
    • [21].基于改进Adaboost算法的人脸检测方法[J]. 科技经济导刊 2018(18)
    • [22].基于Adaboost和回归树集合技术的疲劳识别研究[J]. 汕头大学学报(自然科学版) 2017(02)
    • [23].基于AdaBoost算法的在线连续极限学习机集成算法[J]. 软件导刊 2017(04)
    • [24].基于Adaboost的改进多元线性回归算法中长期负荷预测[J]. 太原理工大学学报 2017(05)
    • [25].Adaboost人眼定位方法改进与实现[J]. 大连交通大学学报 2017(05)
    • [26].基于SVM-Adaboost裂缝图像分类方法研究[J]. 公路交通科技 2017(11)
    • [27].基于Adaboost算法的主客观句分类[J]. 长春大学学报 2015(12)
    • [28].基于AdaBoost的极限学习机集成算法[J]. 软件导刊 2016(04)
    • [29].基于Adaboost的安全带检测系统[J]. 电子测量技术 2015(04)
    • [30].基于肤色模型与改进Adaboost算法的人脸检测[J]. 软件导刊 2015(06)

    标签:;  ;  

    Adaboost算法并行硬件架构研究与FPGA验证
    下载Doc文档

    猜你喜欢