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（cam_top）
• adapter）'>5.2.2 视频输出模块（vga_adapter）
• image_ins）'>5.2.3 图像读取单元（fetch_image_ins）
• 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