人脸检测算法的FPGA设计与实现

论文摘要

随着近年来对人脸检测技术的不断研究,人脸检测技术已得到很大的发展,并逐渐成为一个独立的研究课题。在大多数的视频监控系统中,人往往是最主要的监控对象,而人脸是识别人最重要的依据。所以,人脸的检测在数字监控系统中占据着重要的地位。Adaboost算法是人脸检测研究中的一个重要里程碑,是第一个具有实时性的人脸检测算法。从理论上讲,通过足够丰富的样本及足够多的矩形特征,经过足够的训练,Adaboost算法所得到的分类器可以获得无限趋于零的分类错误率。但由于训练设备的局限,基于PC平台的分类器训练往往需要几天甚至几十天的时间,所以,缩短分类器的训练时间尤为重要。本设计依据Adaboost算法的基本原理,在ISE软件平台上,设计并实现了Adaboost算法。在Adaboost算法的训练过程中,涉及的计算量非常庞大,主要表现在特征值的获取和最佳弱分类器的训练两个方面。本设计充分利用FPGA的并行计算能力及块RAM资源,快速获得了样本的特征值,并实现了分类器的快速训练。由于充分利用了FPGA的硬件特点,相比传统PC机训练过程大大缩短。此外,本设计还采用多尺度的检测方法在所训练的分类器上实现了Adaboost检测算法的FPGA实现。本论文首先介绍了课题的研究意义及国内外现状,简要介绍了Adaboost算法的相关理论。详细说明了Adaboost算法训练部分和检测部分的具体实现方法及实现过程,给出了相关模块的仿真结果及结果分析。最后,对论文进行了总结和展望,分析了论文中存在的问题及需要改进的地方。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景和意义
• 1.2 人脸检测国内外研究现状
• 1.3 人脸检测存在的难点
• 1.4 本课题研究的内容
• 第2章 相关理论及技术概述
• 2.1 Adaboost算法描述
• 2.2 特征值
• 2.2.1 积分图
• 2.2.2 Haar特征
• 2.2.3 特征值的计算方法
• 2.3 分类器的训练方法
• 2.3.1 弱分类器
• 2.3.2 强分类器
• 2.3.3 级联分类器
• 2.4 检测方法简介
• 2.5 FPGA基础介绍
• 2.6 本章小结
• 第3章 总体设计
• 3.1 训练部分
• 3.1.1 分类器的设计
• 3.1.2 分类器的实现
• 3.1.3 训练部分模块介绍
• 3.2 排序模块
• 3.2.1 实现方法
• 3.2.2 实现框图
• 3.3 求分类错误率模块
• 3.3.1 实现方法
• 3.3.2 实现框图
• 3.4 特征值模块
• 3.4.1 实现方法
• 3.4.2 实现框图
• 3.5 优化特征数量
• 3.6 检测部分
• 3.6.1 检测方法
• 3.6.2 检测部分设计
• 3.6.3 检测部分模块介绍
• 3.7 样本数据
• 3.7.1 图片灰度值的获取
• 3.7.2 数据的读取
• 3.7.3 数据的存储
• 3.8 本章小结
• 第4章 训练部分的FPGA实现
• 4.1 顶层模块介绍
• 4.2 特征值模块
• 4.2.1 模块介绍
• 4.2.2 积分图获取
• 4.2.3 位置信息获取
• 4.2.4 计算模块
• 4.3 排序模块
• 4.3.1 模块介绍
• 4.3.2 控制信号的逻辑关系
• 4.3.3 排序模块的仿真
• 4.4 求分类错误率模块
• 4.4.1 模块介绍
• 4.4.2 计算方法
• 4.4.3 实现结果
• 4.5 权重更新模块
• 4.5.1 模块介绍
• 4.5.2 乘法器
• 4.5.3 除法器
• 4.5.4 缓冲存储器
• 4.6 获取强分类器阈值模块
• 4.6.1 确定强分类器阈值的方法
• 4.6.2 实现方法
• 4.7 获取误检率模块
• 4.8 代码优化
• 4.9 分类器的实现结果
• 4.10 本章小结
• 第5章 人脸检测的FPGA实现
• 5.1 顶层模块介绍
• 5.2 积分图子模块
• 5.3 检测子模块
• 5.3.1 模块介绍
• 5.3.2 控制信号设计
• 5.3.3 放大部分
• 5.3.4 遍历部分
• 5.3.5 检测部分
• 5.4 窗口合并子模块
• 5.4.1 模块介绍
• 5.4.2 合并的策略
• 5.4.3 合并的具体实现
• 5.5 人脸检测的实现结果
• 5.6 实验结果
• 5.6.1 测试前数据准备
• 5.6.2 仿真结果
• 5.6.3 测试结果分析
• 5.7 本章小结
• 总结与展望
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文