基于嵌入式系統(tǒng)的人臉檢測算法研究

方仲秋

摘 要：文章在A8處理器作為硬件平臺，嵌入式Linux操作系統(tǒng)作為軟件平臺的基礎(chǔ)上深入研究了AdaBoost人臉檢測算法，并對其進(jìn)行了優(yōu)化改進(jìn)，采用遺傳算法消除了冗余弱分類器，形成了最終的強分類器。

關(guān)鍵詞：人臉檢測；嵌入式系統(tǒng)；AdaBoost

人臉識別技術(shù)不斷進(jìn)入大眾視野。蘋果新機(jī)iPhone X具備“刷臉”解鎖功能，并且可運用到Apple Pay以及各種需要身份驗證的APP中；首個“刷臉”支付的商用試點也在杭州一家肯德基餐廳開啟；一些銀行正嘗試啟用自動取款機(jī)“刷臉”取款功能；高鐵檢票、賓館入住也在使用“刷臉”技術(shù)。人臉識別已經(jīng)在人們衣食住行的各個領(lǐng)域發(fā)力，迎來運用的“井噴期”。本文針對嵌入式系統(tǒng)的應(yīng)用平臺，對人臉檢測算法進(jìn)行了改進(jìn)和優(yōu)化，并在嵌入式開發(fā)板上對改進(jìn)后的算法進(jìn)行了性能評測，效果良好。

1 AdaBoost人臉檢測算法的原理

1.1 AdaBoost人臉檢測算法的特點

采用積分圖方法對Harr-like矩形特征值進(jìn)行計算，方便快速；采用AdaBoost機(jī)器學(xué)習(xí)算法尋找出分類特征，利用這些分類特征生成弱分類器，然后將弱分類器進(jìn)行疊加構(gòu)成強分類器；強分類器通過串聯(lián)的方式合成為分類效率高、結(jié)構(gòu)復(fù)雜的級聯(lián)分類器；使用最后產(chǎn)生的級聯(lián)分類器對人臉待測圖像進(jìn)行搜索，可以快速排除掉不包括人臉的背景區(qū)域，大大節(jié)省了檢測時間[1]。

1.2 AdaBoost人臉檢測算法的檢測過程

（1）加載人臉待測圖像和級聯(lián)分類器。（2）將人臉待測圖像中YUV格式的像素值用八位灰度值表示，即轉(zhuǎn)化為灰度圖像。（3）對轉(zhuǎn)化后的待測圖像進(jìn)行掃描并采用積分圖方法對Harr-like矩形特征值進(jìn)行計算。（4）對待測圖像進(jìn)行分步檢測，首先按照一定的策略對整幅圖像使用一定規(guī)格的子窗口進(jìn)行檢測，然后按照一定比例對子窗口的尺寸進(jìn)行擴(kuò)大，直到當(dāng)前待測圖像和檢測窗口大小一致；子窗口對待測圖像的檢測過程，實際上就是由簡單到復(fù)雜的過程，首先對比較明顯的分類特征進(jìn)行選擇，去除大部分不包括人臉的背景區(qū)域，然后經(jīng)過多級分類器的篩選，最終對待測圖像是否存在人臉及存在的個數(shù)做出判斷。（5）最后對待測圖像中人臉的位置及大小進(jìn)行確定。（6）分割人臉區(qū)域。

2 嵌入式平臺上人臉檢測算法的優(yōu)化

2.1 代碼的優(yōu)化

2.1.1 消滅重復(fù)計算

通過分析工具，找出最影響速度的代碼段，有針對性地優(yōu)化。一般來說是判斷窗口是否是人臉的代碼最耗時，因為調(diào)用次數(shù)最多。代碼里首先要消滅的是重復(fù)計算，如代碼

int b1=pixels[y×step+x]-pixels[y×step+x+1]；

int b2=pixels[y×step+x+2]-pixels[y×step+x+3]；

可以寫為

int offset=y×step+x；

int b1=pixels[offset]-pixels[offset+1]；

int b2=pixels[offset+2]-pixels[offset+3]；

2.1.2 展開循環(huán)

如果循環(huán)次數(shù)是固定的，可以去掉for循環(huán)，直接展開。代碼行數(shù)雖然多了，但是少了for循環(huán)的條件判斷，可以加速，例如可加速10%～20%。另外可以在設(shè)計分類器的時候，就把這些因素考慮進(jìn)去，由訓(xùn)練程序生成的強分類器包含固定數(shù)目的弱分類器，或者某種規(guī)律數(shù)目的弱分類器，這樣有利于檢測代碼優(yōu)化。

2.1.3 利用SIMD指令

無論Intel CPU還是ARM CPU，都有單指令多數(shù)據(jù)（Single Instruction Multiple Data，SIMD）指令。利用這些指令，可以一次算多個數(shù)據(jù)。例如兩個byte向量相加，支持128位的SIMD指令可以一次算16個byte的加法，理論上可以加速16倍。人們常用的加速利器積分圖，其構(gòu)建過程很難用SIMD加速。如果有更好的策略，可以果斷拋棄積分圖。

2.1.4 多核并行運算

共享存儲并行編程（Open Multi-Processing，OpenMP）或者Inter線程構(gòu)建模塊（Thread Building Blocks，TBB）可以讓人們充分利用CPU的多個內(nèi)核進(jìn)行并行運算，提升速度。但用了OpenMP或TBB，未必可以加速，或未必可以加速到期望的倍數(shù)。多核并行，任務(wù)的拆分的粒度應(yīng)該盡可能粗，不同的任務(wù)盡可能不用同一塊內(nèi)存，也就是任務(wù)之間的相關(guān)度低一些有利于加速。舉個例子：如果兩個矩陣相加，按像素進(jìn)行并行操作，加速效果會很糟糕；如果按行并行，效果會好很多，但不要按列并行。

2.2 分類器的訓(xùn)練優(yōu)化

AdaBoost人臉檢測算法在嵌入式平臺上的實現(xiàn)訓(xùn)練過程既復(fù)雜又耗時，由此產(chǎn)生的級聯(lián)分類器也特別龐大，鑒于嵌入式系統(tǒng)的存儲空間有限，需要對級聯(lián)分類器訓(xùn)練進(jìn)行改進(jìn)。本文采用AdaBoost算法選取特征弱分類器，通過遺傳算法來消除冗余弱分類器，同時學(xué)習(xí)相應(yīng)的權(quán)值，權(quán)值和借助于遺傳算法擇優(yōu)之后的弱分類器線性組合之后得到最終的強分類器。AdaBoost特征數(shù)目可以通過遺傳算法所具有的全局尋優(yōu)能力來實現(xiàn)有效地減少，從而減少計算量[2]。

2.3 單訓(xùn)練樣本人臉識別模型的優(yōu)化

單訓(xùn)練樣本人臉識別問題，由于每個人都只有一幅人臉樣本圖像，沒有充分具有代表性的一定數(shù)量的訓(xùn)練樣本，采用一些常用的方法識別率將明顯下降，有的甚至不適用。針對這一情況，本文在單樣本人臉識別中引進(jìn)了一些幾何變換增加虛擬樣本的數(shù)量，同時使用二維主成分分析，提取更利于進(jìn)行分類的特征，大大提高了單訓(xùn)練樣本人臉識別中的準(zhǔn)確率和辨識率[3]。

3 實驗分析endprint

為了驗證優(yōu)化后的AdaBoost人臉檢測算法在嵌入式應(yīng)用平臺的有效性，本文在嵌入式環(huán)境下對人臉檢測的檢測速度和準(zhǔn)確度進(jìn)行了統(tǒng)計分析。實驗平臺的CPU選用了ARM A8處理器芯片，主頻800 MHz，內(nèi)存512 M，最高工作頻率1 GHz，系統(tǒng)開發(fā)環(huán)境為Linux3.2.0版本。實驗采用攝像頭采集的圖片，圖片背景復(fù)雜而且成像隨機(jī)，選用CMU數(shù)據(jù)庫測試檢測率。AdaBoost人臉檢測原始算法和優(yōu)化算法的檢測率如表1所示。

本文通過選取同一張照片的不同分辨率對檢測時間進(jìn)行測試，檢測結(jié)果如表2所示。

由表1和表2可以看出，優(yōu)化后的AdaBoost人臉檢測算法所構(gòu)建的級聯(lián)分類器能夠以更快的檢測速度完成檢測功能，而且隨著分辨率的提高，檢測時間明顯縮短。在魯棒性方面，本文采用的AdaBoost人臉檢測優(yōu)化算法沒有利用圖像色彩對人臉進(jìn)行檢測，而是使用了圖像的灰度信息，較好地避免了色彩對檢測過程的干擾。部分圖片的檢測結(jié)果如圖1所示。

4 結(jié)語

本文主要對AdaBoost人臉檢測算法及其在嵌入式平臺上的優(yōu)化改進(jìn)技術(shù)進(jìn)行了研究分析，為人臉檢測算法在嵌入式環(huán)境的應(yīng)用提供了理論依據(jù)和解決方案。隨著嵌入式技術(shù)的發(fā)展，對人臉檢測技術(shù)的研究還將進(jìn)一步深化，實現(xiàn)適合特定環(huán)境的高效算法，充分利用圖像的灰度信息和色彩信息進(jìn)行檢測，提高人臉檢測的精確度。

[參考文獻(xiàn)]

[1]盧鑫.基于嵌入式系統(tǒng)的人臉檢測算法研究與實現(xiàn)[D].西安：西安科技大學(xué)，2016.

[2]王芹芹.面向嵌入式系統(tǒng)的人臉識別算法性能優(yōu)化研究[D].北京：中國石油大學(xué)，2010.

[3]張忠.Adaboost人臉檢測算法在嵌入式平臺上的實現(xiàn)與研究[D].上海：上海交通大學(xué)，2008.

Abstract：Based on the A8 processor as the hardware platform and the embedded Linux operating system as the software platform， this article studies the AdaBoost face detection algorithm in-depth and optimizes it. The genetic algorithm is used to eliminate the redundant weak classifier， formed the final strong classifier.

Key words：face detection； embedded system； AdaBoostendprint