方仲秋

摘 要：文章在A8處理器作為硬件平臺(tái)，嵌入式Linux操作系統(tǒng)作為軟件平臺(tái)的基礎(chǔ)上深入研究了AdaBoost人臉檢測(cè)算法，并對(duì)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(qiáng)分類器。

關(guān)鍵詞：人臉檢測(cè)；嵌入式系統(tǒng)；AdaBoost

人臉識(shí)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(yùn)用到Apple Pay以及各種需要身份驗(yàn)證的APP中；首個(gè)“刷臉”支付的商用試點(diǎn)也在杭州一家肯德基餐廳開啟；一些銀行正嘗試啟用自動(dòng)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(shí)別已經(jīng)在人們衣食住行的各個(gè)領(lǐng)域發(fā)力，迎來運(yùn)用的“井噴期”。本文針對(duì)嵌入式系統(tǒng)的應(yīng)用平臺(tái)，對(duì)人臉檢測(cè)算法進(jìn)行了改進(jìn)和優(yōu)化，并在嵌入式開發(fā)板上對(duì)改進(jìn)后的算法進(jìn)行了性能評(píng)測(cè)，效果良好。

1 AdaBoost人臉檢測(cè)算法的原理

1.1 AdaBoost人臉檢測(cè)算法的特點(diǎn)

采用積分圖方法對(duì)Harr-like矩形特征值進(jìn)行計(jì)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(qiáng)分類器；強(qiáng)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(jí)聯(lián)分類器；使用最后產(chǎn)生的級(jí)聯(lián)分類器對(duì)人臉待測(cè)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(cè)時(shí)間[1]。

1.2 AdaBoost人臉檢測(cè)算法的檢測(cè)過程

（1）加載人臉待測(cè)圖像和級(jí)聯(lián)分類器。（2）將人臉待測(cè)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(duì)轉(zhuǎn)化后的待測(cè)圖像進(jìn)行掃描并采用積分圖方法對(duì)Harr-like矩形特征值進(jìn)行計(jì)算。（4）對(duì)待測(cè)圖像進(jìn)行分步檢測(cè)，首先按照一定的策略對(duì)整幅圖像使用一定規(guī)格的子窗口進(jìn)行檢測(cè)，然后按照一定比例對(duì)子窗口的尺寸進(jìn)行擴(kuò)大，直到當(dāng)前待測(cè)圖像和檢測(cè)窗口大小一致；子窗口對(duì)待測(cè)圖像的檢測(cè)過程，實(shí)際上就是由簡(jiǎn)單到復(fù)雜的過程，首先對(duì)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(jí)分類器的篩選，最終對(duì)待測(cè)圖像是否存在人臉及存在的個(gè)數(shù)做出判斷。（5）最后對(duì)待測(cè)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(tái)上人臉檢測(cè)算法的優(yōu)化

2.1 代碼的優(yōu)化

2.1.1 消滅重復(fù)計(jì)算

通過分析工具，找出最影響速度的代碼段，有針對(duì)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(shí)，因?yàn)檎{(diào)用次數(shù)最多。代碼里首先要消滅的是重復(fù)計(jì)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(jì)分類器的時(shí)候，就把這些因素考慮進(jìn)去，由訓(xùn)練程序生成的強(qiáng)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(cè)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(gè)數(shù)據(jù)。例如兩個(gè)byte向量相加，支持128位的SIMD指令可以一次算16個(gè)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(yùn)算

共享存儲(chǔ)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(gè)內(nèi)核進(jìn)行并行運(yùn)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(gè)例子：如果兩個(gè)矩陣相加，按像素進(jìn)行并行操作，加速效果會(huì)很糟糕；如果按行并行，效果會(huì)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(cè)算法在嵌入式平臺(tái)上的實(shí)現(xiàn)訓(xùn)練過程既復(fù)雜又耗時(shí)，由此產(chǎn)生的級(jí)聯(lián)分類器也特別龐大，鑒于嵌入式系統(tǒng)的存儲(chǔ)空間有限，需要對(duì)級(jí)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(shí)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(qiáng)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(shí)現(xiàn)有效地減少，從而減少計(jì)算量[2]。

2.3 單訓(xùn)練樣本人臉識(shí)別模型的優(yōu)化

單訓(xùn)練樣本人臉識(shí)別問題，由于每個(gè)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(shí)別率將明顯下降，有的甚至不適用。針對(duì)這一情況，本文在單樣本人臉識(shí)別中引進(jìn)了一些幾何變換增加虛擬樣本的數(shù)量，同時(shí)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(shí)別中的準(zhǔn)確率和辨識(shí)率[3]。

3 實(shí)驗(yàn)分析endprint

為了驗(yàn)證優(yōu)化后的AdaBoost人臉檢測(cè)算法在嵌入式應(yīng)用平臺(tái)的有效性，本文在嵌入式環(huán)境下對(duì)人臉檢測(cè)的檢測(cè)速度和準(zhǔn)確度進(jìn)行了統(tǒng)計(jì)分析。實(shí)驗(yàn)平臺(tái)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L(zhǎng)inux3.2.0版本。實(shí)驗(yàn)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(cè)試檢測(cè)率。AdaBoost人臉檢測(cè)原始算法和優(yōu)化算法的檢測(cè)率如表1所示。

本文通過選取同一張照片的不同分辨率對(duì)檢測(cè)時(shí)間進(jìn)行測(cè)試，檢測(cè)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(cè)算法所構(gòu)建的級(jí)聯(lián)分類器能夠以更快的檢測(cè)速度完成檢測(cè)功能，而且隨著分辨率的提高，檢測(cè)時(shí)間明顯縮短。在魯棒性方面，本文采用的AdaBoost人臉檢測(cè)優(yōu)化算法沒有利用圖像色彩對(duì)人臉進(jìn)行檢測(cè)，而是使用了圖像的灰度信息，較好地避免了色彩對(duì)檢測(cè)過程的干擾。部分圖片的檢測(cè)結(jié)果如圖1所示。

4 結(jié)語

本文主要對(duì)AdaBoost人臉檢測(cè)算法及其在嵌入式平臺(tái)上的優(yōu)化改進(jìn)技術(shù)進(jìn)行了研究分析，為人臉檢測(cè)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(duì)人臉檢測(cè)技術(shù)的研究還將進(jìn)一步深化，實(shí)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(cè)，提高人臉檢測(cè)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(cè)算法研究與實(shí)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(shí)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(cè)算法在嵌入式平臺(tái)上的實(shí)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