CN110008794A - 一种基于haar特征的adaboost人脸检测算法的硬件设计方法 - Google Patents
一种基于haar特征的adaboost人脸检测算法的硬件设计方法 Download PDFInfo
- Publication number
- CN110008794A CN110008794A CN201810025335.7A CN201810025335A CN110008794A CN 110008794 A CN110008794 A CN 110008794A CN 201810025335 A CN201810025335 A CN 201810025335A CN 110008794 A CN110008794 A CN 110008794A
- Authority
- CN
- China
- Prior art keywords
- detection
- face datection
- integrogram
- data
- strong
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于haar特征的adaboost人脸检测算法的硬件设计方法,包括待检图像积分图按列读取与加载控制单元、级联强分类器积分图数据存储单元、Haar特征参数编码与存储单元、积分图数据处理与检测单元。其中,待检图像积分图以检测子窗口只保持32x32固定窗口积分数据,按列加载从片外DDR顺序读取并写入由33组28X32RAM组成两个检测子窗口的积分图数据存储单元,保证串并混合的流水线处理架构的积分图数据处理与检测单元不间断处于高速检测,占用硬件资源较少,并节省了片上存储空间;通过Haar特征参数定点化,检测算法以定点运算器来实现,不仅降低了计算复杂度,并且不降低人脸检测的精度。
Description
技术领域
本发明涉及一种基于haar特征的adaboost人脸检测算法的硬件设计方法。
背景技术
人脸检测已经在新一代的人机交互、智能安防和智能监控及图像检索等领域得到了广泛应用。随着嵌入式技术和智能设备的发展,许多人脸检测应用平台由PC机向基于嵌入式平台的便携式智能设备发展,由于人脸检测算法需要存取的数据量大,计算复杂度高,目前只有高性能的嵌入式设备才能达到实时检测的性能要求,系统成本相对昂贵,然而,在低成本嵌入式平台的计算能力相当有限,无法实现嵌入式纯软件的实时人脸检测,因此,往往需要考虑增加硬件加速模块来弥补嵌入式平台计算能力不足的问题,而如何设计符合人脸检测算法特点的低成本、高速实时的硬件结构,就成为了解决人脸检测嵌入式化的核心技术问题。
发明内容
本发明所要解决的技术问题是提供一种基于haar特征的adaboost人脸检测算法的硬件设计方法,在FPGA时钟频率100MHZ条件下,可对分辨率为600X600的图像,进行实时检测,检测速度达到15帧/秒,实现了低频率下获得高性能的基于haar特征的adaboost人脸检测算法,并且FPGA片上RAM与逻辑资源消耗几乎最少,形成了基于haar特征的adaboost人脸检测算法的低成本FPGA解决方案。
本发明解决上述问题所采用的技术方案为:一种基于haar特征的adaboost人脸检测算法的硬件设计方法,包括以下主要的硬件设计方法:
1、根据十五级Adaboost级联分类器包含的弱分类器个数的特性,采用串并混合的流水线处理架构,前三级强分类器采用并行流水线的处理方式,第四、五级强分类器采用串行流水线的处理方式,第六级至第十五级强分类器采用复用的五级串行流水线,要是经过第十级后,判决为人脸窗口,再次优先进入复用五级串行流水线,不会造成第五级流水结束过渡到第六级流水线的阻塞情况。
2、级联强分类器中每一级强分类器的所有haar特征的阈值与权重,浮点数定点化处理,使得所有的运算通过定点运算器来实现,却不降低检测精度。
3、针对积分图处理与人脸检测单元的流水线处理的架构,采用级联强分类器积分图数据存储单元,由33组28X32的双口RAM来存储两个检测子窗口的积分数据,交替为积分图数据处理与检测单元提供检测子窗口的积分数据,避免待检测子窗口的积分数据未准备好,导致串并混合的流水线强分类器处理中断。
4、待检图像积分图数据按列读取加载单元的设计,待检图像积分图数据从片外DDR按列地址顺序读取,可以保证积分图数据处理与检测单元的无需等待时间高速流水线处理的图像积分图数据,
所述的一种基于haar特征的adaboost人脸检测算法的硬件设计方法,整个高性能的人脸检测算法硬件设计中所设计的运算器都是采用定点运算器,与采用32位单精度浮点算法器检测精度完全一致,片上存储两个级联分类器的待检图像积分数据,保证了高速完成基于haar特征的adaboost人脸检测算法。
附图说明
图1为基于haar特征的adaboost人脸检测算法的硬件实现的架构图
图2为15级级联强分类器与每一级弱分类器组成图
图3为串并混合流水线处理架构的级联分类器结构图
图4为待检图像积分图的检测子窗口顺序图
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
1、图2所示,一个人脸检测的十五级强分类器,每一级强分类器所包含的弱分类器个数不一,前三级强分类器的弱分类器个数分别为8个,8个与18个,第四、五级强分类器的弱分类器个数为40个与48个,第六级至第十五级强分类器的弱分类器个数都是84个。通过算法软件仿真实验结果,人脸检测子窗口通过前三级强分类器的通过率分别约为68.5%、37.4%、18.3%,前三级强分类器采用并行流水线的处理方式;人脸检测子窗口通过第四、五级强分类器的通过率分别约为9.9%与8.1%,第四、五级强分类器采用串行流水线的处理方式;从第六级强分类器开始,人脸检测子窗口通过率都是在4%以下,而且随着级数的增加,通过率越来越低,直至第十五级通过率在0.3%以下,根据弱分类器个数都是84个的特性,充分考虑逻辑资源与人脸检测子窗口的检测速度,采用复用五级串行流水线处理方式,当第十级强分类器与第五级强分类器检测后都是人脸窗口时,级数高的强分类器优先进入流水线,不会造成第五级流水结束过渡到第六级流水线的阻塞情况,具体见图3所示。当前人脸检测子窗口检测中,只要任何一级强分类器被判决为非人脸窗口或经过十五级强分类器后判决为人脸窗口,进入下一个人脸检测子窗口检测。
2、人脸检测子窗口只保持32x32固定窗口积分数据,级联强分类器中每一级强分类器的所有弱分类器的特征矩形框左下角起点坐标、特征矩形框高度与宽度、特征矩形框权重都是由5位的整形表示;每一级强分类器的所有弱分类器的阈值与权重乘以220倍的结果取整,用28位的整形表示,弱分类器方向用-1用0表示,使得待检人脸子窗口积分数据的所有的运算通过定点运算器来实现,却不降低检测精度。
3、针对积分图处理与人脸检测单元的流水线处理的架构,采用级联强分类器积分图数据存储单元,由33组28X32的双口RAM组成。(1)、当32x32大小固定的人脸检测子窗口的左边框位置位于第0列时,从DDR按列地址读取33列的图像积分图数据写入33组28X32的双口RAM,0-31组与1-32组双口RAM积分图数据组成两个人脸检测子窗口,当一个人脸检测子窗口检测结束后,进行下一个人脸检测窗口的检测,同时从DDR中按上次读取的图像积分图数据列地址的下一个列地址,再读取一列的图像积分图数据,写入0编号的28X32的双口RAM,写入28X32的双口RAM操作,从0组到32组依次循环,为下一个人脸检测子窗口的人脸图像积分数据做好准备,直到DDR读取到待检人脸图像积分数据的右边框位置为第599列时,一直等待片上两个级联强分类器积分图人脸检测子窗口完成。人脸检测子窗口换行到第一列时,再去重复进行(1)的操作,直到人脸检测子窗口到最后一行与最后一列,见图4,完成一帧的分辨率为600X600的图像积分图的检测。
Claims (2)
1.一种基于haar特征的adaboost人脸检测算法的硬件设计方法,包括以下主要的硬件设计方法:
1)、根据十五级Adaboost级联分类器包含的弱分类器个数的特性,采用串并混合流水线处理架构,前三级强分类器采用并行流水线的处理方式,第四、五级强分类器采用串行流水线的处理方式,第六级至第十五级强分类器采用复用的五级串行流水线的处理方式,要是经过第十级强分类器后,判决为人脸窗口,再次优先进入复用五级串行流水线,不会造成第五级流水结束过渡到第六级流水线的阻塞情况,保证了串并混合的流水线强分类器高速检测中,同时提升了检测速度。
2)、级联强分类器中每一级强分类器的所有haar特征的阈值与权重,浮点数定点化处理,使得所有的运算通过定点运算器来实现,却不影响检测精度。
3)、针对积分图处理与人脸检测单元的流水线处理的架构,采用级联强分类器积分图数据存储单元,由33组28X32的双口RAM来存储两个检测子窗口的积分数据,交替为积分图数据处理与检测单元提供检测子窗口的积分数据,避免待检测子窗口的积分数据未准备好,导致串并混合的流水线强分类器处理中断。
4)、待检图像积分图数据按列读取加载单元的设计,待检图像积分图数据从片外DDR按列地址顺序读取存储到级联强分类器积分图数据存储单元远远小于完成一个检测子窗口检测的时间,可以保证积分图数据处理与人脸检测单元的无需等待时间高速流水线处理的图像积分图数据。
2.根据权利要求1所述的一种基于haar特征的adaboost人脸检测算法的硬件设计方法,整个高性能的人脸检测算法硬件设计中所设计的运算器全部采用定点运算器,与采用32位单精度浮点算法器检测精度完全一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810025335.7A CN110008794A (zh) | 2018-01-05 | 2018-01-05 | 一种基于haar特征的adaboost人脸检测算法的硬件设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810025335.7A CN110008794A (zh) | 2018-01-05 | 2018-01-05 | 一种基于haar特征的adaboost人脸检测算法的硬件设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110008794A true CN110008794A (zh) | 2019-07-12 |
Family
ID=67164687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810025335.7A Pending CN110008794A (zh) | 2018-01-05 | 2018-01-05 | 一种基于haar特征的adaboost人脸检测算法的硬件设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008794A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881715A (zh) * | 2020-06-03 | 2020-11-03 | 西安电子科技大学 | 一种人脸检测硬件加速方法、系统和设备 |
-
2018
- 2018-01-05 CN CN201810025335.7A patent/CN110008794A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881715A (zh) * | 2020-06-03 | 2020-11-03 | 西安电子科技大学 | 一种人脸检测硬件加速方法、系统和设备 |
CN111881715B (zh) * | 2020-06-03 | 2023-07-28 | 西安电子科技大学 | 一种人脸检测硬件加速方法、系统和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11501001B2 (en) | Techniques to detect perturbation attacks with an actor-critic framework | |
US11176384B1 (en) | Apparatus, system and method for object detection around vehicle and application of same | |
CN110197146A (zh) | 基于深度学习的人脸图像分析方法、电子装置及存储介质 | |
CN111309825A (zh) | 数据聚类的存储方法、装置及计算机可读存储介质 | |
CN104424480A (zh) | 面部识别 | |
WO2022126914A1 (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN109902556A (zh) | 行人检测方法、系统、计算机设备及计算机可存储介质 | |
Takagi et al. | A sub-100-milliwatt dual-core HOG accelerator VLSI for real-time multiple object detection | |
CN111178367B (zh) | 适应多物件尺寸的特征决定装置及方法 | |
Meus et al. | Embedded vision system for pedestrian detection based on HOG+ SVM and use of motion information implemented in Zynq heterogeneous device | |
CN110008794A (zh) | 一种基于haar特征的adaboost人脸检测算法的硬件设计方法 | |
Lu et al. | 9.7 A 184 µ W Real-Time Hand-Gesture Recognition System with Hybrid Tiny Classifiers for Smart Wearable Devices | |
Song et al. | Fast detection of multi-direction remote sensing ship object based on scale space pyramid | |
Yabe et al. | Exploring the performance of deep neural networks on embedded many-core processors | |
CN115408568A (zh) | 一种对神经网络的算子进行融合的方法和相关产品 | |
US20230386244A1 (en) | Person re-identification method, computer-readable storage medium, and terminal device | |
CN113255682A (zh) | 一种目标检测系统、方法、装置、设备及介质 | |
Chen et al. | Scalable hardware acceleration of non-maximum suppression | |
CN115240163A (zh) | 一种基于一阶段检测网络的交通标志检测方法及系统 | |
CN115409678A (zh) | 一种对神经网络的算子进行融合的方法和相关产品 | |
Zhihao et al. | Object detection algorithm based on dense connection | |
WO2022035433A1 (en) | Reducing power consumption by hardware accelerator during generation and transmission of machine learning inferences | |
CN113139542A (zh) | 目标检测方法、装置、设备和计算机可读存储介质 | |
CN102402688A (zh) | 用于实现adaboost人脸检测算法的硬件结构及实现算法方法 | |
Fredj et al. | An efficient parallel implementation of face detection system using CUDA |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190712 |