嵌入式實(shí)時(shí)面部檢測(cè)應(yīng)用設(shè)計(jì)指南

嵌入式計(jì)算機(jī)視覺(jué)系統(tǒng)與人類(lèi)的視覺(jué)系統(tǒng)非常相似，對(duì)來(lái)自范圍廣泛的各種產(chǎn)品的視頻信息進(jìn)行分析和提取，執(zhí)行與人類(lèi)視覺(jué)系統(tǒng)相同的視覺(jué)功能。

　　在智能手機(jī)、數(shù)碼相機(jī)和便攜式攝像機(jī)等嵌入式便攜產(chǎn)品中，必須在有限的尺寸、成本和功耗條件下提供較高的性能。新興的大容量嵌入式視覺(jué)產(chǎn)品市場(chǎng)包括汽車(chē)安全、監(jiān)控和游戲。計(jì)算機(jī)視覺(jué)算法識(shí)別場(chǎng)景中的物體，然后產(chǎn)生一個(gè)比其它圖像區(qū)域更重要的圖像區(qū)。例如，物體和面部檢測(cè)可用于增強(qiáng)視頻會(huì)議體驗(yàn)、公共安全檔案管理，以及基于內(nèi)容的檢索和其它許多方面。

　　可以進(jìn)行剪裁和尺寸調(diào)整，以便適當(dāng)?shù)貙D像放在面部中心。在本文中，我們提出了一種檢測(cè)數(shù)碼圖像中的面部、剪裁選定的主面部，并將調(diào)整尺寸到固定尺寸輸出圖像的應(yīng)用（參見(jiàn)圖1）。這種應(yīng)用可在單一圖像或在視頻流上使用，并且設(shè)計(jì)用于實(shí)時(shí)運(yùn)行。只要人們關(guān)注移動(dòng)產(chǎn)品上的實(shí)時(shí)面部檢測(cè)，為了實(shí)現(xiàn)實(shí)時(shí)吞吐量，就必須采取合適的執(zhí)行步驟。

　　本文提出了在可編程向量處理器上執(zhí)行實(shí)時(shí)面部檢測(cè)應(yīng)用的部署步驟，這些步驟可用于在任何移動(dòng)產(chǎn)品上執(zhí)行類(lèi)似的計(jì)算機(jī)視覺(jué)算法，從這一點(diǎn)上說(shuō)，它們是通用的。

　　圖1:CEVA面部檢測(cè)應(yīng)用

　　雖然靜態(tài)圖像處理消耗少量的帶寬和分配內(nèi)存，但是，視頻對(duì)于目前的存儲(chǔ)器系統(tǒng)的要求卻相當(dāng)嚴(yán)苛。

　　另一方面，由于檢測(cè)和區(qū)分物體需要更多的處理步驟，計(jì)算機(jī)視覺(jué)算法的存儲(chǔ)器系統(tǒng)設(shè)計(jì)極具挑戰(zhàn)性?？紤]19x19像素大小的面部圖形縮略圖。對(duì)于這種小圖，可能的灰度值組合就有256361種，需要極高的三維空間。由于面部圖像的復(fù)雜性，明確描述面部特征具有一定的難度；因此，建立了以統(tǒng)計(jì)模型為基礎(chǔ)的其它方法。這些方法將人臉區(qū)域視為一個(gè)圖形，通過(guò)瞄準(zhǔn)許多“面部”和“非面部”樣品構(gòu)建區(qū)分器，然后通過(guò)分析檢測(cè)區(qū)域的圖形來(lái)確定圖像是否包含人臉。

　　面部檢測(cè)算法必須克服的其它挑戰(zhàn)是：姿態(tài)（正面，45度，側(cè)面，倒置）、存在或缺乏結(jié)構(gòu)部分（胡須、眼鏡）、面部表情、遮擋（部分面部可能被其它物體遮?。?、圖像取向（在相機(jī)光軸不同的旋轉(zhuǎn)方向，面部外表直接變化）及成像條件（照明、相機(jī)特點(diǎn)、分辨率）。

　　雖然文獻(xiàn)中已經(jīng)介紹了許多面部檢測(cè)算法，但是，只有少量算法能夠滿(mǎn)足移動(dòng)產(chǎn)品的實(shí)時(shí)限制性。雖然據(jù)報(bào)道，許多面部檢測(cè)算法能夠產(chǎn)生高的檢測(cè)率，但是，由于手機(jī)等移動(dòng)產(chǎn)品的計(jì)算和存儲(chǔ)器限制，很少有算法適合實(shí)時(shí)部署在這些移動(dòng)產(chǎn)品上。

　　通常，面部檢測(cè)算法的實(shí)時(shí)執(zhí)行在具有相對(duì)強(qiáng)大的CPU和較大存儲(chǔ)器尺寸的PC電腦上進(jìn)行。針對(duì)現(xiàn)有面部檢測(cè)產(chǎn)品的考察顯示，Viola和Jones在2001年推出的算法已經(jīng)被廣泛采納。這是一項(xiàng)突破性的工作，允許采用基于外表的方法來(lái)實(shí)時(shí)運(yùn)行，同時(shí)保持相同或更高的準(zhǔn)確度。

　　這種算法利用簡(jiǎn)單特征的增強(qiáng)級(jí)聯(lián)，并且可以分為三個(gè)主要部分：（1）積分圖 - 用于快速特征評(píng)估的高效卷積；（2）使用用于特征選擇的Adaboost,并按照重要性順序?qū)λ鼈冞M(jìn)行篩選。每個(gè)特征可作為一個(gè)簡(jiǎn)單的（弱）區(qū)分器使用；（3）使用Adaboost來(lái)了解將最不可能包含面部的區(qū)域?yàn)V出的級(jí)聯(lián)區(qū)分器（弱區(qū)分器的集合）。圖2是區(qū)分器級(jí)聯(lián)的示意圖。在圖像中，大多數(shù)子圖像并不是面部實(shí)例。

　　根據(jù)這種假設(shè)，我們可以利用更小的高效區(qū)分器在早期排除許多否定例，同時(shí)檢測(cè)出差不多所有的肯定例。在后期采用更復(fù)雜的區(qū)分器來(lái)審查疑難情況。

　　例：24級(jí)級(jí)聯(lián)區(qū)分器

　　一級(jí)2特征區(qū)分器=> 排除60%非面部，同時(shí)檢測(cè)100%面部

　　二級(jí)5特征區(qū)分器=> 排除80%非面部，同時(shí)檢測(cè)100%面部

　　3級(jí)、4級(jí)和5級(jí)20特征區(qū)分器

　　6級(jí)和7級(jí)50特征區(qū)分器

　　8級(jí)至12級(jí)100特征區(qū)分器

　　13級(jí)至24級(jí)200特征區(qū)分器

　　圖2:區(qū)分器的級(jí)聯(lián)