基于嵌入式系统的人脸检测算法研究
方仲秋
【摘 要】文章在A8处理器作为硬件平台，嵌入式Linux操作系统作为软件平台的基础上深入研究了AdaBoost人脸检测算法，并对其进行了优化改进，采用遗传算法消除了冗余弱分类器，形成了最终的强分类器。 【期刊名称】无线互联科技 【年(卷),期】2017(000)024 【总页数】2
【关键词】人脸检测；嵌入式系统；AdaBoost
人脸识别技术不断进入大众视野。苹果新机iPhone X具备“刷脸”解锁功能，并且可运用到Apple Pay以及各种需要身份验证的APP中；首个“刷脸”支付的商用试点也在杭州一家肯德基餐厅开启；一些银行正尝试启用自动取款机“刷脸”取款功能；高铁检票、宾馆入住也在使用“刷脸”技术。人脸识别已经在人们衣食住行的各个领域发力，迎来运用的“井喷期”。本文针对嵌入式系统的应用平台，对人脸检测算法进行了改进和优化，并在嵌入式开发板上对改进后的算法进行了性能评测，效果良好。
1 AdaBoost人脸检测算法的原理
1.1 AdaBoost人脸检测算法的特点
采用积分图方法对Harr-like矩形特征值进行计算，方便快速；采用AdaBoost机器学习算法寻找出分类特征，利用这些分类特征生成弱分类器，然后将弱分类器进行叠加构成强分类器；强分类器通过串联的方式合成为分类效率高、结构复杂的级联分类器；使用最后产生的级联分类器对人脸待测图像进行搜索，
可以快速排除掉不包括人脸的背景区域，大大节省了检测时间[1]。 1.2 AdaBoost人脸检测算法的检测过程
（1）加载人脸待测图像和级联分类器。（2）将人脸待测图像中YUV格式的像素值用八位灰度值表示，即转化为灰度图像。（3）对转化后的待测图像进行扫描并采用积分图方法对Harr-like矩形特征值进行计算。（4）对待测图像进行分步检测，首先按照一定的策略对整幅图像使用一定规格的子窗口进行检测，然后按照一定比例对子窗口的尺寸进行扩大，直到当前待测图像和检测窗口大小一致；子窗口对待测图像的检测过程，实际上就是由简单到复杂的过程，首先对比较明显的分类特征进行选择，去除大部分不包括人脸的背景区域，然后经过多级分类器的筛选，最终对待测图像是否存在人脸及存在的个数做出判断。（5）最后对待测图像中人脸的位置及大小进行确定。（6）分割人脸区域。
2 嵌入式平台上人脸检测算法的优化
2.1 代码的优化 2.1.1 消灭重复计算
通过分析工具，找出最影响速度的代码段，有针对性地优化。一般来说是判断窗口是否是人脸的代码最耗时，因为调用次数最多。代码里首先要消灭的是重复计算，如代码
int b1=pixels[y×step+x]-pixels[y×step+x+1]; int b2=pixels[y×step+x+2]-pixels[y×step+x+3]; 可以写为
int offset=y×step+x;
int b1=pixels[offset]-pixels[offset+1];
int b2=pixels[offset+2]-pixels[offset+3]; 2.1.2 展开循环
如果循环次数是固定的，可以去掉for循环，直接展开。代码行数虽然多了，但是少了for循环的条件判断，可以加速，例如可加速10%～20%。另外可以在设计分类器的时候，就把这些因素考虑进去，由训练程序生成的强分类器包含固定数目的弱分类器，或者某种规律数目的弱分类器，这样有利于检测代码优化。
2.1.3 利用SIMD指令
无论Intel CPU还是ARM CPU，都有单指令多数据（Single Instruction Multiple Data，SIMD）指令。利用这些指令，可以一次算多个数据。例如两个byte向量相加，支持128位的SIMD指令可以一次算16个byte的加法，理论上可以加速16倍。人们常用的加速利器积分图，其构建过程很难用SIMD加速。如果有更好的策略，可以果断抛弃积分图。 2.1.4 多核并行运算
共享存储并行编程（Open Multi-Processing，OpenMP）或者Inter线程构建模块（Thread Building Blocks，TBB）可以让人们充分利用CPU的多个内核进行并行运算，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数。多核并行，任务的拆分的粒度应该尽可能粗，不同的任务尽可能不用同一块内存，也就是任务之间的相关度低一些有利于加速。举个例子：如果两个矩阵相加，按像素进行并行操作，加速效果会很糟糕；如果按行并行，效果会好很多，但不要按列并行。 2.2 分类器的训练优化
基于嵌入式系统的人脸检测算法研究
