人脸检测是指关于给定的图画或视频，判别其间是否存在人脸，假如存在，则进一步确认人脸的个数、具体位置以及巨细的进程[1]。
作为一个形式识别问题，人脸查验包括两个方面的内容，一是特征提取，二是分类办法规划。近年来，为更好地区别不同形式，呈现了一些新的特征界说，使其便于特征提取[2]并拓宽了特征库[3]，而选用AdaBoost算法从弱特征中选取分类才能强的特征组成强分类器的办法来规划层次型分类器，能够很好地处理直立正面人脸检测问题[4]。
FPGA有着规整的内部逻辑阵列和丰厚的连线资源，特别适合于数字信号处理，且有杰出的并行性和可扩展性。因而，特别适用于人脸检测中多个窗口并行处理以及弱特征的并行运算。
1 算法介绍
1.1 弱特征
因为像素特征具有受标准改变影响比较严重和不便于构建快速分类器的缺陷，因而，为了更好地区别不同形式，本文选用区域面积来归一化特征，将特征界说为相邻矩形像素灰度均值之差，如式（1）：
其间，II(x，y)为积分图画在点(x，y)处的值，I(x′，y′)为图画在点(x′，y′)处的值。
选用面积来归一化，避免了对弱特征进行标准放缩时引起的差错，并且削弱了光照对检测的影响。
1.1.1 弱特征库的树立
为易于完成，本文选用一个包括九个区域的形状模板来一致表明像素特征,九个区域面积巨细相同，但对模板区域而言，长宽能够不同。模板的九个区域有三种状况：1、0、-1，别离选用白、黑、灰来表明。在九个区域中，正特征调集界说为形状模板中白色区域组成的调集，负特征调集界说为形状模板中灰色区域组成的调集，黑色区域没有运用。
考虑到特征的表明才能和运算速度，文中只挑选了其间16种表明才能强且易于快速运算的形状作为弱特征库，16种形状模板如图1所示。
1.1.2 弱特征值的快速核算
为快速提取弱特征，将其转化为两个矩形区域的求取运算，以第13种弱特征为例，正负区域运算图如图2所示。先将负矩形合并为一个矩形，即图中A区域所示；然后求取九个区域的灰度和，即图中C区域像素灰度和，最终经过C和A求取B区域像素灰度和。依据式（2），可得sum(B)=sum(C)-sum(A)。特征区域面积也能够经过相似办法求取。依据式（1）可得到：
1.2 分类办法规划
为了在检测率不变的条件下进步检测速度，本文选用层次型人脸检测器结构，如图3所示。该结构分为12层，每一层都是AdaBoost 算法练习得到的一个强分类器.经过阈值调整，使得每一层都能让简直悉数人脸样本经过，而回绝很大一部分非人脸样本。这样，接近前面的各层，选用少数的特征即可回绝大部分的非人脸样本，而接近后边的各层，需选用很多的特征来扫除近似人脸的非人脸候选图画的搅扰。
1.3 检测流程
依据上述剖析，判别一个人脸窗口的根本流程如图4所示。
检测流程：(1)读入取样窗口和弱特征信息，求出每层的若干微特征值；(2)将微特征值除以窗口的灰度方差，得到归一特征值(f)，完成归一化处理；(3)读入此微特征练习所得的参数(m，r)，将归一特征值进行处理：h=(f-m)/r；(4)输出h，从查找表中取出对应的函数值b；(5)将强分类器所包括弱分类器对应的输入值相加：a=Σb；并将a与当时层的阈值y比较；判别经过与否。
如此循环12次以检测出人脸。
2 硬件规划
整个体系分为片内、片外两部分，体系结构如图5所示。其间，片外(即存储器，存储图画和参数)；片内，即FPGA，由四部分组成：(1)预处理电路：核算积分图画，微特征对应的正负区域和采样窗口的灰度方差；(2)分类器：检测出人脸窗口；(3)窗口交融电路：交融附近的人脸窗口；(4)操控电路：操控片内片外的数据传输及片内电路的时序。
本文在预处理电路、分类器和窗口交融电路三环节选用流水线技能，其间分类器是整个体系的技能瓶颈，决议了人脸检测的速度。因而，分类器的规划成为要害。
2.1 分类器结构
分类器由若干弱分类器和外围电路构成，其内部结构如图6所示，其间每一个弱分类器（PE）内部结构如图7所示，PE每部分完成的功用别离是：模块A：核算该窗口的微结构特征值e；模块B：归一化处理微特征值e得f；模块C：得出该窗口微特征阈值b；操控电路：操控模块间的时序即PE内部与外部的数据交换。
该处理单元由两个32位除法器、一个32位乘法器、若干全加器和寄存器构成。而除法器和乘法器由移位电路完成，其结构（以除法器为例）如图8所示。
2.2 弱分类器的组合
分类器由若干弱分类器与操控电路组成，其间操控电路依据每一层参数来操控该层强分类器个数与每一强分类器所含弱分类器数。
由练习得到一个包括12层共294个弱特征的分类器。因而，检测出一个人脸窗口，要经过294个弱特征处理单元运算。归纳考虑时刻和资源要素，弱分类器的组合采纳一次处理多个窗口，分时复用硬件资源的办法。
练习所得第n层强分类器所包括的弱特征个数如图9(a)所示。经过很多检测成果可得窗口经过率与层数n的联系如图9(b)所示。
将层经过率与该层所含弱特征个数相乘，并乘以选定的一次处理窗口的数目（12），可得较为滑润曲线，如图10所示。
从图9(b)可知前7层分类器已将绝大多数的非人脸窗口拒掉。因而，处理单元数目即由前几层中强分类器所含弱特征数与该层所处理的窗口数的乘积最大值决议，由图10可知处理单元数目为38。这样便可在较少资源的状况下大大进步检测速度。
别的，为下降一次一起处理两个接近人脸窗口的概率，本文预先改变了候选窗口输入次第。
3 试验成果
试验是对CMU-MIT测验库进行的，而练习时首要选用从Internet上搜集得到的人脸图画共1000幅，经过对这1 000幅图画进行随机旋转、平移一个像素、随机镜像共得到5 000幅24×24像素的人脸练习样本。一起搜集了1 600幅天然图片作为非人脸样本候选集。
输入图画为256×256像素，其检测作用如图11所示。对此种输入图画选用缩放因子的s＝1.3，平移因子的d＝2.5，查找从30×30像素到255×255像素范围内的人脸。整个体系用VHDL言语描绘，表1为所用硬件资源状况。
其均匀处理速度为17.3fps, 虚警率低于5E-7，检测率可达0.998。
文中新界说的微特征具有关于特征放缩时近似引进差错的鲁棒性，以及去光照影响的特性。此外，本文规划的特征模板，不只扩展了微结构特征库，并且运用方便，能够依据需要选取适宜特征。本文选用流水线技能将积分图画的核算与分类器运算并行，进步了弱特征提取速度。而在硬件完成时，使用软件练习与测验成果。归纳速度和硬件资源两目标，在确保检测质量的前提下，规划最优的硬件结构,充分使用硬件资源。
