Adaboost算法在嵌入式系统中的实现与改进

论文摘要

近年来,作为模式识别与机器视觉的一个重要研究方向,人脸检测在应用上得到了广泛的研究,与此同时,随着嵌入式技术和智能设备的发展,人脸检测应用的领域逐渐出现了移动化和户外工作的要求,本文分别基于DSP平台(TI的TMS320DM642)、Microblaze平台、PowerPC平台实现了多视角人脸检测系统,并比较了三种不同嵌入式平台下的性能差异,为实用的嵌入式人脸检测系统的设计提供了参考。论文研究的具体内容与贡献如下:1.算法研究:本文基于Schapire等人[1]提出的Real Adaboost算法,改进了弱分类器的训练过程与输出形式,训练得到多视角的级联检测器,系统在多视角人脸检测方面表现出色。2.算法实现:本文分别在DSP平台、Microblaze平台、PowerPC平台实现了基于Real Adaboost的人脸检测算法,并在PowerPC与Microblaze两个平台上基于Real Adaboost的检测算法进行了软硬件协同设计的研究,提出并验证了两种协处理器设计方案。实验方法与结果如下:经过算法与平台优化,基于Real Adaboost的人脸检测算法在DSP嵌入式平台上达到18帧/秒的检测速度。在Microblaze处理器平台上,对于人脸检测算法中较为耗时的乘加运算与开方运算,设计协处理器来处理,但最终没有达到实时检测。在PowerPC处理器平台上,我们选定积分图计算作为协处理器完成的功能,最终的检测速度可以达到16帧/秒。实验结果表明,使用改进后的Real Adaboost算法训练得到的基于视图的级联检测器进行人脸检测,在多视角人脸检测方面表现出色。在嵌入式平台实现方面,TI的TMS320DM642凭借其出色的处理能力达到了18帧/秒的检测速度,PowerPC通过硬件协处理的方式也达到了与DSP相近的速度,但Microblaze由于其处理能力不够,人脸检测算法并不适合其FSL总线的加速策略,最终没有达到实时检测。

论文目录

• 摘要
• ABSTRACT
• 1. 绪论
• 1.1 研究背景
• 1.2 人脸检测研究进展
• 1.2.1 人脸检测方法与分类
• 1.2.2 人脸检测结果的评价标准
• 1.3 课题研究任务
• 1.4 论文结构安排
• 1.5 本章小结
• 2. ADABOOST 算法的研究与改进
• 2.1 矩形特征与积分图
• 2.1.1 矩形特征的定义与描述
• 2.1.2 积分图快速算法
• 2.2 REAL ADABOOST 分类器训练算法
• 2.2.1 Adaboost 简介
• 2.2.2 Adaboost 分类器训练算法流程
• 2.2.3 Real Adaboost 分类器训练算法流程
• 2.2.4 弱分类器改进设计
• 2.2.5 Real Adaboost 分类器训练算法改进
• 2.2.6 级联检测器
• 2.2.7 人脸检测流程
• 2.3 基于DSP 平台的算法验证与优化
• 2.3.1 实验平台介绍
• 2.3.2 算法与平台优化方法
• 2.3.3 实验结果
• 2.4 本章小结
• 3. 人脸检测算法的软硬件划分设计
• 3.1 软硬件划分概述
• 3.2 基于FPGA 的设计平台
• 3.2.1 Microblaze 处理器下硬件加速策略
• 3.2.2 PowerPC 处理器下硬件加速策略
• 3.2.3 开发环境介绍
• 3.3 REAL ADABOOST 算法的软硬件协同设计
• 3.3.1 软件代码的移植
• 3.3.2 系统性能评测
• 3.2.3 基于 Microblaze 的协处理器设计
• 3.2.4 基于 PowerPC 的协处理器设计
• 3.4 本章小结
• 4. 实验结果与分析
• 4.1 实验平台介绍
• 4.2 实验结果
• 4.2.1 算法改进前后检测效果对比
• 4.2.2 不同嵌入式平台的实现性能对比
• 4.3 本章小结
• 总结与展望
• 参考文献
• 致谢
• 攻读硕士学位期间已发表或录用的论文
• 上海交通大学学位论文答辩决议书