本站小編為你精心準備了DM642的人臉檢測參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《電子器件雜志》2014年第三期

1基于簡化Gabor小波和層次型支持向量機的人臉檢測算法

1．1簡化Gabor小波特征為了降低運算量，提高人臉檢測速率，共24個小波響應來提取簡化Gabor小波特征。簡化Gabor小波特征是通過輸入圖與二維簡化Gabor小波進行卷積得到的，具體實現方法是:將輸入圖像分別與簡化Gabor小波的實部和虛部進行卷積運算。這樣每個像素通過與簡化Gabor小波卷積之后得到共24個簡化Gabor小波變換系數，為了簡化運算，提高人臉檢測速度，去除光照等因素的影響，此處求取24個簡化Gabor小波變化系數的均值作為該像素點的簡化Gabor特征。

1．2基于簡化Gabor小波特征的層次型支持向量機的人臉檢測算法基于簡化Gabor小波特征的層次型支持向量機的人臉檢測算法框圖如圖1所示。首先將輸入圖像與簡化Gabor小波進行卷積運算按照上節的方法提取簡化的Gabor小波特征，利用多尺度和多方向的簡化Gabor特征可以有效的去除光照所造成的影響。然后用20×20像素大小的矩形檢測窗口在圖像中移動，窮舉搜索輸入圖像中所有的可能位置，通過一個線性SVM組合構成的分類器快速的排除輸入圖像中絕大部分的非人臉區域，從而減少候選人臉區域的數量，通過線性SVM初步判斷可能是人臉的，加入到候選人臉區域列表，最后通過非線性SVM來對剩余的難于區分的候選區域進行判斷，最終檢測出人臉。因為在實際應用中，圖像中得絕大多數背景區域和人臉有較大的差別，所以為了快速的排除背景中的非人臉區域，本文使用了層次型結構的SVM分類器。先設計一個線性組合SVM分類器快速排除大部分的非人臉區域，然后用一個非線性的SVM分類器判別剩下的難以區分的人臉候選區域。線性SVM的設計本質上就是分段線性判別函數的設計。因為非人臉模式變化范圍比較大，我們考慮把非人臉樣本聚類成N個子類，然后針對這N個子類分別設計分類器，所有的人臉樣本作為一個類別。本文采用Kohonen自組織映射(SOFM)聚類方法。線性SVM分類器具體設計方法如下:對第i(0＜i≤N)類非人臉和人臉模式，線性SVM分類函數如下:若u=N則認為可能是人臉，加入人臉候選區列表，否則認為是非人臉區域而排除掉。總體思想就是用N個線性SVM分類器進行投票，只有當所有分類器全部認可才能通過驗證。此處的線性分類器選擇N=8。對于非線性SVM分類器的設計，是用于對可能的候選人臉區域作進一步的判斷，非線性SVM分類器如下式:

2基于TMS320dm642的人臉檢測系統設計和實現

2．1系統硬件構成DSP平臺下人臉檢測系統的實現我們選用的DSP平臺是聞亭科技公司的TDS642EVM開發板，主處理芯片是TI公司的TMS320DM642，開發環境是CCS2．20，編程語言為C語言。TMS320DM642是TI公司C6000系列的一款高性能芯片，其主頻600MHz，有8個并行運算單元，處理能力達4800MI/S。本系統硬件以TMS320DM642為核心，輔以視頻解碼器等外設芯片，基本框架如圖2所示。圖像采集部分由CCD攝像頭采集視頻信號，采集圖像大小為320×240，經視頻解碼器A/D轉換為YUV信號，再由DM642芯片通過DMA讀取數據并進行處理，隨后將數據存儲到SDRAM中，再通過視頻編碼芯片D/A轉化為模擬信號，最終輸出到顯示器顯示。系統從攝像頭獲取PAL制式視頻信號，經過視頻解碼器得到的是4∶2∶2格式8bit寬的YUV格式的信號。該視頻信號由DM642上的外設VP口讀取，實現視頻的輸入。讀取進來的視頻信號，只選取Y分量用于檢測，調用編好的檢測程序進行檢測。檢測完成后的視頻幀再由視頻編碼器編碼后輸出到電視機的顯示屏上。開發環境如圖3所示。

2．2系統軟件工具本文采用TI公司的DSP集成開發環境CCS2．2進行軟件開發，該軟件平臺提供了基于C語言系統的編譯、鏈接和調試工具，并能進行系統仿真和實時跟蹤，為DSP程序的設計和開發提供了很大的方便。

2．3系統代碼移植為了驗證算法的有效性，本文先在PC環境下進行了算法仿真，使用C代碼和匯編語言混合編程，并調用了計算機視覺OPENCV函數庫，在VC6．0環境下仿真。由于OPENCV不能在DSP特定的開發環境下使用，因此需要對部分代碼進行裁剪和轉化。在PC端將人臉檢測所用到的OpenCV函數庫從OpenCV中剝離出來，并將這些代碼用標準C代碼實現。另外，在代碼移植中，還得具體考慮VC和C6000編譯器相關基本數據類型之間的差別。在程序的移植過程中，由于采用純C語言編程，而人臉檢測所用的分類器文件是xml文件，但C語言卻不能直接讀取，因此需要將xml格式的分類器文件轉換為txt文件。從xml格式的分類器文件到txt文件的轉換，我們采用的是FirstObjectiveSoftware公司提供的CMarkupC++類的免費版，利用CMarkup類自己編寫了c++程序來直接讀取xml中有用的數據再依靠C函數Fprintf存入到txt文件中。

2．4系統優化為了能夠實現人臉檢測系統的實時檢測，需要針對DM642對算法和配置進行相應的優化。具體優化方法［9］主要有:浮點定點數轉化，循環優化，使用內聯函數和線性匯編優化。(1)浮點定點數轉化DM642是定點運算芯片，在其中進行浮點運算是非常耗時的，因此需要將代碼中使用到的浮點數轉化為定點數。定點化過程的一個關鍵是定標，也就是確定變量的范圍，需要對其進行精度分析，在精度范圍內進行數據位操作。實驗證明，將浮點數分類器轉化為定點數分類器，并對代碼中浮點變量定點化，最終檢測速度有了很大的提高。(2)循環優化一般情況下，循環過程會占用程序運算的很大一部分時間。AdaBoost算法中，窗口搜索和級聯分類器都用到了循環體，對循環體的優化主要是循環展開，將多重循環展開為單重循環，從而能充分利用C6000軟件流水，提高速度。(3)使用內聯函數C6000編譯器提供了很多內聯函數，它們直接映射為內嵌匯編指令的特殊函數，這樣可迅速優化C語言代碼。例如用內聯指令_add2、_mpyhl、_mpylh等完成兩組16bit數的加法和乘法，效率比單純16bit數的加法和乘法提高一倍。(4)線性匯編優化線性匯編是C6000系列的類匯編工具，線性匯編代碼與匯編源代碼相似，但線性匯編代碼中沒有指令延遲和寄存器使用信息。可以將最耗費時間的一部分C代碼用線性匯編寫，然后使用匯編優化器優化這些代碼，優化后檢測速度能明顯提高很多。

3實驗結果

人臉檢測的實驗訓練樣本使用Yale，Harvard等人臉識別庫，線性SVM分類器訓練使用的非人臉樣本從沒有人臉的圖像中隨機選擇，共使用大約8000個樣本，訓練懲罰因子C設為10。非線性SVM分類器訓練使用的非人臉樣本在線性SVM組合的約束條件通過自舉的方法獲得。具體過程描述如下:(1)對50幅沒有人臉的輸入圖像進行檢測，使用通過線性SVM組合分類器的部分背景窗口作為初始非人臉樣本，用這些非人臉樣本對非線性SVM分類器進行訓練，此處的懲罰因子C設為20。(2)用訓練得到線性SVM分類器、非線性SVM分類器重復對第1步中50幅輸入圖像進行檢測。(3)如果虛警數沒有超過一定數值，則停止訓練，否則選擇一部分虛警窗口圖像加入原來非人臉樣本集，更新非人臉樣本集，然后按照第2步的方法繼續訓練非線性SVM分類器。表1是人臉檢測測試的統計結果:從統計結果我們可以看到利用簡化Gabor特征的層次型支持向量機方法可以提高人臉檢測率，同時降低虛警數目。因為簡化Gabor小波特征運算過程得到很大的簡化，運算速率得到顯著的提高。系統檢測時，輸入的視頻圖像大小為320×240像素，檢測窗口初始大小為20×20。系統的關鍵步驟是代碼的移植和系統的優化，表2列出了經過各個優化步驟后，系統的檢測性能。由上表可以看出，經過4次優化，系統檢測速度接近20幀/s，基本達到了實時的要求。經過數據統計，誤檢率低于6%。而且本系統對人臉的多視角有較好的檢測效果。

4結束語

本文介紹了基于DSP的人臉實時檢測系統，研究提出了一種基于簡化Gabor小波特征和層次型支持向量機的人臉檢測算法，該算法檢測速度快并且誤檢率低。將此算法用于TDS320DM642處理芯片，對代碼進行移植和系統優化，在保持檢測準確率的同時提高檢測速度，最終能達到實時的檢測效果。由于存在周圍復雜環境以及光照條件的不穩定性，本系統的檢測效果會受到一定的影響。因此，可以考慮增加訓練分類器層數來提高系統檢測的穩定性，為今后開展人臉跟蹤和識別的研究奠定基礎。

作者：李月芳單位：常州輕工職業技術學院電子電氣工程系