硕士学位论文-基于DSP的嵌入式人脸识别系统的设计.pdf

重庆大学硕士学位论文基于DSP的嵌入式人脸识别系统的设计姓名：李娟申请学位级别：硕士专业：信号与信息处理指导教师：何伟20090603中文摘要摘要随着社会的发展，人们对身份鉴别的准确性、安全性和实时性提出了更高的要求，传统的身份识别方式已经不能满足这种需要，而生物识别技术以其自身的特点和优势正得到了飞速的发展和广泛的应用。相对于指纹识别、声音识别、掌纹识别等其它生物识别方法，人脸识别技术提供了一种直接、友好、方便、非侵犯性、高可靠性和稳定性等优点的鉴别途径，这些优点使得人脸识别技术在身份识别、自动监控、人机交互等众多领域有了很大的发展潜力。本文在需求分析与实验的基础上，首先提出系统的总体设计方案，整个系统的设计包括DSP的硬件配置，人脸识别相关算法的研究及其在DSP上的实现；以SEEDvPM642型DSP开发板为硬件开发平台，移植入人脸检测和人脸识别算法，构建了基于DSP的人脸识别系统。论文的主要内容包括：1深入研究了Adaboost算法原理，分别实现了人脸检测的分类器训练过程和在线检测过程，并将其移植到DSP人脸识别系统中。2对人脸识别算法进行了改进，提出了一种双向压缩的二维主成分分析和PCA相结合的人脸识别方法，即直接对二维图像依次进行行和列方向上的特征抽取，在此基础上进行主成分分析以压缩特征维数，此方法在保证较高识别率的前提下，节省了人脸特征所占的存储空间。3在DSP集成开发环境CCS中把系统的工作划分为图像采集、图像处理、图像显示、网络初始化以及PC机与DSP间的网络通信这五个任务，并通过CCS中集成的实时操作系统DSPB10S对各任务进行配置，实现任务的合理调度。4利用DSP控制摄像头实现了人脸图像的实时采集，构建人脸特征库，将其存储在PC机上，通过DM642的网络接口实现了PC机与DSP的通信和实时配置。在前期的算法验证时，在CMUMIT的正面人脸数据库上，对基于Adaboost的人脸检测算法测评，证实了该算法的实时性和有效性；在ORL人脸数据库上，对改进的人脸识别算法测评，经过多次反复的参数调整，使得识别率最高达到了975；在构建好完整的人脸识别系统后，进行实时测试，实验结果表明该系统构建合理，在实时性、正确性、安全性方面达到了预期目标。关键词：人脸检测，人脸识别，Adab00st，二维主成分分析，DM642英文摘要ABSTRACTAsmedeVelopmentofsocietypeopleputsfonVardlli曲errequir锄entstomeaccuracy，securityaIldreal-timeofpersonalidentification，仃aditionalsnolongermeettherequirements，whilebiometricidenti6cationtecllnologyobtainsfastdeVelopmentandwideapplicationwimitsowncharactensticsandadvantagesComparedtootherbiometricidentificationsuchasfinge叩rint，Voice，palmprimandsoon，facerecognitiontecIlIlologypr0Videsawayofidentificationwhichisdirect，衔endly，ConVenient，non-inVasion，hi曲reliability锄dstabiliUtheseadvantagesmal(efacereco盟itionhave莎eatpotentialitiesinmanyfieldssuchaSpersonalidentification，automaticmonitorandcontr01a11dhuman-computerinteractiona11dsoonBasedonrequireITlentanalysisandexp甜ment，mispaperfirstlypresentedthewholerealizationsdl锄eofsyst锄，thedesignofthewh01esystemincludedhaIdwareconfigurationofDSPthestudyofrelatedalgoritlllnsoffacereco印itionanditsrealizationonDSP，thellusedSEEDVPM642DSPdevelopmentboardasmehardwaredeVelopmentplat，仃aIlspl觚tedthealgorithmsoffacedetectionandfacereco趴itionintoDSP，andthenconstmctedmefacereco印itionsyst锄basedonDSPThemaincontentsofthispaperareasfollow：1De印lystudiedmealgorithmprincipleofAdaboost，respectiVelyrealized仃ainingprocessofclaSsifierusedforfacedetectionanddetectingprocesson-line，andtlansplanteditintothefacerecognitionsysteInofDSP：2IIIlproVedthealgoritllInoffacerecognition，putfonVardacombinedwimbidirectionaltwodimensionalpdncipalcomponentanalysisa11dPCA，t11atis，firstlyex舰ctingfeaturesint11edirectionofrow锄dc01umnintumdirectlyon觚。一dimensionalimage，thenonthebasisofwhichcompressingfeaturedimensionsusingprincipalcomponentanalysis，thismemodnotonlyguaraJlteshighrecognitionratebutalsosaVesstoragespaceforfacefeatures3IntheintegrateddeVelopmentenviro啪entCCSofDSP，meworkofsystemisdiVidedintofiVetaskswhichareimageacquisition，imageprocessing，imagedisplay，net、)I，orkinitialization锄dnet、)I，orkcommumcationbe觚eeIlPCandDSPtheIltlleauthorcon69uredthesefiVetasksusingreal-timeoperatingsystemDSPBIOSinCCS，realizedproperscheduling锄ongthesetaSks4Realizedreal-timeacquisitionoffaceimageusingCCDcarrleracontrolledby重庆犬学硕十学位论文DSP，establishedsystemsownfacefeaturedatabase，andstoredthemonPC，realizedcommunicationbetweenDSP觚dPCandrealtimecon矗gurationbynetworkinterfaceofDM642IIlmeprophasealgorithmveri丘cation，itshowedthattllealgoritoffacedetectionbasedonAdaboostmettherequirementofreal-timea11de衔ciencyonthebasis0f行ontfacedatabaSeofCMUMIT；Tbstingonthefacedatabaseof0RLusingimproVedoffacerecognition，itshowedmatme11ighestValueoffacerecognitionratereachedup975，througllmaIlytimesandr印eatedparameteradjustlnent；AjFtercompletedconstnlctionoffacerecognitiononDSPtheauthortestedinrealtimeonmissysteIIl，theresult如nherVeri6edmerationalityofsystemsconstruction，achieVedexpectedobjectiVeinmeaspectofreal-time，accuracyandsecuritv-Keywords：FaceDetection，FaceRecognition，Adaboost，TwoDimeIldionalPrincipalComponentAnalysis，DM642学位论文独创性声明本人声明所呈交的盈士学位论文曩盈堕P鱼鱼丝釜煎垒睦逊垫垒垒叁鱼!鹭惟我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论学位论文作者签名：彦嚏民签字日期：橱啼签字日期：。c铎6冈彳日伽彳铎6同千日学位论文使用授权书本人完全了解重庆大学有关保留、使用学位论文的规定。本人完全同意中国博士学位论文全文数据库、中国优秀硕士学位论文全文数据库出版章程(以下简称“章程”)，愿意将本人的礁士学位论文蕉蕴区P鱼鲢篮i幽务锄a设可提交中国学术期刊(光盘版)电子杂志社(CNKI)在中国博士学位论文全文数J据库、中国优秀硕士学位论文全文数据库以及重庆大学博硕学位论文全文数据库中全文发表。中国博士学位论文全文数据库、中国优秀硕士学位论文全文数据库可以以电子、网络及其他数字媒体形式公开出版，并同意编入cNKI中国知识资源总库，在中国博硕士学位论文评价数据库中使用和在互联网上传播，同意按“章程规定享受相关权益和承担相应义务。本人授权重庆大学可以采用影印、缩印或其他复制手段保存论文，可以公开论文的全部或部分内容。作者签名：筮生鱼导师签名：备注：审核通过的涉密论文不得签署。授权书一，须填写以下内容：该论文属于涉密论文，其密级是堡纽，涉密期限至年一月一日。说明：本声明及授权书堂筮装订在提交的学位论文最后一页。l绪论1绪论11课题研究的目的与意义随着社会的发展，对身份验证的需求也日益增加。生物特征是人的内在属性，具有较强的自身稳定性和个体差异性，因此可作为身份认证较好的依据。现今，适合身份验证的识别方法已经有很多种，如指纹、虹膜、掌纹、步态、表情等等，而人脸作为人的生物特征之一，在使用上较其它的生物特征更友好、直接和方便，对于使用者无任何心理障碍，是一种容易被人们接受的非侵犯性识别方法，因此人脸识别技术近年来己成为计算机视觉和模式识别领域中的一个前沿课题【21。另外，人脸识别技术的研究由于涉及心理学、神经科学、图像处理、模式识别、计算机视觉、统计学和人工智能等众多学科知识，因此，技术含量高且市场需求大，其产品具有很强的赢利前景。通常的人脸识别系统是基于计算机进行处理的，在类似于入口管理、门禁系统等对处理速度和装置大小要求较高的场合，不是很适用，新兴的数字信号处理器的出现，以其高速、准确的性能为自动人脸识别带来了新的途径。自动人脸识别技术在个人身份认证和视觉监控等领域有着广阔的应用前景。例如在公安司法领域对各种身份证件的识别和对嫌疑犯的识别；在商业领域对各种信用卡和银行卡用户的识别；在银行、商店和机场等场合的视觉监控和安全系统的识别以及在人机交互领域的识别应用等。总之，人脸识别技术提供了一种直接、友好、方便、非侵犯、高可靠和稳定的鉴别途径，因此，它有着非常广阔的应用前景，自动人脸识别系统在各种不同领域中的应用必将对人们生活的各个方面产生深刻的影响。12国内外研究现状与进展121人脸识别的定义人脸识别是指基于已知的人脸样本集，利用计算机分析比较人脸图像中的视觉特征信息，运用图像处理和模式识别等技术从静态或动态场景中获得并分析一个或多个人脸，从中提取出有效的识别信息，来自动鉴别图像中待识别人的身份的一门技术。具体来说，就是先判断图像中是否存在人脸，如果存在，则进一步确定每张人脸的位置、大小和各个主要面部器官的位置信息，并依据这些信息进一步提取每张人脸所代表的具体个人的过程。人脸识别概念可简单描述为：给定某一场景的静态图片或动态视频图像，根据存储的人脸库识别或确认一个或更多的人，人脸识别的过程一般可以分为三个重庆人学硕+学位论文部分：人脸检测定位：判断输入图像或视频序列中是否存在人脸，如果有，则从背景中检测出人脸，并分割人脸；人脸特征提取：对找到的每个人脸，抽取其主要面部特征，包括位置、形状等信息；匹配识别：根据面部特征定位的结果，与人脸数据库中的人脸逐个比对，判断该人脸的身份信息。广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、特征提取、身份确认等，而狭义的人脸识别特指通过人脸进行身份比对或确认。122人脸识别的发展历史人脸识别的研究发展到现在已经有40年左右的历史了，它的发展大致分为以下三个阶段：第一阶段是手动识别阶段，这一阶段研究主要是人脸识别所需要的面部特征，识别过程全部依赖于操作人员，具有代表性的是19世纪末法国科学家SirFranisGalton的侧面人脸识别研究。第二阶段是人机交互识别阶段，始于上世纪60年代末70年代初，当时许多不同学科的科学家进行了大量的基础性研究，为人脸识别技术的兴起奠定了坚实的基础，早期的人脸识别主要研究以提取人脸几何特征的方法和利用模版匹配为主，通过人脸面部特征间距离的不同和图像灰度值的相关信息来进行人脸识别，一般都是局限于基于人脸的外部轮廓的方法，还不能摆脱人的干预。第三阶段是真正的机器自动识别阶段，近十余年来，随着高性能计算机的发展，人脸模式识别方法有了较大的突破，人脸识别从开始的手动标记特征发展到了机器自动识别阶段，表现为自动从一个给定的静态图像或视频中定位人脸并抽取面部特征，将分类器设计应用到人脸识别上来。目前人脸识别领域最著名的国际研究机构包括：美国麻省理工学院媒体实验室(MIT)及人工智能实验室、南加州大学(USC)、CMU卡内基梅隆机器人研究及交互系统实验室、马里兰大学(UMD)等，另外一些国家或地区也有不少的研究机构在人脸识别领域进行了大量的研究工作。90年代中后期以来，国内的许多研究机构在自然科学基金、863计划、攀登计划等资助下，开始了对人脸识别的研究，其中主要包括清华大学计算机系、自动化和电子系、哈尔滨工业大学、南京理工大学信息学院、中科院自动化所、上海交通大学图像处理与模式识别研究所、中山大学数学系、西北工业大学等，他们在人脸识别研究领域都进行了许多很有意义的尝试，积累了经验。2l绪论现阶段，人脸识别各种算法的评测部分都是在已经分离了背景的人脸数据库上完成的，通常所说的人脸识别就是特征提取和识别，其核心就是选择适当的人脸表征方式和分类决策，虽然人类本身能毫不费力地识别人脸，但对于计算机来说，完成同样的任务却困难得多，这一困难来源于计算机本身学习能力的局限性，另一方面则是由人脸识别技术的复杂性造成的。人脸虽然具有相对稳定的特征和结构，但同时人脸具体形态的多样性和所处环境的复杂性也造成了识别的巨大困难，此外，人脸识别研究同时涉及到图像处理、计算机视觉、模式识别、人工智能、神经网络、生理学、心理学等诸多学科，这使得人脸识别成为一项极富有挑战性的研究课题。13论文设计思路与内容安排131设计思路首先，在算法的前期验证阶段对人脸检测及人脸识别算法进行深入地理论研究，在vC+或MATLAB环境下进行算法的仿真与验证，并对部分算法提出改进；其次，以TI公司的TMS320DM642DSP处理器为核心，对其视频口和视频编解码芯片进行J下确配置，通过DSP控制CCD摄像头实时采集人脸图像，并通过显示器实时显示；对系统的工作任务进行划分，通过DSPBIoS进行资源的合理配置，完成系统的多任务实时调度，从而构建基于DSP的人脸识别系统；最后，在DSP中实现图像核心处理算法的移植，使其能完成人脸检测和人脸识别的功能；另外，根据socket编程原理编写基于MFC的控制台程序，便于DsP与PC机的通信和实时配置；优化系统硬件配置和软件算法，提高系统的稳定性和实时性，使其能应用到实际工作场合。132论文的内容安排本文共分为六章。第一章为绪论部分，主要介绍课题的研究目的和意义，根据国内外研究现状及其进展，介绍人脸识别的定义、发展历史，提出本文设计思路和内容安排。第二章介绍系统的开发平台，包括硬件平台和软件丌发环境，简要介绍DSP6000系列的特点，以及用于本课题的核心处理器DM642的特点及优点；其次介绍SEEDvPM642开发板及其性能指标。软件方面，介绍DSP集成开发环境CCS和实时底层软件DSPBIOS。第三章着重讲述人脸检测算法的研究与实现，从Adaboost算法的原理及实现步骤都详细阐述，分为Haar型特征、积分图计算、弱分类器、强分类器、级联分类器的训练过程，以及在线检测过程，最后给出在人脸检测库上的实验结果。第四章简要介绍图像预处理采用的算法，着重讲述本课题研究的几种典型的重庆火学硕十学位论文人脸识别算法，从一维的“特征脸”方法、主成分分析(PCA)和线性鉴别分析(FLD)相结合的Fishemces方法，到基于图像矩阵的2DPCA算法，一一作研究与实现，针对选用算法存在的问题提出改进，即双向压缩的特征抽取与PCA相融合的策略，并与其它算法作分析比较。第五章重点讲述基于DSP的人脸识别系统的设计与实现，先给出系统的总体设计方案，再讲述本设计的关键点，即DM642的视频接口、视频编解码芯片及其视频驱动开发、DSPBIOS中的任务设计、网络接口的应用设计，最后通过将已验证的人脸检测和识别算法到DSP成功移植，并给出系统的测试结果。第六章是对工作的总结以及对需要进一步改进的地方指明方向。42系统的硬件平台与软件开发环境2系统的硬件平台与软件开发环境基于DSP的人脸识别系统的开发资源分为硬件开发平台和软件开发环境，其中硬件开发平台包括DSP开发板、外围设备如视频输入输出设备，它们是系统的硬件基础，良好的硬件平台为系统功能的实现提供了强大的硬件支撑。软件丌发环境主要是指软件的编辑、编译和运行环境，本设计中的人脸检测算法、图像预处理算法、人脸识别算法、系统的DSPBlOS配置程序、DSP和PC机之间的通信协议等都是在软件开发环境中完成的。硬件开发平台和软件开发环境相结合，为系统的功能实现奠定良好的基础。21系统的硬件平台介绍211DSP6000的介绍自从20世纪70年代末第一片数字信号处理芯片DsP问世以来，就以数字器件特有的稳定性、可重复性、可大规模集成，特别是可编程性高和易于实现白适应处理等特点，给数字信号处理的发展带来了巨大的机遇，1997年，美国德州仪器(TI)公司发布了新一代DSP芯片TMS320C6000，包括定点系列和浮点系列，二者相互兼容，最早推出的C620l的运算速度已经达到了1600MIPS，在业界创造了数字信号处理器处理能力上新的里程碑。TMs320c6000系列DSP最主要的特点是在结构上采用了甚长指令字结构【3】此结构中由一个超长的指令字来驱动内部多个功能单元，因此DSP可以单周期发出多条指令，实现很高的指令级并行效率。c6000系列CPu采用改进的哈佛结构，其程序总线和数据总线分开，取指令和执行指令可以并行操作，进一步提高了指令的执行效率。C64x系列是TI公司最高性能的通用数字信号处理器，其指令集功能强大，同时内部CPU的时钟频率很快，其中推出的1GHz版本的C6416数字信号处理器，芯片内部的八个执行单元可以同时执行，因此运算能力很强，十分适合用于视频信号处理算法的实现，不过作为通用数字信号处理器，C64x系列没有提供丰富的外设接口，必须用FPGA等可编程逻辑器件来实现与视频编解码芯片等的接口，而这样做增加了外围电路设计的难度和复杂度，也影响了处理器的运算性能，为此TI公司专门为视频信号处理设计了DM64x系列，该系列芯片都使用了C64x系重庆人学硕士学位论文列的处理器核，并且在此基础上提供了许多视频处理所需要的外设接口，这样在保留了C64x系列强大的运算能力的同时，极大地简化了外围电路的设计，非常适合用于视频信号处理的应用场合。212DM642的特点和优点TMS320DM642是TI公司推出的一款面向数字多媒体应用的DSP4】，它在TI的C64xDsP内核基础上进一步集成了完备的外设接口，是目前应用于图像处理的主流产品之一，其具有几个主要优点：高性能的C64x处理器核高达600MHz的CPU时钟频率(最高可以达到720MHZ)、改进的哈佛结构、使用32字节的超长指令字、支持8个高度独立的功能单元同时运行、支持数据不对齐的存取架构、多达64个32位通用寄存器、所有指令都可条件执行、只有15w低功耗。多级存储器架构片内提供16K字节的一级程序缓存、16K字节的一级数据缓存、256K字节的二级存储器可以被灵活配置成静态存储器或者二级缓存。十分丰富的外设接口可与多种同步异步存储器无缝连接的64位外部存储器接口(EMIF)、多达64通道的增强型直接存储器存取控制器(EDMA)、3个可与通用视频编解码芯片无缝连接的可配置视频端口、1个音频输入输出接口、12c总线控制模块、32Bit66MHZ的PCI主从接口、10100Mbps以太网媒体访问控制器(EMAC)，这些丰富的片上外设不仅能使用户很方便地对音频视频等各种复杂的运算进行高速处理，还能方便无缝地连接视频音频编解码器件和以太网、PCI总线等数据传输接口，非常适合用于VoIP、数字视频服务器、多通道数字视频录像机、多通道数字视频监控等应用，提供高质量的视频编解码解决方案。62系统的硬什平台与辕什开发环境熏箧耋】|霞n引量掣垂”：裂”HI_邑噩墓封图21DM642的原理框图F镕2lPnnc叫eblockd18FfDMt；422l3sEED，vPM642的介绍二二“一乏f一：僦I羔!：i：i。二ii：=厂=。j图22sEEDvPM642开艟板F1922DeveIopmenIboardSEED-vPM642重庆人学硕士学位论文本系统的硬件平台采用了合众达电子技术有限责任公司研发的一款型号为SEEDvPM642的DsP开发板【5】，SEEDVPM“2是一款专为各种视频应用而开发的PcI插卡或带有lO100M以太网接口的独立模板，其上主要集成了DSP、SDRAM、FLASH、VIDEo、AUDIO、UART、IO、RTC、ESAM、ATA与网络接口等外设，该开发板结构紧凑、布局合理、标准的半长PCI插卡、4路视频输入、1路视频输出、4路音频立体声输入、8路开入、8路开出和2路RS232爪S422RS485，异步串口分别由2个高密度DB26连接器从PC机后面板引出，+5V电源输入、RJ45以太网接口则从对边引出，A1rA硬盘接口位于右上方，而1路YC视频输出和4路立体声音频输出则位于左上方。SEEDVPM642开发板的主要技术指标：主处理器：TMs320DM642，工作主频高达720MHZ，处理能力可达5760MIPssDRAM：4M唪64位，工作时钟为133MHzFLAsH：4M木8位，70ns(20年数据保存，1000000次擦写)4路视频输入：标准PA洲TsC制式模拟视频输入l路视频输出：标准PALNTsC制式模拟视频输出PAL：720，Ic62525帧秒NTSC：720木52530帧秒4路音频输入输出：标准模拟音频(Microphone或LineIIl输入输出)，支持8Z96KHz16202432位采样2路异步串口：Rs232Rs422Rs485可编程配置传输率：Rs232：1Mbaud：RS422RS485：192Mbaud数字IO：8路开入8路开出实时时钟：提供年、月、日、星期、时、分、秒等实时信息，提供512幸8位EEPRoMPcI接口：32位，33MHz，支持主从模式的Pcl22标准以太网接口：loM100MbaseTx标准ArA硬盘接口：实现ATA的P1040传输方式22系统的软件开发环境221DSP集成开发环境CCS为了充分发挥DSP芯片的高性能，TI公司推出了强大的集成开发环境CCS(CodeComposerStudio)【6】，其中包括了几乎所有的代码生成工具，CCS具有实时、多任务、可视化的软件开发特点，使用CCs提供的工具，开发者可以非常方便地对DSP软件进行设计、编码、编译、调试、跟踪和实时性分析。具体包括以下几部分：82系统的硬件平台与软件开发环境集成可视化开发界面，可直接编写C、汇编、h文件、文件等集成代码产生工具，包括汇编器、优化C编译器、链接器等集成调试工具，如装入执行代码(ouT文件)、查看寄存器、存储器、反汇编、变量窗口等，支持C源代码级调试支持多DSP调试断点工具，有硬件断点、数据空间读写断点、条件断点等探针工具，可用于算法仿真、数据监视分析工具，可用于评估代码执行的时钟数数据的图形显示工具，支持多种方式，可自动刷新提供GEL工具，用户可以编写自己的编程面板和菜单，方便直接地修改参量、配置参数提供DSPBIoS工具，增强对代码的实时分析能力，调试程序执行的优先级，方便管理或使用系统资源，从而减少了开发人员对硬件熟悉程度的依赖性。222实时底层软件DSPB10SDSPBIOS简介DSPBIOS是一个简易的实时嵌入式操作系统【。刀，主要面向实时调度与同步，主机目标系统通讯，以及实时检测等应用，具有实时操作系统的诸多功能，如任务的调度管理、任务问的同步和通讯、内存管理、实时时钟管理、中断服务管理、外设驱动程序管理等，TI已在DSP集成丌发环境CCS中嵌入了DSP愿IOS开发工具，故操作十分方便。使用DSPBIos开发DSP软件主要优势有两点：一，所有与硬件有关的操作都可以借助DSPBIOS提供的芯片支持库函数完成，避免了直接控制硬件资源。开发人员可以通过CCS提供的图形化工具在DSPBIOS的配置文件中完成这些设置，也可以在代码中通过DSPBIoSAPI调用进行动态设置。二，开发程序在运行时与传统开发的DsP程序有所不同，在传统开发过程中，用户自己完全控制DsP，软件按照顺序依次执行，而在使用DSPBIoS后，由DSP愿IOS控制DSP，用户的应用程序建立在DSPBIOS的基础上，并在其调度下按任务、中断的优先级排队等待执行。DsPB10S由三部分组成：DSPBIOS实时内核与API、DSPBIoS分析工具以及DSPBIOS配置工具，其中DSPBIOS为用户提供150多个API，DSPB10S分析工具可以辅助CCS实现程序的实时调试，以可视化的方式观察程序的性能，而不影响应用程序的运行；DSPBIOS的配置工具可以进行可视化地设置DSPBIOS模块参数、建立DSPBIoS对象，如软件中断和任务等。一个使用DSPB10S丌发的应用程序主要是通过调用一系列的DSPBIoS实时9重庆人学硕十学位论文库中的API函数来实现的，这些API函数是为硬件目标板的嵌入式程序工作，包括在实时、Io模块、软件中断模块、时钟管理的情况下捕获信息所进行的操作。DsPBIoS中的线程DSPBIoS内核通过在单一处理器上允许高优先级线程抢占低优先级线程的方式支持不同优先级的多种类型线程，并负责处理各线程之间的各种相互作用，包括通讯、同步等。DSPBIoSAPI提供可伸缩的实时核，还提供了有优先级的多线程处理，它是专为那些需要实现实时调度、同步以及通信的应用程序而设计的，在一个包含DSPBIOS内核的应用程序中，有四种主要线程：硬件中断(HWI)、软件中断(SWI)、任务(TSK)、后台线程(IDL)，他们的优先级依次从高到低。1)硬件中断模块用来管理硬件中断，能为DSP中的每个硬件中断配置中断服务程序(ISR)，硬件中断用来处理时问苛刻的关键任务，可以处理发生频率在200l洫左右的事件。2)软件中断模块适用于处理一些发生速率较低的任务或对实时性要求较低的任务。3)任务模块适用于处理一些发生速率较低的任务，可以处理时间限制在100ms以上的事件，它与软件中断的区别在于每个任务都有自己的堆栈，任务间支持同步和通讯，一个任务可以挂起等待某一资源有效，任务线程内部分为16个优先级。4)后台线程用于没有时间限制的非关键处理，只有在其它线程不运行时才运行。当没有硬件中断或处理完硬件中断时，DSPBIOS内核会优先切换到软件中断(如果这时有软件中断在等待的情况下)，并调用软件中断中指定的函数，当处理完所有的软件中断后，再切换到任务线程，执行任务对象中指定的函数，若中间有硬件中断发生，DSPBIOS内核会优先处理硬件中断，其次是软件中断，然后才是回到刚才任务中继续执行，在执行完前面所有的线程后，DSPBIoS内核才进入后台IDL线程。任务问的通讯和同步DSPBIoS为任务线程之间提供了通讯和同步手段，主要用到了信号量(SEM)、邮箱(MBX)、队列(QUE)三种。信号量用于在一组竞争的任务间协助访问共享资源，邮箱用于把消息从一个任务传给另一个任务。队列通过QuE模块来管理，该模块提供了一系列的队列操作函数，如动态创建一个队列、在队列的末尾添加元素项等。DSPBIOs启动过程102系统的硬件平台与软件开发环境1)复位中断产生后，HWII也SET将调用中断服务程序cint00。2)在cintOO中完成系统的初始化，包括DSPBIoS配置中制定的各个寄存器的设置以及PLL倍频设置等。3)调用B10Sinit()函数初始化DsPBIOS模块。4)调用main()函数进行用户的初始化。5)在main()函数结束返回后，调用BIOSstan()函数启动DSPBIOS，开始按优先级执行硬件中断、软件中断、任务线程。6)当前面三种线程都没有执行时，DSPBIOS进入IDLFLOOP循环程序，执行后台的IDL线程，若有高优先级的线程出现，便从后台线程返回。3人脸检测算法的分析与设计3人脸检测算法的分析与设计31人脸检测算法综述人脸检测问题最初来源于人脸识别，早期的人脸识别研究主要针对具有较强约束条件的人脸图像(如无背景的图像)，往往假设人脸位置己知或很容易获得，因此人脸检测问题并未受到重视，随着人脸应用范围的不断扩大和开发实际系统需求的不断提高，这样的假设不再满足要求，人脸检测丌始作为独立的研究内容发展起来了。人脸检测就是指在输入图像中确定人脸的位置、大小和姿态。20世纪90年代以来，人脸检测的研究取得了较多的成果，这一阶段的研究更多的是以检测精度的提高和各种视角的人脸检测为主要内容，但是有较高检测率的算法大多不能满足实时性要求，而检测速度快的算法其效率又差强人意。经过十多年的发展，研究者提出了多种检测方法，特别是那些利用运动、肤色和一般信息的方法，统计和神经网络方法的使用也使在复杂背景和多分辨率中的人脸检测成为可能，近期人脸检测的精度有了大幅度的提高，检测率可以达到90以上。然而，人脸检测要走向实际应用，检测速度是待解决的关键问题，因此，在检测精度提高的同时，检测速度越来越受研究者们的重视。目前国内外人脸检测问题的研究较多，比较著名的有麻省理工学院(MIT)、卡耐基一梅隆大学(CMU)和伊利诺斯大学(UrLJC)等，国内如清华大学、北京大学、亚洲微软研究院、中科院计算技术研究所和中科院自动化研究所等都有人员从事人脸检测相关的研究。人脸检测实际上是一个两类的人脸鉴别问题，即在一幅图像中只有人脸和非人脸之分，基本思想是基于知识和基于统计的方法对人脸建模，比较所有可能的待检测区域的人脸模型的匹配度，从而得到可能存在的人脸区域。人脸检测方法可分为基于知识的和基于统计的方法两大类MJ：基于先验知识的方法是将人脸面部器官之间的关系编码准则化的人脸检测方法，这是一种自顶而下的方法，依据人脸面部器官的对称性、灰度差异等先验知识，制定一系列准则，当图像中的待检测区域符合准则，则被检测为人脸。基于统计学习的人脸检测方法是目前人脸检测的主流方法，因为很多情况下的人脸图像，并不能通过知识规则来描述，而需要大量的人脸和非人脸样本进行训练，从而得到人脸图像和非人脸图像之间一些细微的差异。作为一种统计学习方法，Adaboost算法应用于人脸检测【91，在检测速度和检测精度等方面取得了很好的效果，使得人脸检测真正走向实用化，从此基于Adaboost重庆人学硕十学位论文方法的快速人脸检测成为新的研究热点，国内外很多研究机构对Adaboost算法及快速检测方法进行了研究并取得了一定的进展。32Adaboost算法原理1995年，Immnd和schapire提出了Adaboost算、法【101，这种算法不需要任何关于弱学习器的先验知识，可以非常容易的应用到实际问题中去，Adaboost算法提出后，在机器学习领域得到极大的关注，B00st算法中大部分扩展都由它而来。Adaboost算法是一个迭代算法，其基本思路是：每轮迭代时，根据分类结果对样本权重分布进行调整，J下确分类的样本权重减小，错误分类的样本权重增加，这样学习算法在下一轮迭代中集中学习分类比较困难的样本，最终将每轮产生的弱规则按照加权投票的方式合并为一个强规则。Adaboost训练强分类器的算法描述如下：给定一系列训练样本(X1，y1)，(x2，y2)，(xn，yn)，其中yi=O表示其为负样本(非人脸)；yi=1表示其为正样本(人脸)，n为总的训练样本数量。初始化权重其中对于负样本，=亡；对于正样本，w，=寺，m和1分别为这负样本和正样本的数量，肌+，=以。对于第t轮循环，FORt-l，2T：1)权重规一化：w，卜；(31)磁，J=l2)对于每个特征f，训练一个弱分类器五(z，厂，p，臼)，计算目标函数：勺=w，木I而(薯，乃，p，够)一乃l(32)达到最小；3)从2)确定的弱分类器中，找出一个具有最小错误率的弱分类器忽，即啊(x)=1z(x，Z，鼽，e)；(33)4)按照这个最佳弱分类器，更新每个样本对应的权重：w+l，=彬，一，其中屈=L，q=o表示薯被正确地分类；q=l表示玉被错误地分类。J一6f最后的强分类器为：r771五(x)：1善色纵曲o5蔷色，其中色_109去(34)【o，。砌P刑括e基本算法流程图：143人脸检测算法的分析与设计开始给定一系列训练样本(xl，y1)，(x2，y2)，(x。，y。)初始化权重：FoR-lTonIF负样本THENqf=1(2聊)lF正样本THEN=1(2，)ENDFoRFoRt=l，2，T：卜争鸯Q毒，期=嗉o，a嗍删孵结束归一化权重：FoRi-1Tonp“。K，ENDFoR计算每个特征的弱分类器的加权错误率占=pl(J，p。口，)一yIIl，】=p。I(x，2JD：，p：)一y，I-占，-=p。I(x，。J口。，口)一yf。l选最小错误牢的弱分类器12r，、sjsklt=li，pt=pl，9t=ei(x)=(J，乃，p，q)调整权重：黟=三一l一FoRi=lTonIFxi被正确分类THENw，+1，=W，屈IFxi被错误分类THENw+1，=嵋JENDFoR图31Adaboost训练流程图Fig31TrainingflowchatofAdaboost以上训练过程的意义为：每一次迭代过程在当前的概率分布上找到一个具有最小错误率的弱分类器，然后调整概率分布，增大当前弱分类器分类错误的样本的概率，降低当前弱分类器分类正确的样本的概率，以突出分类错误的样本，使下一次迭代更加针对本次的不正确分类，这样，后面训练样本提取的弱分类器就会更加强化对这些样本的训练。33基于Adaboost的人脸检测算法基于Adaboost的人脸检测是一种基于积分图、级联检测器和Adab00st算法的方法，而Adaboost算法是核心，这个算法的基本思想是通过将大量的分类能力一般的弱分类器通过一定的方式叠加起来，构成一个分类能力很强的强分类器，理论证明，只要每个弱分类器分类能力比随机猜测要好，则当弱分类器个数趋于无穷时，强分类器的错误率将趋于零。重庆人学硕十学位论文2001年Paulola提出的基于积分图图像和Adaboost算法的快速人脸检测方法【111，首先使用矩形特征来描述样本图像，提出积分图的定义来快速计算矩形特征，然后用Adaboost算法训练这些矩形特征得到强分类器，此外，提出了基于级联的分类器思想，也缩短了检测时间，检测速度越来越受研究者们的重视。331Haar型特征与积分图像将矩形作为人脸检测的特征向量，称为矩形特征，矩形特征对一些简单的图形结构如边缘、线段比较敏感，但是只能描述特定走向水平、垂直、对角等结构，比较粗略。Haar特征是ola等提出的一种简单矩形特征【12】，因类似于H跚小波而得名，最初的特征库包括含有3种类型的5种形式的特征，分别为：2矩形特征、3矩形特征、4矩形特征，如图所示：一】巴里厂厂2矩形特征图32Haar型特征Fig32Haarfeature由图可见，ola提出的五种矩形特征原型主要体现了水平和垂直方向上的信息。矩形特征的值是指图像上白色区域所有象素灰度值之和减去黑色区域所有象素灰度值之和。特征矩形可以在子窗口内以任意尺寸任意位置放置，每一种形态都称为一个特征，找出子窗口内所有特征，是进行弱分类器的基础，然而对于24木24这样的子窗口就包含了约160000个矩形特征，如果每次计算特征值时都要分两次统计矩形内所有象素值之和，那么计算量是相当大的，大大降低了训练和检测的速度。积分图的提出巧妙地解决了这个问题，积分图能够在多种尺度下，使用相同的时间来计算不同的特征，因此大大提高了检测速度。对于原始图像内任意一点A(x，y)，定义积分图ii(x，y)为：163人脸检测算法的分析与设计图33积分图Fig33IIltegralimage如上图所示，以(x，y)=f(x，y)，其中f(x，J，)为点(x，y)处的灰度值，工Jyy其值为0255，ii(x，y)的值等于图中阴影部分的所有灰度值之和。为了得到一幅输入图像的积分图，只需要逐点扫描图像一次，ii(x，y)也可以通过迭代求出：豇(x，y)=豇(x一1，y)+s(x，J，)J(x，y)=s(x，y一1)+f(x，y)其中s(x，y)为点(x，y)及其y方向向上所有原始图像之和，和，即s(x，y)=f(z，y-)，并定义为s(x，o)=o，玎(o，y)=o。设图像大小为耐，则积分图矩阵(图像上所有象素的积分图)为：(35)(36)称为列积分讯D=媳D+媳D自佗D=域LD十ZD葫qD=办旧D+sOnD自静珂D=i60纠，D+，；D讯D=观9+配D_s(乏D=砣9+配D爿dD=州9+面旧D爿砌D=文m9+aD斌1乃=讹乃+姐乃撕乃=扬(，卜1，刁十咖乃讯乃娟D+n乃妣乃却D+撕乃讯硼面佩，咖蛔q枷撕，卜D剐帕岫捆帆，卜田m，咖=媳旧艄，卜D妣，卜-D却巧，卜固卅阳，卜I)自n功=娟，矿m磅配磅=讯功七蛇磅域n磅剐卜2磅嘲M磅撕磅爿(，卜】，磅+咖磅姐谚=媳，咖艄磅配磅；昭，柚+配磅和d，旁=曲，卜D斗如磅咖，旁却；聆书卅谚(37)可见，只需要遍历图像一次，迭代m木n木2次，即可得到整个积分图矩阵。332利用积分图计算矩形特征值有了积分图的概念后，可以事先求出训练样本原始图像的积分图，再求取矩形特征的值就比较容易了，对于任意位置任意矩形区域的象素和值均可求。17重庆人学硕十学位论文y图34利用积分图计算特征值F谵34CalculatingeigenvalueusingintegraliIIIage特征值=矩形ABCD所有象素和矩形CDEF所有象素和=ff(4)+ff(D)一“(B)一打(C)一打(C)+豇(F)一豇(D)一ff(E)】，n、=ff(D)一蟊(C)卜疗(君)一露(彳)+【兹(D)一ff(C)卜螽(F)一ff(E)】由此可见，矩形特征的特征值计算，只与此端点的积分图有关，而与图像坐标无关，不管特征矩形的尺寸如何，特征值的计算所耗费的时间都是常数，且都只是简单的加减运算，正因为此，积分图的引入大大地提高了检测的速度。333训练弱分类器弱分类器就是可以根据一些粗略的判断经验来分类的分类器【l31，只要其分类的准确度大于50就可以了，将很多这样简单的分类器按照一定的规则组合起来就可以得到一个高度准确的分类预测法则。训练一个弱分类器就是在当前权重分布的情况下，确定f的最优阈值，使得这个弱分类器对所有训练样本的分类误差最低。选取那个对所有训练样本的分类误差最低的弱分类器为最佳弱分类器。一个弱分类器(x，厂，p，臼)由一个特征f、阈值p、指示不等号方向的p组成：(五触目)：j1(x)p幸p(39)“【oo砌P瑙从弱分类器的表现形式上可看到，要确定一个弱分类器就是要确定秒和p，对于不同的特征阈值组合，将会产生不同的弱分类器。训练弱分类器的具体算法如下：FORj=1m(m为一个训练样本中特征总数)1)对于每个特征f，计算其在所有训练样本上的特征值，并按照从小到大排序；2)计算所有人脸样本的权重和，记为r；所有非人脸样本的权重和，记为r一；3)foriln(n为训练样本总数)a计算在第i个元素之前的所有人脸样本的权重和，记为S；+；此元素之前的所有非人脸样本的权重和，记为S产；b当前阈值初始值为此特征值，从而计算此时的分类错误率3人脸检测算法的分析与设计岛7=min(S+(r一一墨7)，墨7+(r+一墨7)(310)4)计算占=血ns，)，记录下对应的p和9；计算最小分类错误率=min(占)。334训练强分类器经过T次迭代后，获得了T个最佳弱分类器如(x)，：(x)，如(工)，可以按照下面的方式组合成一个强分类器：r717地)：1酗纵功吉酗(3【o。绠g刑西P其中a，=109=log二i=一109q(312)ptt这个强分类器对待检测图像时，相当于让所有弱分类器投票，再对投票结果按照弱分类器的错误率加权求和，将结果与平均投票结果比较得出最终结果。335训练级联分类器通过Adaboost算法生成了由重要特征组成的弱分类器，对于一个由200个弱分类器构成的强分类器