訓(xùn)練所得第n層強(qiáng)分類器所包含的弱特征個(gè)數(shù)如圖9(a)所示。通過(guò)大量檢測(cè)結(jié)果可得窗口通過(guò)率與層數(shù)n的關(guān)系如圖9(b)所示。

將層通過(guò)率與該層所含弱特征個(gè)數(shù)相乘，并乘以選定的一次處理窗口的數(shù)目（12），可得較為平滑曲線，如圖10所示。

從圖9(b)可知前7層分類器已將絕大多數(shù)的非人臉窗口拒掉。因此，處理單元數(shù)目即由前幾層中強(qiáng)分類器所含弱特征數(shù)與該層所處理的窗口數(shù)的乘積最大值決定，由圖10可知處理單元數(shù)目為38。這樣便可在較少資源的情況下大大提高檢測(cè)速度。

另外，為降低一次同時(shí)處理兩個(gè)臨近人臉窗口的概率，本文預(yù)先改變了候選窗口輸入次序。

3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)是對(duì)CMU-MIT測(cè)試庫(kù)進(jìn)行的，而訓(xùn)練時(shí)主要選用從Internet上收集得到的人臉圖像共1000幅，通過(guò)對(duì)這1 000幅圖像進(jìn)行隨機(jī)旋轉(zhuǎn)、平移一個(gè)像素、隨機(jī)鏡像共得到5 000幅24×24像素的人臉訓(xùn)練樣本。同時(shí)收集了1 600幅自然圖片作為非人臉樣本候選集。

輸入圖像為256×256像素，其檢測(cè)效果如圖11所示。對(duì)此種輸入圖像采用縮放因子的s＝1.3，平移因子的d＝2.5，搜索從30×30像素到255×255像素范圍內(nèi)的人臉。整個(gè)系統(tǒng)用VHDL語(yǔ)言描述，表1為所用硬件資源情況。

其平均處理速度為17.3fps, 虛警率低于5E-7，檢測(cè)率可達(dá)0.998。

文中新定義的微特征具有對(duì)于特征放縮時(shí)近似引入誤差的魯棒性，以及去光照影響的特性。此外，本文設(shè)計(jì)的特征模板，不僅擴(kuò)展了微結(jié)構(gòu)特征庫(kù)，而且使用方便，可以根據(jù)需要選取合適特征。本文采用流水線技術(shù)將積分圖像的計(jì)算與分類器運(yùn)算并行，提高了弱特征提取速度。而在硬件實(shí)現(xiàn)時(shí)，利用軟件訓(xùn)練與測(cè)試結(jié)果。綜合速度和硬件資源兩指標(biāo)，在保證檢測(cè)質(zhì)量的前提下，設(shè)計(jì)最優(yōu)的硬件結(jié)構(gòu),充分利用硬件資源。