嵌入式計算機視覺系統(tǒng)與人類的視覺系統(tǒng)非常相似，對來自范圍廣泛的各種產(chǎn)品的視頻信息進行分析和提取，執(zhí)行與人類視覺系統(tǒng)相同的視覺功能。

在智能手機、數(shù)碼相機和便攜式攝像機等嵌入式便攜產(chǎn)品中，必須在有限的尺寸、成本和功耗條件下提供較高的性能。新興的大容量嵌入式視覺產(chǎn)品市場包括汽車安全、監(jiān)控和游戲。計算機視覺算法識別場景中的物體，然后產(chǎn)生一個比其它圖像區(qū)域更重要的圖像區(qū)。例如，物體和面部檢測可用于增強視頻會議體驗、公共安全檔案管理，以及基于內(nèi)容的檢索和其它許多方面。

可以進行剪裁和尺寸調(diào)整，以便適當(dāng)?shù)貙D像放在面部中心。在本文中，我們提出了一種檢測數(shù)碼圖像中的面部、剪裁選定的主面部，并將調(diào)整尺寸到固定尺寸輸出圖像的應(yīng)用（參見圖1）。這種應(yīng)用可在單一圖像或在視頻流上使用，并且設(shè)計用于實時運行。只要人們關(guān)注移動產(chǎn)品上的實時面部檢測，為了實現(xiàn)實時吞吐量，就必須采取合適的執(zhí)行步驟。

本文提出了在可編程向量處理器上執(zhí)行實時面部檢測應(yīng)用的部署步驟，這些步驟可用于在任何移動產(chǎn)品上執(zhí)行類似的計算機視覺算法，從這一點上說，它們是通用的。

圖1：CEVA面部檢測應(yīng)用

雖然靜態(tài)圖像處理消耗少量的帶寬和分配內(nèi)存，但是，視頻對于目前的存儲器系統(tǒng)的要求卻相當(dāng)嚴(yán)苛。

另一方面，由于檢測和區(qū)分物體需要更多的處理步驟，計算機視覺算法的存儲器系統(tǒng)設(shè)計極具挑戰(zhàn)性?？紤]19x19像素大小的面部圖形縮略圖。對于這種小圖，可能的灰度值組合就有256361種，需要極高的三維空間。由于面部圖像的復(fù)雜性，明確描述面部特征具有一定的難度；因此，建立了以統(tǒng)計模型為基礎(chǔ)的其它方法。這些方法將人臉區(qū)域視為一個圖形，通過瞄準(zhǔn)許多“面部”和“非面部”樣品構(gòu)建區(qū)分器，然后通過分析檢測區(qū)域的圖形來確定圖像是否包含人臉。

面部檢測算法必須克服的其它挑戰(zhàn)是：姿態(tài)（正面，45度，側(cè)面，倒置）、存在或缺乏結(jié)構(gòu)部分（胡須、眼鏡）、面部表情、遮擋（部分面部可能被其它物體遮?。D像取向（在相機光軸不同的旋轉(zhuǎn)方向，面部外表直接變化）及成像條件（照明、相機特點、分辨率）。

雖然文獻中已經(jīng)介紹了許多面部檢測算法，但是，只有少量算法能夠滿足移動產(chǎn)品的實時限制性。雖然據(jù)報道，許多面部檢測算法能夠產(chǎn)生高的檢測率，但是，由于手機等移動產(chǎn)品的計算和存儲器限制，很少有算法適合實時部署在這些移動產(chǎn)品上。

通常，面部檢測算法的實時執(zhí)行在具有相對強大的CPU和較大存儲器尺寸的PC電腦上進行。針對現(xiàn)有面部檢測產(chǎn)品的考察顯示，Viola和Jones在2001年推出的算法已經(jīng)被廣泛采納。這是一項突破性的工作，允許采用基于外表的方法來實時運行，同時保持相同或更高的準(zhǔn)確度。

這種算法利用簡單特征的增強級聯(lián)，并且可以分為三個主要部分：（1）積分圖 — 用于快速特征評估的高效卷積；（2）使用用于特征選擇的Adaboost，并按照重要性順序?qū)λ鼈冞M行篩選。每個特征可作為一個簡單的（弱）區(qū)分器使用；（3）使用Adaboost來了解將最不可能包含面部的區(qū)域濾出的級聯(lián)區(qū)分器（弱區(qū)分器的集合）。圖2是區(qū)分器級聯(lián)的示意圖。在圖像中，大多數(shù)子圖像并不是面部實例。

根據(jù)這種假設(shè)，我們可以利用更小的高效區(qū)分器在早期排除許多否定例，同時檢測出差不多所有的肯定例。在后期采用更復(fù)雜的區(qū)分器來審查疑難情況。

例：24級級聯(lián)區(qū)分器

一級2特征區(qū)分器=》 排除60%非面部，同時檢測100%面部

二級5特征區(qū)分器=》 排除80%非面部，同時檢測100%面部

3級、4級和5級20特征區(qū)分器

6級和7級50特征區(qū)分器

8級至12級100特征區(qū)分器

13級至24級200特征區(qū)分器

圖2：區(qū)分器的級聯(lián)

在面部檢測算法的第一級，利用被稱為積分圖像的中間表示，可以快速計算矩形特征。如圖3所示，點（x，y）的積分圖像值是上部和左部所有像素的總和。D內(nèi)像素的總和可以計算為4+1-（2+3）。

圖3：采用積分圖像對矩形特征進行快速評估

為了在嵌入式產(chǎn)品上執(zhí)行實時面部檢測應(yīng)用，需要將指令級并行性和和數(shù)據(jù)級并行性相結(jié)合的高級并行性。超長指令字（VLIW）架構(gòu)能夠?qū)崿F(xiàn)高級并行指令處理，提供擴展的并行性及低功耗。

單指令多數(shù)據(jù)（SIMD）架構(gòu)能夠在多數(shù)據(jù)元上運行單指令，從而縮短代碼長度并提高性能。使用向量處理器架構(gòu)，可通過加法器/減法器并行數(shù)量因子，加速這些積分和的計算。如果向量寄存器可以加載16像素，而且這些像素可同時加到下一向量，加速因子是16。顯然，為處理器增加類似的向量處理單元可以使這一因子翻倍。