第五章 實驗結果
5.3 人臉偵測速度的比較
圖 25.160x120 的測試圖片
圖 26 改良後的人臉偵測方式實驗的結果(C)
24x24
圖 27. OpenCV 實驗的結果((C)
直接截取 CMU 圖庫中人臉的區域，使得人臉部的面積較大，重新比較人臉偵測 率結果如表 8，明顯得在人臉面積較大的情況下偵測人臉出率較高。
表8 OpenCV 與 MCU 的人臉偵測方式速度的比較表 B 測試樣本人臉總數:42
OPENCV MCU
偵測到人臉數
32 38
執行速度
162 msec/frame 342 msec/frame
執行平台
OS:WINXP SP3
CPU:Intel® coreTM2 Duo CPU T7250 CPU clock:2G
RAM 2Gbytes
MCU:駿億電子 16BIT MCU SYS-CLOCK:64M
Internal memory:48K
5.4 提早拒絕策略與提早通過策略的效果分析
在本節我們將分析加入提早拒絕策略(Early-rejection)與提早通過策略(Early-pass) 策略的影響，以 5.3 節 160x120 的圖片為測試樣本，傳統做法總共需要計算 27,904,581 個弱分類器，各别測試只有提早拒絕策略與提早通過策略，其結果如圖 28與圖 29。
圖 28的橫軸為強分類器的編號，縱軸為在強分類器中所需要計算的弱分類器數量，
由本圖可看出加入提早拒絕策略與提早通過策略能減少計算弱分類器的數量, 由表 9 得知，加入提早拒絕策略與提早通過策略將能減少 14%的計算量。
進一步分析提早通過策略為何效果優於提早拒絕策略，主要原因為提早拒絕策略 只能加快當下無法通過的強分類器的運算，假設有一子圖會在第 n 個強分類器被拒 絕，而前面第 0 至 n-1 個強分類器的計算並未因使用提早拒絕策略而減少計算量，只 可能減少第 n 個強分類器的計算量。而提早過關策略則相反，假設有一子圖會在第 n 個強分類器被拒絕，前面的第 0 至 n-1 個強分類器都有可能因提早過關策略使得 0 至 n-1 個強分類器計算減少，因為如此由表 9得知提早過關策略效果優於提早拒絕策略。
.
0 1000000 2000000 3000000 4000000 5000000 6000000
Stage number
weak classifier 計算量
傳統做法 Early rejcection Early pass
Early rejcetion&pass
圖 28. 每個強分類器中所計算的弱分類器的數量
0.0%
20.0%
40.0%
60.0%
80.0%
100.0%
120.0%
Stage Number
EasyRejection EasyPass
Easy Rejection&Pass
圖 29. 在每個強分類器下所計算的弱分類器數量與傳統作法比較
表9. 不同策略下，所計算弱分類器數量比較表
策略 計算弱分類器的數量 減少比例
傳統做法 27,904,581 --
加入提早拒絕策略 26,575,247 4.8%
加入提早拒通過策略 25,314,632 9.3%
加入提早拒絕策略與提
早拒通過策略 23,985,298 14.0%
第六章 未來展望
6.1 結論
由於科技的進步，很多應用都需要得知週圍環境是否有人的存在，人臉是判斷是 否有人存在的重要特徵。現今人臉偵測最普徧的應用為數位相機，因為多了人臉位置 的資訊，所以能針對人臉的區域調整出最佳的曝光、景深及白片衡等參數。去年更有 日本廠商將人臉偵測應用在電視機上，讓電視機在無人觀看時能自動關機，以達到省 電的功能。可以應用之處很多，但因現今存在的方案成本都太高，使的應用的場合因 成本的考量所受到限制。
傳統人臉辨識演算法需要大量的記憶體空間，只適合在系統資源較豐富的台平，
如 PC 或 32 位元的 CPU 上，這些台平成本較高。以成本為考量所以選擇 MCU 等級 的嵌入式系統，嵌入式系統中若需要大量的記憶體空間，一般來說有二種方式:一、
將記憶體內建在 IC 內部，優點為 IC 內部的記億體存取速度快，缺點為 IC 成本將大 幅提高。二、在嵌入式系統中加上一顆記憶體，優點為成本較前者低，缺點為外加的 記憶體匯流排的頻寬的限制，將使得存取速度下降。本文主要化簡人臉偵測演算法所 需要的記憶體空間，將使得整個人臉偵測系統能能放入嵌入式系統上，同時兼顧了成 本記憶體存取的效能。
實驗證明，在極小的記憶體空間與 MCU 等級的計算平台，不管在辨識率與效能 上都接近 PC 等級的效能。
6.2 未來展望
本文中是使用 OpenCV 所提供的人臉分類器，它所需的資源在嵌入式系統中可能 尚未最佳化，未來可以針人臉分類器所需的記憶體做化簡，重新訓練適合在嵌入式系
統的人臉分類器。
人臉偵測演算法已經十分成熟，應用上欠缺的是低成本的方案，本文雖然提出了 一個低成本的人臉偵測系統，但受限於 MCU 的計算能力尚未達到能處理即時影像的 速度。未來針對人臉偵測演算法硬體化，配合本文所提出的人臉偵測系統所需的記體 空間很小，將能兼顧成本與效能。
參考文獻
[1]. G. Yang and T. S. Huang, “Human Face Detection in Complex Background,” Pattern Recognition, vol. 27, no. 1, 53-63, 1994.
[2]. M.H. Yang, D.J. Kriegman, and N. Ahuja, “Detecting Faces in Images: A Survey”,
IEEE Trans. PAMI, Vol. 24, pp.34-58, 2002.
[3]. Pentland, B. Moghaddam, and T. Starner, “View-Based and Modular Eigenspaces of Face Recognition”, In Proc. IEEE Conf. On CVPR, pp. 84–91, 1994.
[4]. H.A. Rowley, S. Baluja, and T. Kanade, “Neural Network-Based Face Detection”,
IEEE Trans. PAMI, Vol. 20, pp. 22–38, 1998.
[5]. K.K. Sung and T. Poggio, “Example-Based Learning for View-Based Human Face
Detection”, IEEE Trans. PAMI, pp. 39-51, 1998.
[6]. E. Osuna, R. Freund, and F. Girosi, “Training Support Vector Machines: An Application to Face Detection“, Proc. IEEE CVPR, pp. 17-19, 1997.
[7]. P. Viola and M. J. Jones, “Robust real-time face detection“, in International Journal
of Computer Vision, Vol. 57, no. 2, pp. 137-154, 2004
[8]. R. Lienhart and J. Maydt, “An extended set of Haar-like features for rapid object detection”, IEEE ICIP 2002, Vol. 1, pp. 900-903, Sep. 2002.
[9]. Intel’s open source computer vision library, http://www.intel.com/technology/
computing/opencv/index.htm.
[10]. Wei-Shu Wong and Ching-Te Chiu,“Design and Implementation of a Boosted Cascade Based Face Detection System”, Master thesis in Department of Computer Science, National Tsing Hua University。
[11]. K. Khattab, J. Mitteran, J. Dubois, J. Matas, "Embedded System Study for Real Time Boosting Based Face Detection" IEEE Industrial Electronics, IECON 2006, pp.