[发明专利]一种基于LBP特征的人脸识别硬件架构

说明书

技术领域

本发明涉及图像处理领域，尤其涉及一种基于LBP特征的人脸识别硬件架构。

背景技术

图像处理是最近非常热门的一个领域，涉及军事，工业以及生活的方方面面。而人脸识别作为图像处理领域中的子领域，在身份识别和验证、信息安全等领域也得到了广泛的应用，并产生了许多商业化的人脸识别系统。对于人脸识别的研究近几十年来从未停止过，因而也使得人脸识别系统日趋完善和成熟。经过近几十年的发展，人脸识别系统已经发展形成了成熟的流程。按照步骤来说，大致流程可以分成三个步骤：人脸检测、特征提取、以及人脸识别。

局部二值模式(LBP)是由奥卢大学(UniversityofOulu)的TimoOjala等人提出，而TimoAhonen等人将LBP算子应用于人脸识别上。LBP算子作为描述图片纹理信息的描述算子，在许多算法中都得到应用。LBP算子的优点在于能够有效地区分不同纹理的图片，计算效率高并具有灰度不变性，因此被广泛应用于图像分析中。由于人脸可以看作是许多局部纹理特征的组成，将这些局部纹理特征组合成全局人脸特征便可以有效描述特征信息，而利用LBP局部特征就可以有效地描述人脸特征。

在人脸识别算法的硬件实现中，关注的是在满足识别率要求的情况下达到一定的识别速度。现有人脸识别算法均采用软件编程实现，其中比较经典的流程是先将输入的灰度图片的所有像素信息存储下来，然后进行分块并计算分块中每个像素点的LBP特征值，再根据这些LBP特征值进行直方图的统计，最后将这些统计数据与训练集样本进行比较，从而实现识别。然而，这种方法存在以下缺点：首先保存所有的像素点信息浪费了硬件资源，而且必须在保存完所有像素点信息后才能进行后续步骤，因此不符合流水的实现方案，同时在分块统计的并行性上存在很大的改进空间。另外，结合实际情况，人脸识别算法在实际应用中为了达到更好的效果，往往需要大量的训练集样本并对其进行训练，同时实际应用中的测试集图片数目也非常大，大量的训练样本和测试样本将会对识别速度造成巨大的影响。这就必须进一步提高LBP特征提取、统计以及比较识别的速度。

发明内容

为了解决上述现有技术存在的问题，本发明旨在提供一种基于LBP特征的人脸识别硬件架构，以实现在大数目的人脸训练图片条件下提高人脸识别速度。

本发明所述的一种基于LBP特征的人脸识别硬件架构，其包括：

LBP值计算模块，其被配置为：依次接收外部输入的各张人脸检测灰度图片中的各个像素数据，每接收到一个所述像素数据后计算该像素数据对应的LBP数值并输出该LBP数值；

与所述LBP值计算模块连接的分块统计模块，其包括两个第一RAM单元，该分块统计模块被配置为：将每张所述人脸检测灰度图片划分为若干块区域，依次接收所述LBP值计算模块输出的所述像素数据对应的LBP数值，以依次对每张所述人脸检测灰度图片的每个所述区域中各像素数据对应的LBP数值进行直方统计并生成相应的分块LBP直方图，每生成一个所述分块LBP直方图后将该分块LBP直方图存储在作为写缓存器的其中一个所述第一RAM单元中，直至该第一RAM单元存储完由一张所述人脸检测灰度图片的所有区域对应的所述分块LBP直方图构成的该张人脸检测灰度图片的特征向量后将该第一RAM单元转换为读缓存器，并将另一个所述第一RAM单元作为写缓存器存储下一张所述人脸检测灰度图片的各区域对应的所述分块LBP直方图；

与所述分块统计模块连接的乒乓缓存结构，其包括两个第二RAM单元，该乒乓缓存结构被配置为：将其中一个所述第二RAM单元作为写缓存器存储从所述分块统计模块中的读缓存器读出的所述人脸检测灰度图片的特征向量，直至该第二RAM单元存储完N张所述人脸检测灰度图片的特征向量后将该第二RAM单元转换为读缓存器，并将另一个所述第二RAM单元作为写缓存器存储下N张所述人脸检测灰度图片的特征向量，其中，数值N为大于1的自然数；以及

与所述乒乓缓存结构连接的比较识别模块，其包括多个并行计算单元，该比较识别模块被配置为：通过多个所述并行计算单元分别计算从所述乒乓缓存结构的读缓存器读出的各张所述人脸检测灰度图片的特征向量分别与外部输入的所有训练图片的特征向量之间的卡方距离，并分别将与每张所述人脸检测灰度图片的特征向量的卡方距离最小的一张所述训练图片标记为识别标签后输出所述识别标签。

在上述的基于LBP特征的人脸识别硬件架构中，所述LBP值计算模块包括用于依次存储各张所述人脸检测灰度图片中的各个像素数据的线缓存结构。