[發明專利]一種嵌入式人臉檢測設備

在審

• 申請號: 201811513550.8
• 申請日: 2018-12-11
• 公開（公告）號: CN109376713A
• 公開（公告）日: 2019-02-22
• 發明（設計）人: 吳立新;瞿關明;路大為;朱健立;孫曉;于宏志;王楷華;王琳琛;徐瑞偉
• 申請（專利權）人: 天地偉業技術有限公司;天津市公安局圖像偵查和技防監管總隊
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/20;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 天津企興智財知識產權代理有限公司 12226
• 代理人: 楊娥

1.一種嵌入式人臉檢測設備，其特征在于，人臉檢測設備外殼的截面為圓角矩形，外殼的周向設有滑軌，與滑軌配合的滑輪組件包括兩個滑輪，滑輪通過轉軸連接在連桿上，連桿主體為圓柱體，安裝滑輪的一端為立方體，連桿主體上設有套環，用于固定滑輪組件，連桿上還設有兩個夾持部，連桿與夾持部相連的一端設有矩形凹槽，人臉檢測設備上還設有手柄，手柄與鏡頭的位置相對，手柄旋接在外殼上，人臉檢測設備鏡頭的兩側設有VCSEL補光燈，人臉檢測設備鏡頭中采用芯片的型號為IMX327，人臉檢測設備中的控制芯片采用的型號為Hi3519，兩個芯片上與視頻信號處理相關的引腳通過連接器相連，控制器芯片中含有CNN框架，用于人臉檢測和人臉對比。

2.如權利要求1所述一種嵌入式人臉檢測設備，其特征在于，夾持部為空心圓柱體，夾持部內為正六邊形通孔，夾持部的外部設有柔性保護套。

3.一種嵌入式人臉檢測方法，其特征在于，所述人臉檢測方法基于CNN框架，所述CNN框架為經匯編優化的輕量級CNN框架，所述輕量級CNN框架包括人臉檢測單元和人臉對比單元，所述人臉檢測單元采用RPN、RNet和FNet三者級聯的方式進行人臉檢測，檢測幀圖像依次經過RPN、RNet和FNet后，得到人臉特征點和人臉質量，對人臉檢測單元訓練時，RPN接受的輸入包括檢測幀圖像和經Data層增強的圖像數據，RPN的輸出包括經Targe層中損失函數處理得到后的候選框位置。

4.如權利要求3所述一種嵌入式人臉檢測方法，其特征在于，RPN的輸入為240×432或200×360的YUV彩色圖片，基于全ShuffleNet Unit架構設計，參數規模為x0.25。

5.如權利要求3所述一種嵌入式人臉檢測方法，其特征在于，所述損失函數經過ArcFaceLoss、CosineFaceLoss和EuclideanLoss三者加權得到，采用的公式為：

損失函數＝ArcFaceLoss*0.45+CosineFaceLoss*0.3+EuclideanLoss*0.25。

6.如權利要求3所述一種嵌入式人臉檢測方法，其特征在于，人臉對比單元包括人臉對比網絡，人臉對比網絡包括依次相連的輸入層、類殘差單元、擴張卷積層、第一激活層、可分離卷積層、壓縮卷積層和第二激活層，其中可分離卷積層的輸出經局部響應歸一化和縮放后作為壓縮卷積層的輸入，人臉對比網絡用于輸出人臉對比置信值。

7.如權利要求3所述一種嵌入式人臉檢測方法，其特征在于，所述輕量級CNN框架包括模型轉換工具，所述模型轉換工具用于將深度學習框架產生的模型轉換為所述輕量級CNN框架可識別的模型結構。

8.如權利要求7所述一種嵌入式人臉檢測方法，其特征在于，所述輕量級CNN框架還包括測試工具，使用所述測試工具進行效率測試時，測試工具向指定的網絡或模型輸入一個數值隨機的矩陣，在網絡或者模型前向計算的過程中，記錄網絡或模型中每個層完成計算的耗時和featuremap的大小。

9.如權利要求3所述一種嵌入式人臉檢測方法，其特征在于，Data層進行的圖像增強包括洗牌、翻轉、裁剪、增加隨機亮度、隨機噪聲和PCA微饒。

10.如權利要求3所述一種嵌入式人臉檢測方法，其特征在于，訓練人臉檢測單元時包括困難樣本挖掘：在若干次訓練迭代后，選出被錯誤分類的樣本進行再訓練。