[發(fā)明專利]一種嵌入式人臉檢測(cè)設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 201811513550.8
• 申請(qǐng)日: 2018-12-11
• 公開（公告）號(hào): CN109376713A
• 公開（公告）日: 2019-02-22
• 發(fā)明（設(shè)計(jì)）人: 吳立新;瞿關(guān)明;路大為;朱健立;孫曉;于宏志;王楷華;王琳琛;徐瑞偉
• 申請(qǐng)（專利權(quán)）人: 天地偉業(yè)技術(shù)有限公司;天津市公安局圖像偵查和技防監(jiān)管總隊(duì)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/20;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 天津企興智財(cái)知識(shí)產(chǎn)權(quán)代理有限公司 12226
• 代理人: 楊娥

人臉識(shí)別已步入實(shí)用階段，成為安防監(jiān)控行業(yè)不可或缺的組成部分，在多個(gè)領(lǐng)域和世界各個(gè)角落發(fā)揮著巨大作用。人臉檢測(cè)則是人臉識(shí)別前的必要工序，為人臉識(shí)別提供準(zhǔn)確、全面的人臉信息和數(shù)據(jù)。本發(fā)明提出一種嵌入式人臉檢測(cè)設(shè)備，所述人臉檢測(cè)設(shè)備采用輕量級(jí)CNN框架，所述CNN框架包括人臉檢測(cè)單元和人臉對(duì)比單元，所述人臉檢測(cè)單元采用RPN、RNet和FNet三者級(jí)聯(lián)的方式進(jìn)行人臉檢測(cè)，檢測(cè)幀圖像依次經(jīng)過(guò)RPN、RNet和FNet后，得到人臉特征點(diǎn)和人臉質(zhì)量，對(duì)人臉檢測(cè)單元訓(xùn)練時(shí)，RPN接受的輸入包括檢測(cè)幀圖像和經(jīng)Data層增強(qiáng)的圖像數(shù)據(jù)，RPN的輸出包括經(jīng)Targe層中損失函數(shù)處理得到后的候選框位置。

技術(shù)領(lǐng)域

本發(fā)明屬于人臉檢測(cè)領(lǐng)域，尤其是一種嵌入式人臉檢測(cè)設(shè)備。

背景技術(shù)

人臉識(shí)別已步入實(shí)用階段，成為安防監(jiān)控行業(yè)不可或缺的組成部分，在多個(gè)領(lǐng)域和世界各個(gè)角落發(fā)揮著巨大作用。人臉檢測(cè)則是人臉識(shí)別前的必要工序，為人臉識(shí)別提供準(zhǔn)確、全面的人臉信息和數(shù)據(jù)，是保證人臉識(shí)別正確性、高效性、實(shí)時(shí)性的前提。然而，在當(dāng)今的安防行業(yè)，絕大多數(shù)人臉識(shí)別系統(tǒng)的前序檢測(cè)體系或多或少的存在以下問(wèn)題：無(wú)法檢測(cè)側(cè)臉或遮擋人臉并給出詳細(xì)的人臉質(zhì)量，當(dāng)應(yīng)用在公安系統(tǒng)中時(shí)，犯罪分子在監(jiān)控畫面中的側(cè)臉或偽裝后的面部可能成為破案的重要依據(jù)；在低性能ARM芯片上性能差，這使得抓拍系統(tǒng)必須配備高性能芯片從而大幅抬高整體成本，并且低端產(chǎn)品無(wú)法很好地走入市場(chǎng)和千家萬(wàn)戶；單幀檢出率較低、重復(fù)抓拍率較高、實(shí)時(shí)性差，由于研究進(jìn)展與技術(shù)能力的限制，很多抓拍系統(tǒng)的指標(biāo)無(wú)法滿足復(fù)雜狀況的需求，尤其在人流量較大的公共場(chǎng)所可能不具備實(shí)時(shí)性。

發(fā)明內(nèi)容

基于此，本發(fā)明提出一種嵌入式人臉檢測(cè)方法，采用的技術(shù)方案如下：

一種嵌入式人臉檢測(cè)方法，所述一種嵌入式人臉檢測(cè)方法基于輕量級(jí)CNN框架，所述輕量級(jí)CNN框架包括人臉檢測(cè)單元和人臉對(duì)比單元，所述人臉檢測(cè)單元采用RPN、RNet和FNet三者級(jí)聯(lián)的方式進(jìn)行人臉檢測(cè)，檢測(cè)幀圖像依次經(jīng)過(guò)RPN、RNet和FNet后，得到人臉特征點(diǎn)和人臉質(zhì)量，對(duì)人臉檢測(cè)單元訓(xùn)練時(shí)，RPN接受的輸入包括檢測(cè)幀圖像和經(jīng)Data層增強(qiáng)的圖像數(shù)據(jù)，RPN的輸出包括經(jīng)Targe層中損失函數(shù)處理得到后的候選框位置。

進(jìn)一步的，采用非極大值抑制算法過(guò)濾重疊候選框。

進(jìn)一步的，F(xiàn)Net采用IOU匹配算法最大程度保證效率。

進(jìn)一步的，RPN為RegionBasedProposalNet，用于從相機(jī)所截取的幀圖中獲得初步的疑似人臉候選框，RNet為RefineNet，以最小的時(shí)間代價(jià)過(guò)濾誤檢，分類提純候選框，F(xiàn)Net為FeatureNet，進(jìn)一步精確篩選候選框，并最終生成特征點(diǎn)和人臉屬性。

進(jìn)一步的，RPN的輸入為240×432或200×360的YUV彩色圖片，基于全ShuffleNetUnit架構(gòu)設(shè)計(jì)，參數(shù)規(guī)模為x0.25。

進(jìn)一步的，所述損失函數(shù)經(jīng)過(guò)ArcFaceLoss、CosineFaceLoss和EuclideanLoss三者加權(quán)得到，采用的公式為：

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

進(jìn)一步的，人臉對(duì)比單元包括人臉對(duì)比網(wǎng)絡(luò)，人臉對(duì)比網(wǎng)絡(luò)基于小深度和維度的CNN構(gòu)建，人臉對(duì)比網(wǎng)絡(luò)用于輸出人臉對(duì)比置信值。

進(jìn)一步的，所述輕量級(jí)CNN框架包括模型轉(zhuǎn)換工具，所述模型轉(zhuǎn)換工具用于將深度學(xué)習(xí)框架產(chǎn)生的模型轉(zhuǎn)換為所述輕量級(jí)CNN框架可讀取的模型結(jié)構(gòu)。

進(jìn)一步的，所述輕量級(jí)CNN框架還包括測(cè)試工具，使用所述測(cè)試工具進(jìn)行效率測(cè)試時(shí)，測(cè)試工具向指定的網(wǎng)絡(luò)或模型輸入一個(gè)數(shù)值隨機(jī)的矩陣，在網(wǎng)絡(luò)或者模型前向計(jì)算的過(guò)程中，記錄網(wǎng)絡(luò)或模型中每個(gè)層完成計(jì)算的耗時(shí)和featuremap的大小。