[發(fā)明專利]一種適用人臉識別算法的邊緣計算工程處理方法和裝置

在審

• 申請?zhí)枺?/td>: 202210223186.1
• 申請日: 2022-03-09
• 公開（公告）號: CN114724206A
• 公開（公告）日: 2022-07-08
• 發(fā)明（設(shè)計）人: 胡金萍;胡金梅
• 申請（專利權(quán)）人: 江西工程學院
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南昌逸辰知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 36145
• 代理人: 石聰燦

1.一種適用人臉識別算法的邊緣計算工程處理方法，其特征在于，包括以下步驟：

基于預設(shè)的人臉識別處理終端將人臉待處理數(shù)據(jù)分流至邊緣節(jié)點；

采用所述邊緣節(jié)點對所述人臉待處理數(shù)據(jù)進行分析，獲得人臉數(shù)據(jù)特征；其中，所述分析具體為基于人臉中心區(qū)域為坐標軸向各個方向拆分圖像層以獲取特征點坐標；所述人臉數(shù)據(jù)特征具體為五官；

采集數(shù)據(jù)特征點坐標；其中，所述數(shù)據(jù)特征點坐標具體為以人臉中心區(qū)域為坐標軸的人臉各個區(qū)域的特征點坐標；

基于所述邊緣節(jié)點整合所述人臉數(shù)據(jù)特征和特征點坐標以獲取人臉數(shù)據(jù)。

2.根據(jù)權(quán)利要求1所述的適用人臉識別算法的邊緣計算工程處理方法，其特征在于，所述采集數(shù)據(jù)特征點坐標的步驟中，包括：

基于已獲得的人臉數(shù)據(jù)特征采集所述人臉數(shù)據(jù)特征中的數(shù)據(jù)特征點；所述數(shù)據(jù)特征點具體為人臉五官基于人臉中心區(qū)域的坐標位置；

捕捉所述人臉數(shù)據(jù)特征中的獨特特征；所述獨特特征包括但不限于是人臉五官中獨有的斑點、疤痕或皺紋；

基于所述人臉數(shù)據(jù)布局所述獨特特征的坐標，獲得所述獨特特征的坐標軸方位；所述坐標軸方位具體為以人臉中心區(qū)域布局的X、Y軸方位。

3.根據(jù)權(quán)利要求1所述的適用人臉識別算法的邊緣計算工程處理方法，其特征在于，所述采用所述邊緣節(jié)點對所述人臉待處理數(shù)據(jù)進行分析，獲得人臉數(shù)據(jù)特征的步驟中，包括：

基于預設(shè)的高斯矩陣對所述人臉待處理數(shù)據(jù)進行卷積；所述高斯矩陣由高斯函數(shù)生成，具體為；基于所述高斯矩陣的坐標原點G為中心基點，以所述坐標原點水平向右的坐標列為x點，向上的坐標列為y點。

4.根據(jù)權(quán)利要求1所述的適用人臉識別算法的邊緣計算工程處理方法，其特征在于，所述基于預設(shè)的人臉識別處理終端將人臉待處理數(shù)據(jù)分流至邊緣節(jié)點的步驟前，包括：

通過所述預設(shè)的人臉識別處理終端對視頻進行數(shù)據(jù)獲取，獲得可采集所述人臉圖像數(shù)據(jù)的人臉檢測區(qū)域；

捕捉所述人臉檢測區(qū)域中的人臉圖像數(shù)據(jù)；所述人臉圖像數(shù)據(jù)包括正臉數(shù)據(jù)和側(cè)臉數(shù)據(jù)。

5.根據(jù)權(quán)利要求1所述的適用人臉識別算法的邊緣計算工程處理方法，其特征在于，所述基于所述邊緣節(jié)點整合所述人臉數(shù)據(jù)特征和特征點坐標以獲取人臉數(shù)據(jù)的步驟中，包括：

基于人臉中心區(qū)域并根據(jù)所述人臉數(shù)據(jù)特征和特征點坐標布局人臉特征；所述人臉特征包括五官基于人臉中心區(qū)域為坐標軸的五個坐標方位；

將所述人臉特征輸入至預設(shè)的梯度模型中進行投影，獲取到對應(yīng)的人臉數(shù)據(jù)。

6.根據(jù)權(quán)利要求5所述的適用人臉識別算法的邊緣計算工程處理方法，其特征在于，所述將所述人臉特征輸入至預設(shè)的梯度模型中進行投影，獲取到對應(yīng)的人臉數(shù)據(jù)的步驟中，包括：

若獲取所述人臉特征為眼部數(shù)據(jù)，則將所述眼部數(shù)據(jù)輸入到梯度模型中進行投影，投影出所述眼部數(shù)據(jù)的眼睛部分；所述眼睛部分具體為眼睛帶有的特征，包括眼皮、眼睫毛和眼袋；其中，所述投影模型是利用已知的眼部數(shù)據(jù)，基于卷積神經(jīng)網(wǎng)絡(luò)訓練得到；

若獲取所述人臉特征為鼻部數(shù)據(jù)，則將所述鼻部數(shù)據(jù)輸入到梯度模型中進行投影，投影出所述鼻部數(shù)據(jù)的鼻子部分；所述鼻子部分具體為鼻子帶有的特征，包括鼻頭、鼻翼和鼻孔；其中，所述投影模型是利用已知的鼻部數(shù)據(jù)，基于卷積神經(jīng)網(wǎng)絡(luò)訓練得到；

若獲取所述人臉特征為嘴部數(shù)據(jù)，則將所述嘴部數(shù)據(jù)輸入到梯度模型中進行投影，投影出所述嘴部數(shù)據(jù)的嘴部部分；所述嘴部部分具體為嘴巴帶有的特征，包括嘴唇和嘴角；其中，所述投影模型是利用已知的嘴部數(shù)據(jù)，基于卷積神經(jīng)網(wǎng)絡(luò)訓練得到；

若獲取所述人臉特征為眉部數(shù)據(jù)，則將所述眉部數(shù)據(jù)輸入到梯度模型中進行投影，投影出所述眉部數(shù)據(jù)的眼眉部分；所述眼眉部分具體為眉毛帶有的特征，包括眉心和眉峰；其中，所述投影模型是利用已知的眉部數(shù)據(jù)，基于卷積神經(jīng)網(wǎng)絡(luò)訓練得到；

若獲取所述人臉特征為耳部數(shù)據(jù)，則將所述耳部數(shù)據(jù)輸入到梯度模型中進行投影，投影出所述耳部數(shù)據(jù)的耳朵部分；所述耳朵部分具體為耳朵帶有的特征，包括耳高和耳垂；其中，所述投影模型是利用已知的耳部數(shù)據(jù)，基于卷積神經(jīng)網(wǎng)絡(luò)訓練得到。