[发明专利]一种嵌入式人脸检测设备

说明书

人脸识别已步入实用阶段，成为安防监控行业不可或缺的组成部分，在多个领域和世界各个角落发挥着巨大作用。人脸检测则是人脸识别前的必要工序，为人脸识别提供准确、全面的人脸信息和数据。本发明提出一种嵌入式人脸检测设备，所述人脸检测设备采用轻量级CNN框架，所述CNN框架包括人脸检测单元和人脸对比单元，所述人脸检测单元采用RPN、RNet和FNet三者级联的方式进行人脸检测，检测帧图像依次经过RPN、RNet和FNet后，得到人脸特征点和人脸质量，对人脸检测单元训练时，RPN接受的输入包括检测帧图像和经Data层增强的图像数据，RPN的输出包括经Targe层中损失函数处理得到后的候选框位置。

技术领域

本发明属于人脸检测领域，尤其是一种嵌入式人脸检测设备。

背景技术

人脸识别已步入实用阶段，成为安防监控行业不可或缺的组成部分，在多个领域和世界各个角落发挥着巨大作用。人脸检测则是人脸识别前的必要工序，为人脸识别提供准确、全面的人脸信息和数据，是保证人脸识别正确性、高效性、实时性的前提。然而，在当今的安防行业，绝大多数人脸识别系统的前序检测体系或多或少的存在以下问题：无法检测侧脸或遮挡人脸并给出详细的人脸质量，当应用在公安系统中时，犯罪分子在监控画面中的侧脸或伪装后的面部可能成为破案的重要依据；在低性能ARM芯片上性能差，这使得抓拍系统必须配备高性能芯片从而大幅抬高整体成本，并且低端产品无法很好地走入市场和千家万户；单帧检出率较低、重复抓拍率较高、实时性差，由于研究进展与技术能力的限制，很多抓拍系统的指标无法满足复杂状况的需求，尤其在人流量较大的公共场所可能不具备实时性。

发明内容

基于此，本发明提出一种嵌入式人脸检测方法，采用的技术方案如下：

一种嵌入式人脸检测方法，所述一种嵌入式人脸检测方法基于轻量级CNN框架，所述轻量级CNN框架包括人脸检测单元和人脸对比单元，所述人脸检测单元采用RPN、RNet和FNet三者级联的方式进行人脸检测，检测帧图像依次经过RPN、RNet和FNet后，得到人脸特征点和人脸质量，对人脸检测单元训练时，RPN接受的输入包括检测帧图像和经Data层增强的图像数据，RPN的输出包括经Targe层中损失函数处理得到后的候选框位置。

进一步的，采用非极大值抑制算法过滤重叠候选框。

进一步的，FNet采用IOU匹配算法最大程度保证效率。

进一步的，RPN为RegionBasedProposalNet，用于从相机所截取的帧图中获得初步的疑似人脸候选框，RNet为RefineNet，以最小的时间代价过滤误检，分类提纯候选框，FNet为FeatureNet，进一步精确筛选候选框，并最终生成特征点和人脸属性。

进一步的，RPN的输入为240×432或200×360的YUV彩色图片，基于全ShuffleNetUnit架构设计，参数规模为x0.25。

进一步的，所述损失函数经过ArcFaceLoss、CosineFaceLoss和EuclideanLoss三者加权得到，采用的公式为：

损失函数＝ArcFaceLoss*0.45+CosineFaceLoss*0.3+EuclideanLoss*0.25。

进一步的，人脸对比单元包括人脸对比网络，人脸对比网络基于小深度和维度的CNN构建，人脸对比网络用于输出人脸对比置信值。

进一步的，所述轻量级CNN框架包括模型转换工具，所述模型转换工具用于将深度学习框架产生的模型转换为所述轻量级CNN框架可读取的模型结构。

进一步的，所述轻量级CNN框架还包括测试工具，使用所述测试工具进行效率测试时，测试工具向指定的网络或模型输入一个数值随机的矩阵，在网络或者模型前向计算的过程中，记录网络或模型中每个层完成计算的耗时和featuremap的大小。