[发明专利]人脸检测优化模型、方法、系统及其电子设备

权利要求书

1.一种针对嵌入式部署的人脸检测模型优化方法，其特征在于：其包括以下步骤：

步骤S1，构造一人脸检测训练集；

步骤S2，提供一人脸检测训练模型，采用针对嵌入式端设计的网络作为特征提取骨干网络，对人脸检测训练模型进行构造；及

步骤S3，将人脸检测训练集用于对构造后的人脸检测训练模型进行训练，以获得优化后的人脸检测模型；

其中，步骤S1与步骤S2顺序可置换或可同步进行。

2.如权利要求1中所述的一种针对嵌入式部署的人脸检测模型优化方法，其特征在于：上述步骤S1具体包括以下步骤：

步骤S11，提供一人脸检测数据集，获取所述人脸检测数据集中的符合预设要求的人脸数据；人脸数据包括先验框的最小边数值小于预设像素阈值的人脸；及

步骤S12，获取人脸视频数据，使用至少一人脸检测器对所述人脸视频数据进行处理，然后辅以调整标注信息；

步骤S13，将步骤S1中清洗过的人脸检测数据集和上述经调整标注信息的数据集进行合并，以此构成所述人脸检测训练集。

3.如权利要求1中所述的一种针对嵌入式部署的人脸检测模型优化方法，其特征在于：在上述步骤S2中，通过采用针对嵌入式端设计的网络作为卷积神经网络特征提取骨干网络，进行卷积神经网络特征提取后接入一特征金字塔机制的单发探测器，以对人脸检测训练模型进行构造。

4.如权利要求1中所述的一种针对嵌入式部署的人脸检测模型优化方法，其特征在于：上述步骤S2中的针对嵌入式端设计的网络为MobilenetV1网络或MobilenetV2网络。

5.如权利要求3中所述的一种针对嵌入式部署的人脸检测模型优化方法，其特征在于：上述步骤S2具体包括以下步骤：

步骤S21，采用针对嵌入式端设计的MobilenetV2网络作为卷积神经网络的特征，根据所述卷积神经网络特征提取骨干网络；

步骤S22，将提取的所述骨干网络特征接入上述单发探测器；

步骤S23，所述单发探测器依照程序生成设定阈值的先验框；及

步骤S24，对所述单发探测器采用的特征金字塔机制进行改进。

6.如权利要求1中所述的一种针对嵌入式部署的人脸检测模型优化方法，其特征在于：

在上述步骤S3中，将人脸检测训练集用于对构造后的人脸检测训练模型进行训练，在训练过程中，通过采用余弦退火算法来控制学习率，使用Focal Loss函数作为训练目标函数，并采用数据锚点采样方法作为数据增强的方式，以对人脸检测训练模型实现优化，以获得人脸检测优化模型。

7.如权利要求1中所述的一种针对嵌入式部署的人脸检测模型优化方法，其特征在于：在上述步骤S3之后还包括以下步骤：

步骤S4，对所述人脸检测优化模型进行模型剪枝及模型量化处理；及

步骤S5，将上述经模型剪枝及模型量化处理的人脸检测优化模型部署到开发板上，通过程序驱动人脸检测优化模型；及

步骤S6，利用人脸检测优化模型进行人脸检测。

8.一种针对嵌入式部署的人脸检测优化方法，其特征在于：其包括以下步骤：

步骤Sa，进行视频采集人脸数据；

步骤Sb，判断采集的视频是否为需要进行人脸识别的视频，若是，则进入步骤Sc，若否，则返回步骤Sa；

步骤Sc，对上述视频输出每个最高人脸质量的图片；及

步骤Sd，进行活体检测，判断用户是否为活体，若是，则进入步骤Se，若否，则丢弃对应的图片；

步骤Se，利用基于上述权利要求1-7中任一项所述针对嵌入式部署的人脸检测模型优化方法获得的人脸检测优化模型对上述通过活体检测的图片进行人脸检测；及

步骤Sf，输出人脸识别的结果。