[发明专利]人脸检测优化模型、方法、系统及其电子设备

说明书

本发明涉及一种针对嵌入式部署的人脸检测优化模型、方法、系统及其电子设备，构造一人脸检测训练集；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。上述模型、方法及系统适用于嵌入式人脸识别系统在有限的计算能力下的高效人脸识别。

【技术领域】

本发明涉及人工智能领域，其特别涉及一种针对嵌入式部署的人脸检测优化模型、方法、系统及其电子设备。

【背景技术】

自20世纪50年代开始，研究人员已经开始关注人脸识别这个技术领域，自此人脸识别就成为一个历史悠久的任务。

人脸识别作为计算机视觉中最基础、最广泛的应用，流程主要包括获取图像、人脸检测、人脸关键点对齐、特征提取和特征搜索五个部分，其中人脸检测是较为核心流程之一。

在传统的图像识别领域中，基本上是人工提取特征，不仅费时而且费力，更无法保证特征的有效性。

因此，亟待提供一种可有效解决上述人脸检测优化的新型技术方案。

【发明内容】

为解决现有人脸检测识别效率不高的问题，本发明提供一种针对嵌入式部署的人脸检测优化模型、方法、系统及其电子设备。

本发明为解决上述技术问题，提供如下的技术方案：一种针对嵌入式部署的人脸检测模型优化方法，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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。