[发明专利]面向边缘计算的轻量级面部识别方法

权利要求书

1.面向边缘计算的轻量级面部识别方法，其特征在于，包括下述步骤：

S1、构建面向边缘计算设备的轻量级面部识别网络模型AntCNN，所述AntCNN的网络结构包括：第一卷积层、第一池化层、第一密集块、第二池化层、第二密集块、第三池化层、第三密集块以及第三池化层；

S2、捕获面部图像，并将面部图像压缩为小尺寸像素，作为AntCNN的输入，并利用AntCNN进行特征提取和分类，具体为：

S21、提取输入图像的底层特征，通过第一卷积层来获取图像的底层特征；

S22、利用第一池化层将网络模型长和宽都减少一半；

S23、利用第一密集块将经过第一池化层处理后的网络模型的维特征增加32；

S24、利用第二池化层将经过第一密集块处理的网络模型长和宽都减少一半；

S25、利用第二密集块将经过第二池化层处理后的网络模型的维特征增加32；

S25、利用第三池化层将经过第二密集块处理的网络模型长和宽都减少一半；

S26、利用第三密集块将经过第三池化层处理后的网络模型的维特征增加56；

S27、利用第四池化层将经过第三密集块处理的网络模型长和宽都减少五分之一；

S28、得到网络模型长和宽为1的多维特征图；

S3、将获取的多维特征图经过全连接层得到各个类别的具体得分，最大的得分表示该图片的具体分类。

2.根据权利要求1所述面向边缘计算的轻量级面部识别方法，其特征在于，步骤S1中，使用dlib库来捕获面部图像，dlib库捕获的面部图像被压缩为44×44像素的统一大小，获取到的网络模型输入维度为(44，44，3)，44表示图片的长和宽，3表示图片是彩色。

3.根据权利要求1所述面向边缘计算的轻量级面部识别方法，其特征在于，步骤S1中，所述第一卷积层为3×3卷积层，pad＝1,bias＝True；

所述第一池化层为3×3最大池化层，stride 2；

所述第一密集块为

所述第二池化层为2×2平均池化层,stride 2；

所述第二密集块为

所述第三池化层为2×2平均池化层,stride 2；

所述第三密集块为

所述第四池化层为5×5全局平均池化层。

4.根据权利要求3所述面向边缘计算的轻量级面部识别方法，其特征在于，采取一次3×3的卷积层来获取图片底层特征，底层特征提取之后的维度为(44，44，32)，44表示网络的长和宽，32表示32维的特征。

5.根据权利要求3所述面向边缘计算的轻量级面部识别方法，其特征在于，所述第一密集块、第二密集块和第三密集块均采用两个连续的3×3可学习组卷积。

6.根据权利要求1所述面向边缘计算的轻量级面部识别方法，其特征在于，密集块的构成顺序为步长为1的3×3的可学习分组卷积层，输出4倍增长率的特征图；批标准化层；激活层(Relu)；步长为1的3×3的可学习分组卷积层，输出1倍增长率的特征图；以及批标准化层。

7.根据权利要求1所述面向边缘计算的轻量级面部识别方法，其特征在于，将AntCNN成功运行在树莓派3B+上，运行的速度为0.87FPS，在情绪分类的FER-2013和RAF-DB数据集中的准确率都高于其他流行的轻量级特征提取网络，并且参数量为0.4MB，计算量为2.7MFLOPs。