[发明专利]面向边缘计算的轻量级面部识别方法

说明书

本发明公开了一种面向边缘计算的轻量级语面部别方法，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，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。本发明使用了传统机器学习的dlib库去寻找人脸的部分，并成功地运行在树莓派的边缘计算设备上，寻找人脸的视频非常流畅，完全满足了实时的要求。

技术领域

本发明属于深度学习的技术领域，具体涉及一种面向边缘计算的轻量级面部识别方法。

背景技术

深度学习对目标的多样性变化具有较好的鲁棒性。因此，在边缘计算设备上直接运行深度学习网络模型被视为最有前景的方法，并得到广泛的研究和应用。但是，深度学习是计算密集型的。而边缘计算设备的计算量和储存空间都是有限的。这意味着设计面向边缘计算的深度学习网络模型需要考虑准确率的同时，还需要注意网络需要的计算量和参数量。为了能够在边缘计算设备上运行深度学习网络模型，已经提出了诸如MobileNet和ShuffleNet等的轻量级网络模型。但是，这些网络都是作为一个通用的网络模型出现，主要应用于多目标的识别，所以网络模型输入图片的尺寸都很大。这导致了在相同情况下需要更多的计算量(floating-point operations per second，FLOPs)和更多的参数量。目标识别需要找到目标的具体位置并进行分类，目标分类只需要对已知具体位置的目标进行分类。在一些特定的场合，只需要对目标进行分类。那些通用的轻量级网络模型输入尺寸一般为224×224，里面包含着多个目标和相关背景。如果这些网络应用于目标分类，这会造成资源浪费和性能不佳。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种面向边缘计算的轻量级面部识别方法，大大提高了面部识别的准确性。

为了达到上述目的，本发明采用以下技术方案：

本发明面向边缘计算的轻量级面部识别方法，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。