一种基于低功耗嵌入式平台的人脸检测方法及系统技术方案

本发明专利技术公开了一种基于低功耗嵌入式平台的人脸检测方法，包括步骤：A.获取输入的图像信息；B.对获取的图像信息进行数据增广、数据归一化以及PCA白化处理；C.优化深度级联网络人脸检测算法，训练人脸检测模型，检测处理后的图像信息得到人脸信息；D.接收人脸检测算法输出的人脸信息，并输出包括人脸信息在内的图像信息。本发明专利技术的基于低功耗嵌入式平台的人脸检测方法针对目前人脸检测算法模型参数巨大，计算量大，难以在嵌入式运行的问题，通过对算法进行改进后，得到的人脸检测算法能够在嵌入式平台运行，并且精度损失很少，能够将人脸检测算法应用于如空调，电视等嵌入式设备，提升用户体验，且具有低功耗，速度快精度高等优点。

【技术实现步骤摘要】
一种基于低功耗嵌入式平台的人脸检测方法及系统
本专利技术涉及计算机视觉
，特别涉及一种基于低功耗嵌入式平台的人脸检测方法及系统。
技术介绍
随着计算机技术的发展，人脸检测技术逐渐开始走向实用化，在视频监控、门禁系统，安防以及交通系统等领域得到了广泛应用。目前，人脸检测的实现硬件平台有PC机与嵌入式硬件系统。PC机体积大、成本高、功耗高并且不方便携带，这大大限制了人脸检测的应用场合。随着技术的发展，嵌入式平台的运算速度越来越快，体积越来越小，成本和功耗越来越小，使得在开发便携式人脸检测系统有了充分的硬件支持。使得在低功耗的嵌入式端运行人脸检测系统成为可能。目前主流的嵌入式硬件平台有ARM(AdvancedRISCMachines)、DSP(DigitalSignalProcessor)、达芬奇双核平台等。DSP处理器具有强大的数据处理与运算能力，但是对外设的控制能力有限、对用户接口支持不完善以及价格昂贵。达芬奇双核平台对外设的控制和数据处理能力较强，但是做工复杂、开发难度大并且价格昂贵。ARM处理器在人机交互、设备控制等方面拥有强大的功能，同时随着ARM处理器的快速发展，其对数据处理的能力越来越强，价格也越来越便宜。与DSP及达芬奇平台相比，ARM具有成本低、功耗小，同时运算速度快等优点，能满足人脸检测算法的需要，同时ARM系列处理器在智能终端广泛应用，使得人脸检测系统更容易进入普通大人消费。因此在ARM系列平台开发低功耗的人脸检测系统具有很重要的应用价值，本专利技术即基于该技术背景。通常，为满足人脸检测的准确率要求，所采用的检测算法复杂度较高，需要一定的硬件条件支持，受限于低功耗型嵌入式环境苛刻的硬件条件，决定了无法通过采用具有较高复杂度的检测算法来确保准确度和实用性。例如，在一些小型无人机，智能安防视频监控等嵌入式环境中，由于处理器、内存资源有限，存储空间较小，可使用的硬件资源也较少，无法直接满足较高复杂度算法的运行要求。因此，需要根据低功耗型嵌入式环境硬件资源不足的特点，通过合理的系统设计与优化实现对人脸的检测。
技术实现思路
本专利技术的目的基于上述技术背景针对上述应用需求，提供一种基于低功耗嵌入式平台的人脸检测方法及系统，该系统主要用于低功耗嵌入式环境中，可实现人脸检测，具有低功耗，速度快精度高等优点。为了达到上述的技术效果，本专利技术采取以下技术方案：一种基于低功耗嵌入式平台的人脸检测方法，包括以下步骤：A.获取输入的图像信息；B.对获取的图像信息进行数据增广、数据归一化以及PCA白化处理；其中，通过数据增广可实现增加图像数量，提高模型的泛化能力，通过数据归一化及PCA白化处理，可实现消除图像中无关的信息，增强有关信息的可检测性、最大限度地简化数据，C.优化深度级联网络人脸检测算法MTCNN，训练人脸检测模型，检测处理后的图像信息得到人脸信息；D.接收人脸检测算法输出的人脸信息，并输出包括人脸信息在内的图像信息。进一步地，所述步骤A具体为：将图像采集设备采集到的图像的光电信号通过采样和量化转换为数字信号。进一步地，所述步骤B中的数据增广处理包括至少对图像采用了平移，旋转，部分置黑，剪切的几何变换手段处理及对图像进行了高斯滤波和变换通道操作；所述步骤B中的数据归一化处理具体为：通过对数据的每一个维度的值进行重新调节，使得最终的数据向量落在[0,1]区间；所述步骤B中的PCA白化处理包括：先对数据进行PCA降维处理，使特征之间相关性较低；再对每个特征除以数据协方差矩阵的对应的特征根的平方根，使得所有特征具有相同的方差。进一步地，所述步骤C中优化深度级联网络人脸检测算法MTCNN具体包括以下步骤：S1.去掉原深度级联网络人脸检测算法MTCNN结构中的最大池化层，将池化层前面卷积层的卷积步长改为最大池化层的步长，以达到减少计算量的目的；S2.在每个层卷积层后加上BatchNormalization层，将网络的每个隐藏层输入数据的分布变为均值为0，方差1的标准正态分布；在神经网络中，每个隐藏层的数据分布在变化，输入激活层之后很容易易处于激活函数的饱和区，此时梯度接近为0，将出现梯度消失的问题，模型收敛速度很慢，甚至不收敛，当使用BatchNormalization层后，将使数据大概率出现在激活函数的近似线性区域，使得梯度较大，可以加快模型收敛，提高模型精度；S3.将普通卷积Conv变换为交错分组卷积IGCV；对每个卷积层输入特征图的输入通道分成多个组，每个组的通道数相同，再对每个组进行卷积操作；将进行分组卷积操作后得到的多个特征图的通道重新组合，然后将重新组合得到的特征图在通道维度上进行拼接，再进行第二次分组卷积，以1x1的卷积核进行卷积操作，从而到减小计算量的同时保证模型精度的目的。同时，本专利技术还公开了一种基于低功耗嵌入式平台的人脸检测系统，包括：图像输入模块、图像处理模块、人脸检测模块及图像输出模块，所述图像处理模块的输入端与图像输入模块的输出端相连，图像处理模块的输出端与人脸检测模块的输入端相连，人脸检测模块的输出端与图像输出模块的输入端相连；其中，所述图像输入模块用于获取输入的视频图像信息并传递至图像处理模块，图像处理模块用于对收到的视频图像信息进行数据增广、数据归一化及PCA白化处理，并将处理后的视频图像信息传递至人脸检测模块，所述人脸检测模块用于对深度级联网络人脸检测算法MTCNN进行优化，并以此训练人脸检测模型以检测图像处理模块输入的视频图像信息，并将得到的人脸信息传递至图像输出模块，图像输出模块用于接收人脸检测模块输出的人脸信息并输出包括人脸信息在内的图像信息；即在本专利技术的基于低功耗嵌入式平台的人脸检测系统中，图像输入模块获取到图像信息后，图像处理模块可对从图像输入模块输入的图片数据进行数据增广、归一化、PCA白化处理，从而消除图像中无关的信息，最大限度地简化数据，人脸检测模块则对图像进行人脸检测，利用去池化、批规范化(BatchNormalization)、交错分组卷积(IGCV)等方法对深度级联网络的人脸检测算法进行优化，在保证精度的同时，减少模型参数的冗余和计算量，使得算法能够在低功耗的嵌入式平台上运行，同时精度损失在1％以内，最后由图像输出模块接收从人脸检测模块输出的人脸信息，并输出人脸信息在内的图像信息。进一步地，所述图像输入模块是将图像采集设备采集到的图像的光电信号通过采样和量化转换为数字信号从而获取图像信息。进一步地，所述图像处理模块进行数据增广处理时包括至少对图像采用了平移，旋转，部分置黑，剪切的几何变换手段处理及对图像进行了高斯滤波和变换通道操作；所述图像处理模块进行数据归一化处理时包括通过对数据的每一个维度的值进行重新调节，使得最终的数据向量落在[0,1]区间；所述图像处理模块进行PCA白化处理时包括对数据进行PCA降维处理，使特征之间相关性较低；再对每个特征除以数据协方差矩阵的对应的特征根的平方根，使得所有特征具有相同的方差。进一步地，所述人脸检测模块中包含用于优化深度级联网络人脸检测算法MTCNN的优化深度级联网络人脸检测单元，所述优化深度级联网络人脸检测单元进行优化深度级联网络人脸检测算法MTCNN时具体包括：去掉原深度级联网络人脸检测算法MTCNN结构中的最本文档来自技高网...

【技术保护点】
1.一种基于低功耗嵌入式平台的人脸检测方法，其特征在于，包括以下步骤：A.获取输入的图像信息；B.对获取的图像信息进行数据增广、数据归一化以及PCA白化处理；C.优化深度级联网络人脸检测算法MTCNN，训练人脸检测模型，检测处理后的图像信息得到人脸信息；D.接收人脸检测算法输出的人脸信息，并输出包括人脸信息在内的图像信息。

【技术特征摘要】
1.一种基于低功耗嵌入式平台的人脸检测方法，其特征在于，包括以下步骤：A.获取输入的图像信息；B.对获取的图像信息进行数据增广、数据归一化以及PCA白化处理；C.优化深度级联网络人脸检测算法MTCNN，训练人脸检测模型，检测处理后的图像信息得到人脸信息；D.接收人脸检测算法输出的人脸信息，并输出包括人脸信息在内的图像信息。2.根据权利要求1所述的一种基于低功耗嵌入式平台的人脸检测方法，其特征在于，所述步骤A具体为：将图像采集设备采集到的图像的光电信号通过采样和量化转换为数字信号。3.根据权利要求1所述的一种基于低功耗嵌入式平台的人脸检测方法，其特征在于，所述步骤B中的数据增广处理包括至少对图像采用了平移，旋转，部分置黑，剪切的几何变换手段处理及对图像进行了高斯滤波和变换通道操作；所述步骤B中的数据归一化处理具体为：通过对数据的每一个维度的值进行重新调节，使得最终的数据向量落在[0,1]区间；所述步骤B中的PCA白化处理包括：先对数据进行PCA降维处理，使特征之间相关性较低；再对每个特征除以数据协方差矩阵的对应的特征根的平方根，使得所有特征具有相同的方差。4.根据权利要求1所述的一种基于低功耗嵌入式平台的人脸检测方法，其特征在于，所述步骤C中的优化深度级联网络人脸检测算法MTCNN具体包括以下步骤：S1.去掉原深度级联网络人脸检测算法MTCNN结构中的最大池化层，将池化层前面卷积层的卷积步长改为最大池化层的步长；S2.在每个层卷积层后加上BatchNormalization层，将网络的每个隐藏层输入数据的分布变为均值为0，方差1的标准正态分布；S3.将普通卷积Conv变换为交错分组卷积IGCV；对每个卷积层输入特征图的输入通道分成多个组，每个组的通道数相同，再对每个组进行卷积操作；将进行分组卷积操作后得到的多个特征图的通道重新组合，然后将重新组合得到的特征图在通道维度上进行拼接，再进行第二次分组卷积，以1x1的卷积核进行卷积操作。5.一种基于低功耗嵌入式平台的人脸检测系统，其特征在于，包括：图像输入模块、图像处理模块、人脸检测模块及图像输出模块，所述图像处理模块的输入端与图像输入模块的输出端相连，图像处理模块的输出端与人脸检测模块的输入端相连，人脸检测模块的输出端与图像输出...

【专利技术属性】
技术研发人员：游忍，刘明华，周春燕，
申请(专利权)人：四川长虹电器股份有限公司，
类型：发明
国别省市：四川,51