一种人脸识别深度学习方法及加速人脸识别摄像机技术

本发明专利技术提供了人脸识别深度学习方法，通过NNIE神经网络单元进行深度学习并更新数据库，从而实现人脸识别的加速。本发明专利技术还提供了一种加速人脸识别摄像机，包括处理器模块，以及与所述处理器模块连接的存储模块、视频图像采集模块、镜头控制模块、音频输入输出模块、网络数据传输模块以及显示输出模块，处理器模块可进行人脸识别，其包括NNIE神经网络单元，可加速人脸识别算法。本发明专利技术具有以下优点：减小系统功耗，降低成本，减小开发难度，缩短软件开发周期；在针对未来边缘计算应用，提供一种低功耗、高性价比的解决方案。

A deep learning method of face recognition and a camera for accelerating face recognition

【技术实现步骤摘要】
一种人脸识别深度学习方法及加速人脸识别摄像机
本专利技术属于运用人脸识别的安防监控领域，其中主要涉及到一种采用人脸识别深度学习方法的网络摄像机。
技术介绍
随着AI发展的浪潮，人脸识别在安防监控领域的应用迅速增长；人脸识别需要处理器进行视频采集和人脸识别学习和训练，传统通用CPUARM处理器在逻辑算数效率较低，通过GPU、CPU外部协处理器会带来功耗大且成本高的问题；目前人脸识别算法基本都得到充足的大数据训练，算法成熟度较高，主要问题在于处理器的算力上。
技术实现思路
有鉴于此，本专利技术的目的是通过硬件平台的神经网络加速单元，在传统安防监控基础上提供人脸识别算法、深度学习。本专利技术提供了一种人脸识别深度学习方法，其通过NNIE神经网络单元进行深度学习并更新数据库，从而实现人脸识别的加速，其步骤包括：S1，输入图像信息；S2，人脸检测，检测图像是否出现人脸；S3，通过检测网络模型，提取第一组人脸特征信息；S4，通过分类网络模型算法，在第一组人脸特征上训练分类器，生成数据库；S5，输入待检测人脸图像信息；S6，通过检测网络提取第二组人脸特征，将第二组人脸特征的特征值与数据库进行比对；S7，根据所述S6的比对结果评估训练出来模型的精度、性能和带宽；S8，若未达到预期精度、性能和带宽的要求，则重新运行S1-S7，反之，将S7仿真后得到的满足预期结果的模型移植到设备。进一步地，S1-S4为深度学习方法中人脸识别模型的离线训练。进一步地，S5-S7为训练产生人脸识别模型可以离线进行仿真，来对训练出来的模型进行精度、性能、带宽的评估。进一步地，S8为对符合预期模型后将完整仿真库进行完整功能仿真，然后移植到设备。本专利技术还提供了一种加速人脸识别摄像机，所述加速人脸识别摄像机应用了上述所述的一种人脸识别深度学习方法；其包括处理器模块，以及与所述处理器模块连接的存储模块、视频图像采集模块、镜头控制模块、音频输入输出模块、网络数据传输模块以及显示输出模块；所述处理器模块包括NNIE神经网络单元，所述处理器模块可运行人脸识别算法，所述人脸识别算法提取并识别人脸特征，所述NNIE神经网络单元能通过学习及训练得到优选的人脸识别模型并更新人脸数据库，从而加速所述人脸识别算法的运行。进一步地，所述处理器模块接收所述视频图像采集模块采集的视频图像信息，处理器模块将所述视频图像信息转换为相应的格式，然后通过所述显示输出模块输出。进一步地，所述存储模块包括TF卡接口模块和FLASH存储器，所述TF卡接口模块包括TF卡和TF卡接口电路，所述视频图像信息存入所述TF卡或者所述FLASH存储器中，NNIE神经网络单元离线深度学习和训练得到的人脸识别模型可以存储到TF卡或者所述FLASH存储器中。进一步地，所述视频图像信息通过网络数据传输模块上传到云端。进一步地，所述镜头控制模块连接摄像头的镜头，所述镜头包括摄像头光圈和红外滤光片，所述摄像头光圈可调节摄像头进光量，所述红外滤光片可过滤红外光，所述处理器模块根据所述视频图像信息，通过所述镜头控制模块来调节所述镜头工作状态。进一步地，所述处理器模块1采用集成ARM、CPU、DSP、NNIE的嵌入式SOC。进一步地，所述加速人脸识别摄像机还包括电源及复位模块，所述电源及复位模块的上电及掉电时，需由所述处理器模块控制，满足电源系统稳定性及低功耗要求。本专利技术具有以下优点：减小系统功耗，降低成本，减小开发难度，缩短软件开发周期；在针对未来边缘计算应用，提供一种低功耗、高性价比的解决方案。附图说明图1是本专利技术实施例1提供一种人脸识别深度学习方法的流程图；图2是本专利技术实施例2提供一种加速人脸识别摄像机模块示意图；图3是本专利技术实施例2提供一种加速人脸识别摄像机应用海思Hi3559AV100嵌入式SOC芯片的连接示意图；图4是本专利技术实施例2提供一种加速人脸识别摄像机的一种边缘计算的人脸识别IPC的典型应用；图5是本专利技术实施例2提供一种加速人脸识别摄像机中通过PWM控制光圈大小调节曝光量电路；图6是本专利技术实施例2提供一种加速人脸识别摄像机的IPC系统复位电路。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例1本专利技术实施例1使用深度学习方法进行人脸的检测和分类来训练自己的人脸数据库，其通过NNIE神经网络单元加速深度学习，从而实现人脸识别的加速，如图1所示，其步骤包括：S1，输入图像信息；S2，人脸检测，检测图像是否出现人脸；S3，通过检测网络模型，提取第一组人脸特征信息；S4，通过分类网络模型算法，在第一组人脸特征上训练分类器，生成数据库；S5，输入待检测人脸图像信息；S6，通过检测网络提取第二组人脸特征，将第二组人脸特征的特征值与数据库进行比对；S7，根据所述S6的比对结果评估训练出来模型的精度、性能和带宽；S8，若未达到预期精度、性能和带宽的要求，则重新运行S1-S7，反之，将S7仿真后得到的满足预期结果的模型移植到设备。通过不断地训练人脸识别模型，直到学习到能达到预期精度、性能和宽带要求的人脸识别模型，将该模型完整仿真后移植到本地运用，可提高人脸识别的效率。S1-S4为深度学习方法中人脸识别模型的离线训练。首先需要进行caffe模型离线训练来制作数据库。使用环境为Ubuntu14.04+openCV3.4.3，人脸的检测和分类包括以下步骤：1、人脸检测S2，OpenCV下使用Caffe训练好的SSD检测模型检测人脸信息；2.提取人脸特征S3，OpenCV下使用OpenFace工程中的FaceNet模型提取深度学习人脸特征；3.训练人脸识别分类器S4，使用scikit-learn模型中的支持向量机(SVM)算法在人脸特征上训练一个或多个人脸的分类器；4.使用分类器进行分类，将待识别图像放入网络中提取特征，然后将提取到的特征值进行比对。S5-S7为训练产生人脸识别模型的离线仿真，来对训练出来的模型进行精度、性能、带宽的评估；仿真借用windows版本上的RuyiStudio中的仿真工具，首先安装和配置MinGW编译器；之后导入工程，默认配置了功能仿真的库和使用功能仿wk文件的编译宏，选择debug或者release版本的编译，开始进行仿真。通过向量比较工具，选择需要比较的不同配置的中间输出结果所在文件夹，对比比较结果来分析定位引入精度误差的位置；运行目标检测视图来查看框选结果，通过添加删除需要检测的图片，导入坐标文件夹，坐标文件夹会与当前图像列表中的图像进行匹配，匹配到的会显示到CoordinateFiles中。S8为对符合预期模型后将完整仿真库进行完整本文档来自技高网...

【技术保护点】
1.本专利技术提供了一种人脸识别深度学习方法，其通过NNIE神经网络单元(11)进行深度学习并更新数据库，从而实现人脸识别的加速，其步骤包括：/nS1，输入图像信息；/nS2，人脸检测，检测图像是否出现人脸；/nS3，通过检测网络模型，提取第一组人脸特征信息；/nS4，通过分类网络模型算法，在第一组人脸特征上训练分类器，生成数据库；/nS5，输入待检测人脸图像信息；/nS6，通过检测网络提取第二组人脸特征，将第二组人脸特征的特征值与数据库进行比对；/nS7，根据所述S6的比对结果评估训练出来模型的精度、性能和带宽；/nS8，若未达到预期精度、性能和带宽的要求，则重新运行S1-S7，反之，将S7仿真后得到的满足预期结果的模型移植到设备。/n

【技术特征摘要】
1.本发明提供了一种人脸识别深度学习方法，其通过NNIE神经网络单元(11)进行深度学习并更新数据库，从而实现人脸识别的加速，其步骤包括：
S1，输入图像信息；
S2，人脸检测，检测图像是否出现人脸；
S3，通过检测网络模型，提取第一组人脸特征信息；
S4，通过分类网络模型算法，在第一组人脸特征上训练分类器，生成数据库；
S5，输入待检测人脸图像信息；
S6，通过检测网络提取第二组人脸特征，将第二组人脸特征的特征值与数据库进行比对；
S7，根据所述S6的比对结果评估训练出来模型的精度、性能和带宽；
S8，若未达到预期精度、性能和带宽的要求，则重新运行S1-S7，反之，将S7仿真后得到的满足预期结果的模型移植到设备。


2.根据权利要求1所述的一种人脸识别深度学习方法，其特征在于，S1-S4为深度学习方法中人脸识别模型的离线训练。


3.根据权利要求1所述的一种人脸识别深度学习方法，其特征在于，S5-S7为训练产生人脸识别模型可以离线进行仿真，来对训练出来的模型进行精度、性能、带宽的评估。


4.根据权利要求1所述的一种人脸识别深度学习方法，其特征在于，S8为对符合预期模型后将完整仿真库进行完整功能仿真，然后移植到设备。


5.一种加速人脸识别摄像机，其特征在于，其应用权利要求1-4任一项所述的一种人脸识别深度学习方法；其包括处理器模块(1)，以及与所述处理器模块(1)连接的存储模块(2)、视频图像采集模块(3)、镜头控制模块(4)、音频输入输出模块(5)、网络数据传输模块(6)以及显示输出模块(7)；所述处理器模块(1)包括NNIE神经网络单元(11)，所述处理器模块(1)可运行人脸识别算法，所述人脸识别算法提取并识...

【专利技术属性】
技术研发人员：刘辉，杨增勇，严华刚，
申请(专利权)人：深圳华北工控软件技术有限公司，
类型：发明
国别省市：广东;44