用于超低功率始终开启的架构的实时自适应训练面部检测制造技术

本公开涉及用于超低功率始终开启的架构的实时自适应训练面部检测，论述了与在超低功率下实现始终开启的面部检测架构有关的技术。这种技术包括在主机处理器处利用对来自以超低功率操作的始终开启的微控制器的面部检测结果的肯定和/或否定验证来更新面部检测模型。

Real time adaptive training face detection for ultra-low power always on Architecture

【技术实现步骤摘要】
用于超低功率始终开启的架构的实时自适应训练面部检测
本申请一般涉及生物特征识别领域，具体地涉及用于超低功率始终开启的架构的实时自适应训练面部检测。
技术介绍
在一些设备中，面部检测是一直运行的(例如，当设备具有被调暗的显示灯、被置于休眠或者现代待机模式中等等时)以在检测到面部时使设备脱离低功率模式。从而，设备的用户知晓性更高并且功率效率更高，因为当用户未在使用设备时不必要的功率循环不被使用。当前的面部检测系统在这种低功率用例的情境中具有局限性。一些要求高计算复杂度和/或在面部检测的准确性中具有局限性。因此，用于面部检测和/或识别的当前技术不适合于始终开启(alwayson)的设备能力。正是考虑到这些和其他考虑事项，所以需要本改进。随着始终开启的设备在各种情境中的实现变得更普遍，这种改进可变得至关重要。
技术实现思路
本公开一方面提供了一种用于始终架构的面部检测方法。该方法包括：在以第一功率水平操作的微控制器处在低分辨率图像上实现第一面部检测模型；响应于与第一低分辨率图像相对应的肯定面部检测而从微控制器提供面部检测信号；在以大于第一功率水平的第二功率水平操作的处理器处响应于面部检测信号而在高分辨率图像上实现第二面部检测模型以验证面部检测信号；在处理器处至少部分地基于验证而生成对第一面部检测模型的更新；并且将对第一面部检测模型的更新存储到微控制器。本公开另一方面提供了一种系统。该系统包括：微控制器，该微控制器以第一功率水平在低分辨率图像上实现第一面部检测模型，该微控制器响应于与第一低分辨率图像相对应的肯定面部检测而提供面部检测信号；以及与该微控制器耦合的处理器，该处理器：响应于面部检测信号以大于第一功率水平的第二功率水平在高分辨率图像上实现第二面部检测模型以验证面部检测信号，至少部分地基于验证生成对第一面部检测模型的更新，并且将对第一面部检测模型的更新存储到微控制器。附图说明在附图中以示例方式而非限制方式图示了本文描述的素材。为了图示的简单和清晰，附图中图示的元素不一定是按比例绘制的。例如，为清晰起见，一些元素的尺寸相对于其他元素可被夸大。另外，在认为适当时，附图标记在附图之间被重复以指示出对应的或相似的元素。在附图中：图1图示了用于提供始终开启的面部检测的示例系统；图2图示了示范性面部检测方法；图3图示了由微控制器执行的示范性推断处理和由处理器执行的示范性面部检测模型更新处理；图4图示了示范性面部检测模型训练模块；图5是图示出用于在低功率微控制器处实现和更新面部检测模型的示例过程的流程图；图6是图示出用于发起对在低功率微控制器处实现的面部检测模型的更新的示例过程的流程图；图7是图示出用于基于元数据特征在低功率微控制器处实现面部检测模型的示例过程的流程图；图8是图示出用于始终架构中的面部检测的示例过程的流程图；图9是用于始终架构中的面部检测的示例系统的示意图；图10是示例系统的示意图；并且图11图示了全都根据本公开的至少一些实现方式布置的示例小形状因子设备。具体实施方式现在参考附图描述一个或多个实施例或实现方式。虽然论述了具体配置和布置，但应当理解这么做只是为了说明。相关领域的技术人员将认识到，在不脱离描述的精神和范围的情况下，可以采用其他配置和布置。相关领域的技术人员将会清楚，本文描述的技术和/或布置也可用在与本文所述不同的各种其他系统和应用中。虽然接下来的描述阐述了可在诸如片上系统(system-on-a-chip，SoC)架构之类的架构中体现的各种实现方式，但本文描述的技术和/或布置的实现方式不限于特定的架构和/或计算系统，而是可由任何架构和/或计算系统为类似的目的而实现。例如，采用例如多个集成电路(integratedcircuit，IC)芯片和/或封装的各种架构和/或诸如多功能设备、平板设备、智能电话等等之类的各种计算设备和/或消费者电子(consumerelectronic，CE)设备可实现本文描述的技术和/或布置。另外，虽然接下来的描述可阐述许多具体细节，例如逻辑实现方式、系统组件的类型和相互关系、逻辑分区/集成选择等等，但可在没有这种具体细节的情况下实现要求保护的主题。在其他情况下，可能没有详细示出一些素材，例如控制结构和完整软件指令序列，以免模糊本文公开的素材。本文公开的素材可以用硬件、固件、软件或者其任何组合来实现。本文公开的素材也可实现为存储在机器可读介质上的指令，这些指令可被一个或多个处理器读取和执行。机器可读介质可包括用于以机器(例如计算设备)可读的形式存储或传输信息的任何介质和/或机构。例如，机器可读介质可包括只读存储器(readonlymemory，ROM)；随机访问存储器(randomaccessmemory，RAM)；磁盘存储介质；光存储介质；闪存设备；电的、光的、声的或者其他形式的传播信号(例如，载波、红外信号、数字信号等等)，以及其他。说明书中提及“一个实现方式”、“一实现方式”、“示例实现方式”或者示例或者实施例等等指示的是描述的实现方式可包括特定的特征、结构或特性，但可能不一定每个实施例都包括该特定特征、结构或特性。另外，这种短语不一定指同一实现方式。另外，当结合一实施例来描述特定的特征、结构或特性时，认为结合其他实现方式(无论本文是否明确描述)来实现这种特征、结构或特性是在本领域技术人员的知识范围内的。术语“基本上”、“接近”、“大致”、“近似”和“大约”一般指在目标值的+/-10％内。在关于阈值使用时，术语“满足”指的是讨论中的值符合由该阈值建立的条件。在关于阈值使用时，术语“比较起来有利”指的是讨论中的值大于或者大于或等于该阈值。类似地，在关于阈值使用时，术语“比较起来不利”指的是讨论中的值小于或者小于或等于该阈值。本文描述了与始终开启的面部检测有关并且尤其与对面部检测模型进行实时训练以供低功率微控制器使用有关的方法、设备、装置、计算平台和物品。如上所述，可能希望为诸如个人计算机之类的设备提供始终开启能力，以使得该设备对于面部的存在是始终可用的。在检测到时，设备可转变到更高功率状态。例如，在由低功率微控制器检测到面部之后，设备可为诸如微处理器之类的高功率处理器加电以便进行对检测到的面部的验证、登录提示的呈现等等。就本文使用的而言，术语低功率和高功率意在指低功率设备(例如，集成电路芯片)与高功率设备(例如，集成电路芯片)相比以低得多的功率操作。例如，超低功率设备可以以0mW到100mW的范围中的功率操作，例如等于或低于10mW，而高功率设备可以以大于1W的功率操作，例如2W或更高。注意，可在超低功率下提供始终开启能力，而高功率设备可在用于该设备的正常功率下操作。虽然是对个人计算机应用论述的，但论述的系统和技术也可应用在任何适当的形状因子中。就本文使用的而言，术语个人计算机指的是具有使得其适合供单人使用的大小和形状因子的设备，例如桌面型计算机、膝上型计算机、上网本、平板设备等等。本文论述的技术本文档来自技高网...

【技术保护点】
1.一种用于始终架构的面部检测方法，包括：/n在以第一功率水平操作的微控制器处在低分辨率图像上实现第一面部检测模型；/n响应于与所述第一低分辨率图像相对应的肯定面部检测而从所述微控制器提供面部检测信号；/n在以大于所述第一功率水平的第二功率水平操作的处理器处响应于所述面部检测信号而在高分辨率图像上实现第二面部检测模型以验证所述面部检测信号；/n在所述处理器处至少部分地基于所述验证而生成对所述第一面部检测模型的更新；并且/n将对所述第一面部检测模型的更新存储到所述微控制器。/n

【技术特征摘要】
20181121 US 16/198,5801.一种用于始终架构的面部检测方法，包括：
在以第一功率水平操作的微控制器处在低分辨率图像上实现第一面部检测模型；
响应于与所述第一低分辨率图像相对应的肯定面部检测而从所述微控制器提供面部检测信号；
在以大于所述第一功率水平的第二功率水平操作的处理器处响应于所述面部检测信号而在高分辨率图像上实现第二面部检测模型以验证所述面部检测信号；
在所述处理器处至少部分地基于所述验证而生成对所述第一面部检测模型的更新；并且
将对所述第一面部检测模型的更新存储到所述微控制器。


2.如权利要求1所述的方法，其中所述面部检测被验证为肯定面部检测，并且生成对所述第一面部检测模型的更新包括：
利用包括多个经验证的图像的训练语料库训练第三面部检测模型，所述多个经验证的图像包括所述低分辨率图像或者所述高分辨率图像之一，其中对所述第一面部检测模型的更新包括所述第三面部检测模型。


3.如权利要求2所述的方法，其中训练所述第三面部检测模型是响应于来自所述微控制器的面部检测信号的阈值数目得到满足而进行的。


4.如权利要求1所述的方法，其中所述面部检测被无效为假肯定面部检测，并且生成对所述第一面部检测模型的更新包括：
确定具有与所述高分辨率图像相对应的否定面部检测结果的第三面部检测模型，其中对所述第一面部检测模型的更新包括所述第三面部检测模型。


5.如权利要求4所述的方法，其中所述第三面部检测模型包含对所述第一面部检测模型的经更新的阈值。


6.如权利要求1所述的方法，其中生成对所述第一面部检测模型的更新包括：
利用包括多个经验证的图像的训练语料库训练第三面部检测模型，所述多个经验证的图像具有一个或多个共同元数据特征，其中对所述第一面部检测模型的更新包括所述第三面部检测模型。


7.如权利要求6所述的方法，其中存储所述更新是响应于为所述系统检测到所述一个或多个共同元数据特征而进行。


8.如权利要求6或7所述的方法，其中所述一个或多个共同元数据特征包括所述多个经验证的图像在一天中的时刻、图像捕获条件、或地理位置之一。


9.如权利要求1所述的方法，其中生成对所述第一面部检测模型的更新包括：
利用包括多个经验证的图像的训练语料库训练第三面部检测模型，所述多个经验证的图像是响应于用户请求而获取的，其中对所述第一面部检测模型的更新包括所述第三面部检测模型。


10.如权利要求1到9中任一项所述的方法，其中所述第一面部检测模型包括第一主分量分析面部检测模型，并且所述第二面部检测模型包括第二主分量分析面部检测模型或者卷积神经网络面部检测模型之一。


11.如权利要求1到10中任一项所述的方法，其中所述第一功率水平不大于100mW，并且所述第二功率水平不小于0.5W。


12.一种系统，包括：
微控制器，所述微控制器以第一功率水平在低分辨率图像上实现第一面部检测模型，所述微控制器响应于与...

【专利技术属性】
技术研发人员：查鲁·斯里瓦斯塔瓦，
申请(专利权)人：英特尔公司，
类型：发明
国别省市：美国;US