一种适合前端的人脸识别网络的设置方法技术

本发明专利技术提供一种适合前端的人脸识别网络的设置方法，包括：S1，对输入的图像数据data先进行均衡化处理，先进行减128，生成数据data1，再对数据data1进行除以128，生成数据data2；S2，对S1中的data1进行卷积核为3

【技术实现步骤摘要】
一种适合前端的人脸识别网络的设置方法


[0001]本专利技术涉及人脸图像识别
，特别涉及一种适合前端的人脸识别网络的设置方法。

技术介绍

[0002]随着科技的不断发展，特别是计算机视觉技术的发展，人脸识别技术广泛应用于信息安全、电子认证等各个领域，图像特征提取方法具有良好的识别性能。人脸识别是指基于已知的人脸样本库，利用图像处理和/或模式识别技术从静态或者动态场景中，识别一个或多个人脸的技术。但是目前的人脸识别技术包括1、应用到人脸识别中的各种网络:Inception、ResNet、VGG、MobileNet、AlexNet、GoogLeNet、Inception-ResNet；2、人脸识别训练的框架结构有facenet和insightface。目前人脸识别技术包括的缺点有：1、当前前端的网络，使用了独立卷积、特征图加法、各种尺寸的卷积核等，不适合很多AI芯片，导致AI芯片无法实现其网络。2、计算量相对较大。3、识别率相对较低。

技术实现思路

[0003]为了解决上述现有技术中存在的问题，本专利技术的目的在于：
[0004]1、使用的算子很少，只有3
×
3的卷积核、采用特征图拼接(concat)操作、下采样操作和全连接操作。
[0005]2、计算量小，计算量不到1G的乘法，模型(参数为浮点)大小只有29M。
[0006]3、提高人脸识别率使之达到99.8％。
[0007]本专利技术提供一种适合前端的人脸识别网络结构的设置方法，所述方法包括以下步骤：
[0008]S1，对输入的图像数据data先进行均衡化处理，先进行减128，生成数据data1，再对数据data1进行除以128，生成数据data2；
[0009]S2，对S1中的data1进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为64；生成的特征图为96
×
96
×
64，命名为conv0；
[0010]S3，进行第一种降低特征图长宽处理，即：
[0011]S3.1，将conv0进行卷积核为3
×
3、步长为2的卷积处理，生成特征图的深度为32；生成的特征图为48
×
48
×
32，命名为conv1；
[0012]S3.2,将conv0进行下采样处理，生成特征图的深度为32；生成的特征图为48
×
48
×
64，命名为pool1；
[0013]S4，产生第一模块，即：
[0014]S4.1,将pool1进行三次卷积处理，生成特征图的深度为64；生成的特征图为48
×
48
×
32，命名为block1_conv3；
[0015]S4.2,将block1_conv3与conv1拼接，生成结果命名为block1_concat1；
[0016]S5，产生第二模块，即：
[0017]S5.1，通过进行第二种降低特征图长宽处理，输出结果命名为block2_conv0；
[0018]S5.2，将block2_conv0进行二次卷积处理，生成特征图的深度为48。生成的特征图为24
×
24
×
48，命名为block2_conv2；
[0019]S5.3，将block2_conv2进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为48；生成的特征图为24
×
24
×
48，命名为block2_conv3；
[0020]S5.4,将block2_conv3与block2_conv0拼接，生成结果命名为block2_concat1；
[0021]S5.5,将block2_conv2进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为64；生成的特征图为24
×
24
×
64，命名为block2_conv4；
[0022]S6,产生第三模块，即，
[0023]S6.1,产生第三模块的第一部分，即：
[0024]S6.1.1,通过进行第二种降低特征图长宽处理，输出结果的特征图分别命名为block31_conv0，block31_pool1，block31_pool2；
[0025]S6.1.2,将block31_conv0进行二次卷积处理，生成特征图的深度为80；生成的特征图为12
×
12
×
80，命名为block31_conv2；
[0026]S6.1.3,将block31_conv2与block31_pool1拼接，生成结果命名为block31_concat1；
[0027]S6.1.4,将block31_concat1进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为64,生成的特征图为12
×
12
×
64，命名为block31_conv3；
[0028]S6.1.5,将block31_conv3与block31_pool2拼接，生成结果命名为block31_concat2；
[0029]S6.1.6,将block31_concat1进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为96,生成的特征图为12
×
12
×
96，命名为block32_conv1；
[0030]S6.2,产生第三模块的第二部分；
[0031]S6.2.1，将block31_concat2进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为48，生成的特征图为12
×
12
×
48，命名为block31_conv4；
[0032]S6.2.2，将block32_conv1与block31_conv4拼接，生成结果命名为block32_concat1；
[0033]S6.2.3，将block32_concat1进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为96，生成的特征图为12
×
12
×
96，命名为block32_conv2；
[0034]S6.2.4，将block32_conv2与block31_conv4拼接，生成结果命名为block32_concat2；
[0035]S6.2.5，将block32_concat2进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为96，生成的特征图为12
×
12
×
96，命名为block32_conv3；
[0036]S6.2.6，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适合前端的人脸识别网络结构的设置方法，其特征在于，所述方法包括以下步骤：S1，对输入的图像数据data先进行均衡化处理，先进行减128，生成数据data1，再对数据data1进行除以128，生成数据data2；S2，对S1中的data1进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为64；生成的特征图为96
×
96
×
64，命名为conv0；S3，进行第一种降低特征图长宽处理，即：S3.1，将conv0进行卷积核为3
×
3、步长为2的卷积处理，生成特征图的深度为32；生成的特征图为48
×
48
×
32，命名为conv1；S3.2,将conv0进行下采样处理，生成特征图的深度为32；生成的特征图为48
×
48
×
64，命名为pool1；S4，产生第一模块，即：S4.1,将pool1进行三次卷积处理，生成特征图的深度为64；生成的特征图为48
×
48
×
32，命名为block1_conv3；S4.2,将block1_conv3与conv1拼接，生成结果命名为block1_concat1；S5，产生第二模块，即：S5.1，通过进行第二种降低特征图长宽处理，输出结果命名为block2_conv0；S5.2，将block2_conv0进行二次卷积处理，生成特征图的深度为48。生成的特征图为24
×
24
×
48，命名为block2_conv2；S5.3，将block2_conv2进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为48；生成的特征图为24
×
24
×
48，命名为block2_conv3；S5.4,将block2_conv3与block2_conv0拼接，生成结果命名为block2_concat1；S5.5,将block2_conv2进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为64；生成的特征图为24
×
24
×
64，命名为block2_conv4；S6,产生第三模块，即，S6.1,产生第三模块的第一部分，即：S6.1.1,通过进行第二种降低特征图长宽处理，输出结果的特征图分别命名为block31_conv0，block31_pool1，block31_pool2；S6.1.2,将block31_conv0进行二次卷积处理，生成特征图的深度为80；生成的特征图为12
×
12
×
80，命名为block31_conv2；S6.1.3,将block31_conv2与block31_pool1拼接，生成结果命名为block31_concat1；S6.1.4,将block31_concat1进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为64,生成的特征图为12
×
12
×
64，命名为block31_conv3；S6.1.5,将block31_conv3与block31_pool2拼接，生成结果命名为block31_concat2；S6.1.6,将block31_concat1进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为96,生成的特征图为12
×
12
×
96，命名为block32_conv1；S6.2,产生第三模块的第二部分；S6.2.1，将block31_concat2进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为48，生成的特征图为12
×
12
×
48，命名为block31_conv4；
S6.2.2，将block32_conv1与block31_conv4拼接，生成结果命名为block32_concat1；S6.2.3，将block32_concat1进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为96，生成的特征图为12
×
12
×
96，命名为block32_conv2；S6.2.4，将block32_conv2与block31_conv4拼接，生成结果命名为block32_concat2；S6.2.5，将block32_concat2进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为96，生成的特征图为12
×
12
×
96，命名为block32_conv3；S6.2.6，将block32_conv3与block31_concat2拼接，生成结果命名为block32_concat3；S6.3,产生第三模块的第三部分；S6.3.1，将block32_concat3进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为48，生成的特征图为12
×
12
×
48，命名为block33_conv1；S6.3.2，将block33_conv1与block32_conv3拼接，生成结果命名为block33_concat1；S6.3.3，将block33_concat1进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为96，生成的特征图为12
×
12
×
96，命名为block33_conv2；S6.3.4，将block33_conv2与block33_conv1拼接，生成结果命名为block33_concat2；S6.3.5，将block33_concat2进行卷积核为3
×
3、步长为1的卷积处理，生成特征图的深度为96，生成的特征图为12
×
12
×
96，命名为block33_conv3；S6.3.6，将block33_conv3与block32_concat3拼接，生成结果命名为block33_concat3；S7,产生第四模块；S7.1，通过进行第二种降低特征图长宽处理，其中in_data1＝block33_concat3,in_data2＝block33_conv3,in_data3＝block33_concat3,N＝64；输出结果命名为block4_conv0＝out_conv1，block4_pool1＝out_pool1,block4_pool2＝o...

【专利技术属性】
技术研发人员：田凤彬，
申请(专利权)人：北京君正集成电路股份有限公司，
类型：发明
国别省市：