轻量级的人脸识别方法、系统、终端以及存储介质技术方案

本申请提供了一种轻量级的人脸识别方法、系统、终端以及存储介质，轻量级的人脸识别方法包括：构建卷积层结构A以及卷积层结构B，其中卷积层结构A包括3*3卷积层和1*1层，卷积层结构B包括3*3卷积层、1*1层以及残差层；构建block结构，block结构都由若干个卷积层结构A和若干个卷积层结构B构成；基于block结构的重复出现，构建并训练人脸识别模型；将3*3卷积层分别与1*1层、残差层融合转化为最终3*3卷积层，根据最终3*3卷积层构建与训练结构对应的推理网络结构；将训练好的人脸识别模型与推理网络结构构建人脸识别推理模型；本申请的轻量级的人脸识别方法在模型的精度和速度上取得了平衡，最终使得轻量级人脸识别的准确率和资源的消耗均能满足人脸终端的需求。源的消耗均能满足人脸终端的需求。源的消耗均能满足人脸终端的需求。

【技术实现步骤摘要】
轻量级的人脸识别方法、系统、终端以及存储介质


[0001]本申请属于轻量级人脸识别
，更具体地说，是涉及一种轻量级的人脸识别方法、系统、终端以及存储介质。

技术介绍

[0002]现有的轻量级人脸识别方法主要分为两类，第一类是通过改变模型的结构，如减少模型的层次、引入可分离卷积等；第二类则是通过模型压缩的方法，如蒸馏、量化等。第一类方法从模型本身的设计入手，尽可能地使用更少的参数，虽然降低了模型的复杂度，提升了模型的速度，但模型的准确率下降较多；而第二类方法如量化，用更模糊的数据来保存之前精度更高的数据，显然也会带来精度的较大下降。上述两类算法存在的共同问题是如何能尽可能保留原有精度。
[0003]因此，基于现有技术中的两类轻量级人脸识别方法可以看出，无论是通过改变模型的结构(如减少模型的层次和引入可分离卷积)，还是对模型进行压缩(如蒸馏和量化)，虽然都提升了模型的运算速度，但精度下降都比较多，无法兼顾运算速度与识别精度，在生物识别如人脸识别的应用上影响都非常大。

技术实现思路

[0004]本申请实施例的目的在于提供一种轻量级的人脸识别方法、系统、终端以及存储介质，以解决现有技术对轻量级人脸识别的应用过程中存在的无法兼顾运算速度与识别精度的技术问题。
[0005]为实现上述目的，本申请采用的技术方案是：提供一种轻量级的人脸识别方法，所述轻量级的人脸识别方法，包括：
[0006]步骤S1，构建卷积层结构A以及卷积层结构B，其中卷积层结构A包括3*3卷积层和1*1层，卷积层结构B包括3*3卷积层、1*1层以及残差层；
[0007]步骤S2，构建block结构，其中block结构都由若干个卷积层结构A和若干个卷积层结构B构成；
[0008]步骤S3，基于block结构的重复出现，构建并训练人脸识别模型；
[0009]步骤S4，将3*3卷积层分别与1*1层、残差层融合转化为最终3*3卷积层，根据最终3*3卷积层构建与训练结构对应的推理网络结构；
[0010]步骤S5，将训练好的人脸识别模型与推理网络结构构建人脸识别推理模型。
[0011]优选地，在步骤S2中，构建block结构，其中block结构都由1个卷积层结构A和2个卷积层结构B构成。
[0012]优选地，在步骤S4中，将3*3卷积层与1*1层融合转化为最终3*3卷积层的方法，包括步骤：
[0013]提取1*1层的1x1卷积核以及3*3卷积层的3x3卷积核；
[0014]将1x1卷积核加在3x3卷积核中间；
[0015]通过卷积分支融合得到最终3*3卷积层。
[0016]优选地，在步骤S4中，将3*3卷积层与残差层融合转化为最终3*3卷积层的方法，包括步骤：
[0017]构建一个3*3的卷积核H；
[0018]设置卷积核H的9个位置的权重都为1；
[0019]合并残差分支中的3*3卷积层得到最终3*3卷积层。
[0020]优选地，在步骤S4中，还包括步骤：将3*3卷积层和归一化网络层融合转化为最终3*3卷积层，根据最终3*3卷积层构建与训练结构对应的推理网络结构。
[0021]优选地，将3*3卷积层和归一化网络层融合的计算过程为：
[0022][0023][0024]其中，W
i
表示转换前的3*3卷积层参数，μ
i
表示归一化网络层的均值，σ
i
表示归一化网络层的方差，μ
i
、β
i
分别表示归一化网络层的尺度因子和偏移因子，W
i
′
和b
′
i
分别表示融合之后的卷积的权重和偏置。
[0025]优选地，在步骤S5中，将训练好的人脸识别模型与推理网络结构构建人脸识别推理模型的方法，包括步骤：
[0026]以推理网络结构构建基本框架；
[0027]计算推理网络结构的损失与训练好的人脸识别模型的损失；
[0028]根据推理网络结构的损失与训练好的人脸识别模型的损失调整指导人脸识别推理模型在训练时对应的权重。
[0029]本申请还提供一种轻量级的人脸识别系统，所述轻量级的人脸识别系统包括：
[0030]卷积层结构构建模块，用于构建block结构，其中block结构都由若干个卷积层结构A和若干个卷积层结构B构成；
[0031]block结构构建模块，用于用于构建block结构，其中block结构都由若干个卷积层结构A和若干个卷积层结构B构成；
[0032]人脸识别模型构建模块，用于基于block结构的重复出现，构建并训练人脸识别模型；
[0033]推理网络结构构建模块，用于将3*3卷积层分别与1*1层、残差层融合转化为最终3*3卷积层，根据最终3*3卷积层构建与训练结构对应的推理网络结构；
[0034]人脸识别推理模型构建模块，用于将训练好的人脸识别模型与推理网络结构构建人脸识别推理模型。
[0035]本申请还提供一种终端，所述终端包括处理器，所述处理器用于运行如上所述的轻量级的人脸识别方法。
[0036]本申请还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的轻量级的人脸识别方法的步骤。
[0037]本申请提供的轻量级的人脸识别方法、系统、终端以及存储介质，与现有技术相比，通过构建卷积层结构A以及卷积层结构B，引入了卷积1*1的概念与残差的概率，使得原
有的3*3卷积层的结构更加丰富具有变化性，同时扩展了宽度并降低了层次带来的信息损失；基于硬件友好角度，设计了基于3*3卷积层的单一化的模型结构，同时在模型的训练和推理时使用不同的网络结构，在模型的精度和速度上取得了平衡，最终使得轻量级人脸识别的准确率和资源的消耗均能满足人脸终端的需求。
附图说明
[0038]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0039]图1为本申请实施例提供的轻量级的人脸识别方法的流程示意图；
[0040]图2为本申请实施例提供的卷积层结构A的结构示意图；
[0041]图3为本申请实施例提供的卷积层结构B的结构示意图；
[0042]图4为本申请实施例提供的block结构的结构示意图；
[0043]图5为本申请实施例提供的3*3卷积层进行卷积运算的示意图；
[0044]图6为本申请实施例提供的1*1层进行卷积运算的示意图；
[0045]图7为本申请实施例提供的把1x1卷积核加在3x3卷积核中间的示意图；
[0046]图8为本申请实施例提供的将3*3卷积层与1*1层融合转化为最终3*3卷积层的示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量级的人脸识别方法，其特征在于，包括：步骤S1，构建卷积层结构A以及卷积层结构B，其中卷积层结构A包括3*3卷积层和1*1层，卷积层结构B包括3*3卷积层、1*1层以及残差层；步骤S2，构建block结构，其中block结构都由若干个卷积层结构A和若干个卷积层结构B构成；步骤S3，基于block结构的重复出现，构建并训练人脸识别模型；步骤S4，将3*3卷积层分别与1*1层、残差层融合转化为最终3*3卷积层，根据最终3*3卷积层构建与训练结构对应的推理网络结构；步骤S5，将训练好的人脸识别模型与推理网络结构构建人脸识别推理模型。2.如权利要求1所述的轻量级的人脸识别方法，其特征在于，在步骤S2中，构建block结构，其中block结构都由1个卷积层结构A和2个卷积层结构B构成。3.如权利要求2所述的轻量级的人脸识别方法，其特征在于，在步骤S4中，将3*3卷积层与1*1层融合转化为最终3*3卷积层的方法，包括步骤：提取1*1层的1x1卷积核以及3*3卷积层的3x3卷积核；将1x1卷积核加在3x3卷积核中间；通过卷积分支融合得到最终3*3卷积层。4.如权利要求3所述的轻量级的人脸识别方法，其特征在于，在步骤S4中，将3*3卷积层与残差层融合转化为最终3*3卷积层的方法，包括步骤：构建一个3*3的卷积核H；设置卷积核H的9个位置的权重都为1；合并残差分支中的3*3卷积层得到最终3*3卷积层。5.如权利要求4所述的轻量级的人脸识别方法，其特征在于，在步骤S4中，还包括步骤：将3*3卷积层和归一化网络层融合转化为最终3*3卷积层，根据最终3*3卷积层构建与训练结构对应的推理网络结构。6.如权利要求5所述的轻量级的人脸识别方法，其特征在于，将3*3卷积层和归一化网络层融合的计算过程为：为：其中，W
i
表示转换前的3*3卷...

【专利技术属性】
技术研发人员：欧阳一村，付磊，李希，陈海涛，张笑天，朱光强，李山路，李晓凯，罗富章，
申请(专利权)人：盛视科技股份有限公司，
类型：发明
国别省市：