一种基于YOLOV7模型的面向嵌入式硬件的人脸识别方法技术

本发明专利技术涉及生物人脸识别技术领域，公开了一种基于YOLOV7模型的面向嵌入式硬件的人脸识别方法，获取数据集信息并将数据集信息进行标注；基于yolov7模型进行改进获取图像识别网络模型，改进后的yolov7模型在backbone与head连接处增加注意力机制及滤波器；采用训练集对构建图像识别网络模型进行训练，得到训练后的图像识别网络模型；采用测试数据集对训练后的图像识别网络模型进行测试，获取测试结果；采用训练测试后的图像识别网络模型进行人脸识别。与现有技术相比，本发明专利技术引入F

【技术实现步骤摘要】
一种基于YOLOV7模型的面向嵌入式硬件的人脸识别方法


[0001]本专利技术涉及生物人脸识别
，具体涉及一种基于YOLOV7模型的面向嵌入式硬件的人脸识别方法。

技术介绍

[0002]随着计算机网络技术的不短发展，嵌入式系统的成熟应用，为人脸识别系统的开发研究奠定了坚实的基础。然而，嵌入式系统和通用PC除了操作系统本身的区别，在硬件方面也有非堂大的差异。目前常用的PC机，特别是一些大型服务器，其运行的内存可以达到几个G至几十个G，数据存储空间高达几百G；对于嵌入式系统，可用的存储器空间是相当有限的，最好的系统存储器只有几百兆(M)，并且这些存储空间还包括操作系统本身需要的存储器空间，所以供用户真正使用的内存较少。嵌入式人脸识别系统对影像设备、核心算法、构建人脸训练样本集和系统工作环境的选择比较严格。
[0003]人脸识别是以计算机为基础，达到识别人脸的目的，识别的图像可以是静止的图像，也可以是动态的图像。问题一般可描述如下：给定一个静止视频图像或者是场景，采用人脸数据库，确认一个或多个场景中的人。人脸识别的研究一般分为四个部分：从复杂的背景中先实现人脸定位检测，提取人脸识别特征；特征降维；最后通过匹配来识别。从20世纪60年代开始研究人脸识别技术，经过50多年的研究发展，人脸识别技术已经取得了相当大的进展。在光照恒定、无遮挡正面照等比较理想的情况下，人脸识别的识别率较高，所以，人脸识别技术在公共安全(如身份鉴定和视频监控等)和政府管理部门的应用十分广泛。
[0004]目前面向嵌入式硬件的人脸识别方法，由于现场环境和硬件设备的影响，采集的人脸图像往往经过预处理转换为灰度图像，在彩色图像和灰度图像之间的转化会丢失部分原始人脸图像的信息，进而导致识别不准确。如果直接采集彩色图像进行人脸识别，占用时间较长、训练模型大，不能实时显示人脸信息，而且需占用较大的计算空间，但嵌入式硬件多数体积小、存储空间有限，不能搭载大型训练模型。

技术实现思路

[0005]专利技术目的：针对现有技术中存在的问题，本专利技术提供一种基于YOLOV7模型的面向嵌入式硬件的人脸识别方法，对YOLOV7模型改进，引入F
‑
SRA注意力机制、轻量级卷积滤波器，对于人脸识别检测的效果识别度更高并具有更高的鲁棒性。
[0006]技术方案：本专利技术提供了一种基于YOLOV7模型的面向嵌入式硬件的人脸识别方法，包括如下步骤：
[0007]S1：获取数据集信息，先对数据集信息进行标注，然后采用数据增强等操作扩充数据集；
[0008]S2：基于yolov7模型对图像识别网络模型进行改进，改进后的yolov7模型包括input、backbone、head三层网络，在backbone与head连接处增加注意力机制及滤波器；
[0009]S3：输入图像识别网络模型的各个参数指标，采用训练集对所构建的图像识别网
络模型进行训练，得到训练后的图像识别网络模型；
[0010]S4：采用测试数据集对训练后的图像识别网络模型进行测试，获取测试结果并分析得到最佳训练模型；
[0011]S5：采用训练测试后的图像识别网络模型进行人脸识别。
[0012]进一步地，所述yolov7模型共106层深度，backbone共有51层深度；
[0013]从第0层开始，其中第24、37、50层为输出层；
[0014]Head共55层深度，其中第75，88，101为三层不同大小的感受野对应的输出层；
[0015]对75，88，101层进行一次repconv操作得出结果。
[0016]进一步地，所述改进后的yolov7模型具体结构如下：
[0017]包括input、backbone、head，共109层深度；在backbone与head连接处增加3层注意力机制及滤波器，即在原yolov7网络深度为24、37、50层处添加，修改后的backbone共有54层深度，其中第25、39、53层为输出层；head不变，仍为55层深度，其中第78，91，104为三层不同大小的感受野对应的输出层，对78，91，104层进行一次repconv操作得出结果。
[0018]进一步地，所述注意力机制为Face Spatial ReductionAttention注意力机制，即F
‑
SRA注意力机制，所述F
‑
SRA注意力机制包括三个输入query(q)，key(k)和value(v)；
[0019]第i个通道的头部输出h
i
通过公式1与线性投影矩阵w
o
级联得到q，k，v的关系式SRA：
[0020]SRA(q，k，v)＝[h0，h1，h2，...，h
j
，...h
i
]w
o
ꢀꢀꢀꢀ
(1)
[0021]在注意力操作之前在输入特征上使用输出大小为7的自适应最大池化层来减少参数的使用，通过公式2由F
‑
SRA函数所示拼接h0到h
i
将其线性映射为最终输出Y：
[0022]Y＝F
‑
SRA(AdaptiveMaxPool(SRA(q，k，v)))
ꢀꢀꢀꢀ
(2)
[0023]其中，AdaptiveMaxPool为自适应池化层。
[0024]进一步地，所述F
‑
SRA注意力机制具体为：
[0025]注意力函数Att如公式3所示：
[0026][0027]其中，softmax为归一化指数函数，T为向量的转置，d
k
为模型维度，除以是为了归一化减小维度，提高训练过程中的梯度；
[0028]第j个通道的头部输出hhi如公式4所示：
[0029][0030]其中，w
j
为属于q,k,v的一个线性投影矩阵；
[0031]在注意力机制之前，利用公式5来降低输入序列k和v的空间维度：
[0032]S
r
(x
i
，r
i
，w
s
)＝Norm(Reshape(x
i
，r
i
)w
s
)
ꢀꢀ
(5)
[0033]其中，Reshape函数是在不改变矩阵的数值的前提下修改矩阵的形状，Norm表示范数，x
i
为输入序列，r
i
为第i阶段注意力缩减比。
[0034]进一步地，所述滤波器为轻量级卷积滤波器Convolutional Feed Forward，所述轻量级卷积滤波器高度为3，宽度为1的滤波器，其基数为n
i
，输入通道数和填充为1，然后，采用一组1
×
1深度卷积和基数n0进行跨信道卷积；1
×
1卷积层相当于跨信道参数池化层，
卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOV7模型的面向嵌入式硬件的人脸识别方法，其特征在于，包括如下步骤：S1：获取数据集信息，先对数据集信息进行标注，然后采用数据增强等操作扩充数据集；S2：基于yolov7模型对图像识别网络模型进行改进，改进后的yolov7模型包括input、backbone、head三层网络，在backbone与head连接处增加注意力机制及滤波器；S3：输入图像识别网络模型的各个参数指标，采用训练集对所构建的图像识别网络模型进行训练，得到训练后的图像识别网络模型；S4：采用测试数据集对训练后的图像识别网络模型进行测试，获取测试结果并分析得到最佳训练模型；S5：采用训练测试后的图像识别网络模型进行人脸识别。2.根据权利要求1所述的基于YOLOV7模型的面向嵌入式硬件的人脸识别方法，其特征在于，所述yolov7模型共106层深度，backbone共有51层深度；从第0层开始，其中第24、37、50层为输出层；head共55层深度，其中第75，88，101为三层不同大小的感受野对应的输出层；对75，88，101层进行一次repconv操作得出结果。3.根据权利要求2所述的基于YOLOV7模型的面向嵌入式硬件的人脸识别方法，其特征在于，所述改进后的yolov7模型具体结构如下：包括input、backbone、head，共109层深度；在backbone与head连接处增加3层注意力机制及滤波器，即在原yolov7网络深度为24、37、50层处添加，修改后的backbone共有54层深度，其中第25、39、53层为输出层；head不变，仍为55层深度，其中第78，91，104为三个感受野对应的输出层，对78，91，104层进行repconv操作得出结果。4.根据权利要求3所述的基于YOLOV7模型的面向嵌入式硬件的人脸识别方法，其特征在于，所述注意力机制为FaceSpatialReductionAttention注意力机制，即F
‑
SRA注意力机制，所述F
‑
SRA注意力机制包括三个输入query(q)、key(k)和value(v)；第i个通道的头部输出h
i
，通过公式(1)与线性投影矩阵w
o
级联得到q，k，v的关系式SRA：SRA(q,k,v)＝[h0,h1,h2,...,h
j
,...h
i
]w
o
ꢀꢀꢀꢀ
(1)在注意力操作之前，在输入特征上使用输出大小为7的自适应最大池化层来减少参数的使用，通过公式(2)由F
‑
SRA函数拼接h0到h
i
将其线性映射为最终输出Y：Y＝F
‑
SRA(AdaptiveMaxPool(SRA(q,k,v)))
ꢀꢀꢀꢀ
(2)其中，AdaptiveMaxPool为自适应池化层。5.根据权利要求4所述的基于YOLOV7模型的面向嵌入式硬件的人脸识别方法，其特征在于，所述F
‑
SRA注意力机制具体为：注意力函数Att如公式(3)所示：其中，softmax为归一化指数函数，T为向量的转置，d
k
为模型维度，除以是为了归一化减小维度，提高训练过程中的梯度；
第j个通道的头部输出h
j
...

【专利技术属性】
技术研发人员：张粤，相福康，倪伟，孙靖康，张何顺，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：