【技术实现步骤摘要】
本专利技术涉及人脸识别领域，尤其涉及一种适用于边缘计算设备的轻量级人脸识别方法。
技术介绍
1、随着边缘计算设备的普及和应用范围的扩大，人脸识别技术的需求也日益增长。然而，在边缘计算设备上应用传统基于神经网络的人脸识别方法存在一些问题。这些模型通常需要大量的参数和复杂的计算流程，这与边缘计算设备较小的处理能力和存储容量形成了矛盾。因此，研究适用于边缘计算设备的轻量级神经网络人脸识别方法显得尤为重要。
2、自从2017年以来，mobilenet系列、shufflenet系列等轻量级神经网络的提出，使得神经网络模型部署在边缘计算设备上成为可能。这些轻量级神经网络模型具有较少的参数量和更简单的计算流程，更适合在边缘计算设备上运行。随着研究的不断深入，基于轻量级神经网络的人脸识别技术在边缘计算设备上的应用也将不断得到优化和提升，实现更加高效、准确和快速的识别。以mobilenetv2为基础构建的轻量级人脸识别模型mobilefacenet就是一个例子。它最小仅有0.99m的参数量，在ms-celeb-1m数据集上用arcface训练后，在lfw达到99.55％准确率。而且，最快的mobilefacenet在手机上推断时间仅有18毫秒。
3、尽管目前基于轻量级神经网络的人脸识别技术在边缘计算设备的应用中已经取得了显著成果，但通常人脸识别只是边缘计算设备中某一系统的一个子模块。因此，为了进一步提高整个系统的性能和实用性，我们仍需对轻量级人脸识别方法进行持续优化，特别是在速度和精度方面。
技
1、为了解决上述问题，本专利技术提出了一种适用于边缘计算设备的轻量级人脸识别方法。
2、具体方案如下：
3、一种适用于边缘计算设备的轻量级人脸识别方法，包括以下步骤：
4、s1：获取人脸图像数据组成训练集；
5、s2：构建基于轻量级神经网络的人脸识别模型，通过训练集对模型进行训练；
6、模型的网络结构包括特征提取模块、特征增强模块和分类模块；其中，特征增强模块包括由改进irb卷积模块和混合分组卷积模块组成；
7、改进irb卷积模块在传统irb的残差连接中添加一个1x1的二维卷积，同时在瓶颈结构的末端引入可分离通道注意力模块；
8、混合分组卷积模块的输入图像依次经过一组3x3的分组卷积、一组3x3的深度卷积、一层1x1的二维卷积层和可分离通道注意力模块后，将注意力机制的输出结果与混合分组卷积模块的输入图像进行残差连接；
9、在可分离通道注意力模块中，首先对输入图像进行自适应平均池化，之后将自适应平均池化结果依次经过1x1的深度卷积层和激活函数层后，将结果与可分离通道注意力模块的输入图像融合后输出；
10、s3：通过训练后的模型进行人脸识别。
11、进一步的，步骤s1中还包括对人脸图像数据进行预处理，包括：调整图像尺寸、调整图像的颜色通道和对图像数据进行归一化操作。
12、进一步的，特征提取模块的输入图像依次经过一个步长为2的3x3的二维卷积层和一个步长为2的3x3的深度卷积层，并在二维卷积层和深度卷积层之后均进行归一化和prelu激活函数激活。
13、进一步的，特征增强模块依次由三层混合分组卷积模块、一层步长为2的改进irb卷积模块、4层混合分组卷积模块、一层步长为2的改进irb卷积模块和一层步长为1的改进irb卷积模块组成。
14、进一步的，分类模块首先采用一组全局逐深度卷积进行末端数据压缩调整，之后采用一组1x1的分组卷积进行特征分类。
15、本专利技术采用如上技术方案，构建了一种新的、适用于人脸识别任务的轻量级神经网络模型，该模型减少了参数量，提高了计算速度，同时保持了较高的识别精度。这使得该模型在人脸识别任务中能够更好地平衡速度和精度要求，并且该模型非常适合在边缘计算设备上运行，从而显著提升了系统的整体性能和实用性。
本文档来自技高网...【技术保护点】
1.一种适用于边缘计算设备的轻量级人脸识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的适用于边缘计算设备的轻量级人脸识别方法，其特征在于：步骤S1中还包括对人脸图像数据进行预处理，包括：调整图像尺寸、调整图像的颜色通道和对图像数据进行归一化操作。
3.根据权利要求1所述的适用于边缘计算设备的轻量级人脸识别方法，其特征在于：特征提取模块的输入图像依次经过一个步长为2的3x3的二维卷积层和一个步长为2的3x3的深度卷积层，并在二维卷积层和深度卷积层之后均进行归一化和PreLU激活函数激活。
4.根据权利要求1所述的适用于边缘计算设备的轻量级人脸识别方法，其特征在于：特征增强模块依次由三层混合分组卷积模块、一层步长为2的改进IRB卷积模块、4层混合分组卷积模块、一层步长为2的改进IRB卷积模块和一层步长为1的改进IRB卷积模块组成。
5.根据权利要求1所述的适用于边缘计算设备的轻量级人脸识别方法，其特征在于：分类模块首先采用一组全局逐深度卷积进行末端数据压缩调整，之后采用一组1x1的分组卷积进行特征分类。
【技术特征摘要】
1.一种适用于边缘计算设备的轻量级人脸识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的适用于边缘计算设备的轻量级人脸识别方法，其特征在于：步骤s1中还包括对人脸图像数据进行预处理，包括：调整图像尺寸、调整图像的颜色通道和对图像数据进行归一化操作。
3.根据权利要求1所述的适用于边缘计算设备的轻量级人脸识别方法，其特征在于：特征提取模块的输入图像依次经过一个步长为2的3x3的二维卷积层和一个步长为2的3x3的深度卷积层，并在二维卷积层和深度卷积层之...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。