一种边缘端人脸检测识别方法与系统技术方案

本发明专利技术涉及一种边缘端人脸检测识别方法与系统，包括轻量化人脸检测和人脸识别神经网络算法设计与训练；神经网络模型推理优化，通过模型量化和编译得到适配智能计算硬件的高效神经网络；图像数据采集；人脸检测，使用智能计算硬件对采集图像进行人脸检测模型推理得到人脸检测框；人脸识别，使用智能计算硬件将检测到的人脸进行人脸识别模型推理得到特征向量；将特征向量与人脸库中特征向量进行相似度匹配，得出最终的人脸识别结果。本发明专利技术通过轻量化神经网络设计、模型量化编译及神经网络加速器从算法级、软件级、硬件级协同优化神经网络推理计算，实现了一种高精度、低功耗、高实时、大规模的人脸检测识别系统。

【技术实现步骤摘要】

本专利技术属于计算机视觉应用，具体涉及一种边缘端高效人脸检测识别方法与系统。

技术介绍

1、人脸检测与识别是计算机视觉中的典型应用，已经广泛落地在诸多应用场景中，如安防监控、金融支付、社交互动等。目前人脸检测与识别常用算法是使用卷积神经网络实现，该实现方式将任务划分为四阶段，第一阶段为人脸检测阶段：从原始图像中识别出人脸及关键点；第二阶段是人脸对齐：将根据人脸关键点使用仿射变换将原始人脸矫正成标准人脸图像；第三阶段是人脸识别：从检测出的人脸中提取其特征；第四阶段是特征匹配：将特征向量与人脸数据库中进行相似度匹配，得出识别结果。

2、典型的人脸识别系统的计算方式是将终端图像传感器采集到的人脸传输到云服务器，使用强大算力的gpu实现高吞吐的神经网络推理计算。但是，云端计算方案在网络环境差、需要保护人员隐私等场景中存在不足，此种情况下需要在边缘端实现本地化的人脸检测识别方案。

3、由于神经网络计算量大，现有的边缘端计算方案使用神经网络加速器提升算力对神经网络进行加速推理，从而实现边缘端人脸检测识别。但是由于人脸检测识别步骤较多且边缘端设备本文档来自技高网...

【技术保护点】

1.一种边缘端人脸检测识别方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种边缘端人脸检测识别方法，其特征在于：所述仿射变换图像变换旋转角度为25～35度，缩放倍数为2倍以内。

3.根据权利要求1所述的一种边缘端人脸检测识别方法，其特征在于：所述步骤(1)中，人脸识别神经网络为SqueezeNet、MobileNet、ShuffleNet、或Xception神经网络模型；人脸检测神经网络为YOLO或SSD神经网络模型。

4.根据权利要求1所述的一种边缘端人脸检测识别方法，其特征在于：所述步骤(3)中，神经网络模型量化包括权重量化和特征图量化...

【技术特征摘要】

1.一种边缘端人脸检测识别方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种边缘端人脸检测识别方法，其特征在于：所述仿射变换图像变换旋转角度为25～35度，缩放倍数为2倍以内。

3.根据权利要求1所述的一种边缘端人脸检测识别方法，其特征在于：所述步骤(1)中，人脸识别神经网络为squeezenet、mobilenet、shufflenet、或xception神经网络模型；人脸检测神经网络为yolo或ssd神经网络模型。

4.根据权利要求1所述的一种边缘端人脸检测识别方法，其特征在于：所述步骤(3)中，神经网络模型量化包括权重量化和特征图量化，所述权重量化和特征图量化使用对称量化方法，将原始fp32模型量化到int8，计算公式如下：

5.根据权利要求4所述的一种边缘端人脸检测识别方法，其特征在于：若量化后模型精度超出精度阈值，则使用混合精度量化方法，即对int8量化中精度损失超出阈值的部分采用fp16量化，其余部分量化精度不变。

6.根据权利要求1所述的一种边缘端人脸检测识别方法，其特征在于：所述步骤(3)中，进行神经网络模型量化前，进行模型转换，将神经网络模型文件转换到统一的计算图表示，并进行计算图优化。

7.根据权利要求6所述的一种边缘端人脸检测识别方法，其特征在于：所述计算图为定制化onnx计算图，所述计算图优化包括：节点消除和零分量张量消除、算子重排序、算子组合优化、reducemean节点优化、算子融合和通用子表达式消除。

8.根据...

【专利技术属性】
技术研发人员：官同鹏，于立新，庄伟，侯国伟，王春清，秦智勇，朴泉宇，孟晓，汪博，梁桓，华阳，
申请(专利权)人：北京微电子技术研究所，
类型：发明
国别省市：