CN110569737A - 一种人脸识别深度学习方法及加速人脸识别摄像机 - Google Patents

一种人脸识别深度学习方法及加速人脸识别摄像机 Download PDF

Info

Publication number
CN110569737A
CN110569737A CN201910752504.1A CN201910752504A CN110569737A CN 110569737 A CN110569737 A CN 110569737A CN 201910752504 A CN201910752504 A CN 201910752504A CN 110569737 A CN110569737 A CN 110569737A
Authority
CN
China
Prior art keywords
module
face recognition
camera
face
deep learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201910752504.1A
Other languages
English (en)
Inventor
刘辉
杨增勇
严华刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NORCO
Original Assignee
NORCO
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NORCO filed Critical NORCO
Priority to CN201910752504.1A priority Critical patent/CN110569737A/zh
Publication of CN110569737A publication Critical patent/CN110569737A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了人脸识别深度学习方法，通过NNIE神经网络单元进行深度学习并更新数据库，从而实现人脸识别的加速。本发明还提供了一种加速人脸识别摄像机，包括处理器模块，以及与所述处理器模块连接的存储模块、视频图像采集模块、镜头控制模块、音频输入输出模块、网络数据传输模块以及显示输出模块，处理器模块可进行人脸识别，其包括NNIE神经网络单元，可加速人脸识别算法。本发明具有以下优点：减小系统功耗，降低成本，减小开发难度，缩短软件开发周期；在针对未来边缘计算应用，提供一种低功耗、高性价比的解决方案。

Description

一种人脸识别深度学习方法及加速人脸识别摄像机
技术领域
本发明属于运用人脸识别的安防监控领域，其中主要涉及到一种采用人脸识别深度学习方法的网络摄像机。
背景技术
随着AI发展的浪潮，人脸识别在安防监控领域的应用迅速增长；人脸识别需要处理器进行视频采集和人脸识别学习和训练，传统通用CPU ARM处理器在逻辑算数效率较低，通过GPU、CPU外部协处理器会带来功耗大且成本高的问题；目前人脸识别算法基本都得到充足的大数据训练，算法成熟度较高，主要问题在于处理器的算力上。
发明内容
有鉴于此，本发明的目的是通过硬件平台的神经网络加速单元，在传统安防监控基础上提供人脸识别算法、深度学习。
本发明提供了一种人脸识别深度学习方法，其通过NNIE神经网络单元进行深度学习并更新数据库，从而实现人脸识别的加速，其步骤包括：
S1，输入图像信息；
S2，人脸检测，检测图像是否出现人脸；
S3，通过检测网络模型，提取第一组人脸特征信息；
S4，通过分类网络模型算法，在第一组人脸特征上训练分类器，生成数据库；
S5，输入待检测人脸图像信息；
S6，通过检测网络提取第二组人脸特征，将第二组人脸特征的特征值与数据库进行比对；
S7，根据所述S6的比对结果评估训练出来模型的精度、性能和带宽；
S8，若未达到预期精度、性能和带宽的要求，则重新运行S1-S7，反之，将S7仿真后得到的满足预期结果的模型移植到设备。
进一步地，S1-S4为深度学习方法中人脸识别模型的离线训练。
进一步地，S5-S7为训练产生人脸识别模型可以离线进行仿真，来对训练出来的模型进行精度、性能、带宽的评估。
进一步地，S8为对符合预期模型后将完整仿真库进行完整功能仿真，然后移植到设备。
本发明还提供了一种加速人脸识别摄像机，所述加速人脸识别摄像机应用了上述所述的一种人脸识别深度学习方法；其包括处理器模块，以及与所述处理器模块连接的存储模块、视频图像采集模块、镜头控制模块、音频输入输出模块、网络数据传输模块以及显示输出模块；所述处理器模块包括NNIE神经网络单元，所述处理器模块可运行人脸识别算法，所述人脸识别算法提取并识别人脸特征，所述NNIE神经网络单元能通过学习及训练得到优选的人脸识别模型并更新人脸数据库，从而加速所述人脸识别算法的运行。
进一步地，所述处理器模块接收所述视频图像采集模块采集的视频图像信息，处理器模块将所述视频图像信息转换为相应的格式，然后通过所述显示输出模块输出。
进一步地，所述存储模块包括TF卡接口模块和FLASH存储器，所述TF卡接口模块包括TF卡和TF卡接口电路，所述视频图像信息存入所述TF卡或者所述FLASH存储器中，NNIE神经网络单元离线深度学习和训练得到的人脸识别模型可以存储到TF卡或者所述FLASH存储器中。
进一步地，所述视频图像信息通过网络数据传输模块上传到云端。
进一步地，所述镜头控制模块连接摄像头的镜头，所述镜头包括摄像头光圈和红外滤光片，所述摄像头光圈可调节摄像头进光量，所述红外滤光片可过滤红外光，所述处理器模块根据所述视频图像信息，通过所述镜头控制模块来调节所述镜头工作状态。
进一步地，所述处理器模块1采用集成ARM、CPU、DSP、NNIE的嵌入式SOC。
进一步地，所述加速人脸识别摄像机还包括电源及复位模块，所述电源及复位模块的上电及掉电时，需由所述处理器模块控制，满足电源系统稳定性及低功耗要求。
本发明具有以下优点：减小系统功耗，降低成本，减小开发难度，缩短软件开发周期；在针对未来边缘计算应用，提供一种低功耗、高性价比的解决方案。
附图说明
图1是本发明实施例1提供一种人脸识别深度学习方法的流程图；
图2是本发明实施例2提供一种加速人脸识别摄像机模块示意图；
图3是本发明实施例2提供一种加速人脸识别摄像机应用海思Hi3559AV100嵌入式SOC芯片的连接示意图；
图4是本发明实施例2提供一种加速人脸识别摄像机的一种边缘计算的人脸识别IPC的典型应用；
图5是本发明实施例2提供一种加速人脸识别摄像机中通过PWM控制光圈大小调节曝光量电路；
图6是本发明实施例2提供一种加速人脸识别摄像机的IPC系统复位电路。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
本发明实施例1使用深度学习方法进行人脸的检测和分类来训练自己的人脸数据库，其通过NNIE神经网络单元加速深度学习，从而实现人脸识别的加速，如图1所示，其步骤包括：
S1，输入图像信息；
S2，人脸检测，检测图像是否出现人脸；
S3，通过检测网络模型，提取第一组人脸特征信息；
S4，通过分类网络模型算法，在第一组人脸特征上训练分类器，生成数据库；
S5，输入待检测人脸图像信息；
S6，通过检测网络提取第二组人脸特征，将第二组人脸特征的特征值与数据库进行比对；
S7，根据所述S6的比对结果评估训练出来模型的精度、性能和带宽；
S8，若未达到预期精度、性能和带宽的要求，则重新运行S1-S7，反之，将S7仿真后得到的满足预期结果的模型移植到设备。
通过不断地训练人脸识别模型，直到学习到能达到预期精度、性能和宽带要求的人脸识别模型，将该模型完整仿真后移植到本地运用，可提高人脸识别的效率。
S1-S4为深度学习方法中人脸识别模型的离线训练。首先需要进行caffe模型离线训练来制作数据库。使用环境为Ubuntu14.04+openCV3.4.3，人脸的检测和分类包括以下步骤：1、人脸检测S2，OpenCV下使用Caffe训练好的SSD检测模型检测人脸信息；2.提取人脸特征S3，OpenCV下使用OpenFace工程中的FaceNet模型提取深度学习人脸特征；3.训练人脸识别分类器S4，使用scikit-learn模型中的支持向量机(SVM)算法在人脸特征上训练一个或多个人脸的分类器；4.使用分类器进行分类，将待识别图像放入网络中提取特征，然后将提取到的特征值进行比对。
S5-S7为训练产生人脸识别模型的离线仿真，来对训练出来的模型进行精度、性能、带宽的评估；仿真借用windows版本上的RuyiStudio中的仿真工具，首先安装和配置MinGW编译器；之后导入工程，默认配置了功能仿真的库和使用功能仿wk文件的编译宏，选择debug或者release版本的编译，开始进行仿真。通过向量比较工具，选择需要比较的不同配置的中间输出结果所在文件夹，对比比较结果来分析定位引入精度误差的位置；运行目标检测视图来查看框选结果，通过添加删除需要检测的图片，导入坐标文件夹，坐标文件夹会与当前图像列表中的图像进行匹配，匹配到的会显示到Coordinate Files中。
S8为对符合预期模型后将完整仿真库进行完整功能仿真，然后移植到设备。板端通过视频图像采集模块3采集的待检测人脸图像，经过ISP图像处理的图像输入到NNIE神经网络单元，进行人脸识别检测、分类的加速，通过显示输出模块7输出人脸检测结果的图像或视频，并通过网络数据传输模块6发送到云端进行二次确认。通过不断采集训练的数据库，可以识别200多张人脸图像。
实施例2
本发明实施例2提供了一种加速人脸识别摄像机，如图2所示，所述加速人脸识别摄像机应用了上述所述的一种人脸识别深度学习方法；其包括处理器模块1，以及与处理器模块连接的存储模块2、视频图像采集模块3、镜头控制模块4、音频输入输出模块5、网络数据传输模块6以及显示输出模块7；处理器模块1包括NNIE神经网络单元11，处理器模块可运行人脸识别算法，人脸识别算法提取并识别人脸特征，NNIE神经网络单元11能通过学习及训练得到优选的人脸识别模型并更新人脸数据库，从而加速人脸识别算法的运行。
本发明实施例中，处理器模块选用海思Hi3559AV100嵌入式SOC芯片，双核Cortex-A73、三核Cortex-A53，四核DSP信号处理器、双核Mali G71 GPU图像处理器、双核NNIE神经网络单元，提供4Tops神经网络计算能力，集成高性能ISP图像处理能力。独创性的大小核异构和linux操作系统，使得功耗和性能达到均衡。提供高达4GB DDR4内存，存储方面提供16GB EMMC及TF卡接口；支持4路sensor视频输入；提供1个千兆以太网接口；提供HDMI显示输出接口；提供1个USB3.0及1个USB2.0接口；提供1路双声道音频Line out输出及2路MIC输入接口；提供硬化的6-Dof数字防抖，减少了对机械云台的依赖；提供RS485、RS232串口；提供Sensor Hub接口用于控制外部传感器；采用单独的复位芯片，支持看门狗，提高系统稳定性。
处理器模块1接收视频图像采集模块3采集的视频图像信息，处理器模块1将视频图像信息转换为相应的格式，然后通过显示输出模块7输出。视频输出模块采用HDMI2.0接口，最大支持4K@60fps输出，用于本地实时显示摄像头采集视频图片。
本发明实施例中，视频图像采集模块3采用CMOS传感器，CMOS视频图像采集输入使用MIPI RX输入接口，支持多种视频输入方式：1路8K30fps输入、2路4K30fps输入、4路4K30fps输入。使用1路CMOS传感器视频输入时，采用索尼IMX477，像素为12M，通过高速串行MIPI接口与主控相连，通过单独I2C接口配置传感器参数。传感器经过光电转换，将Bayer格式的原始图像送给ISP，ISP经过算法处理，将RGB空间域的图像发给后端视频采集单元；ISP提供3A算法库，通过控制LENS和传感器，完成自动光圈、自动白平衡、自动曝光等基本功能，也支持WDR、DRC、降噪等高级处理功能；同时，用户可以通过PQ Tool工具通过网口或者串口完成在线调试ISP图像质量。
存储模块2包括TF卡接口模块和FLASH存储器，TF卡接口模块包括TF卡和TF卡接口电路，视频图像采集模块3采集视频图像进行编码后存入TF卡或者所述FLASH存储器中。NNIE神经网络单元离线深度学习和训练得到的人脸识别模型可以存储到TF卡或者所述FLASH存储器中。
视频图像信息通过网络数据传输模块6上传到云端。网络摄像机通过RTSP实时流协议不停地向云端推送封装成RTP分组的音视频编码数据，网络摄像机可以用很小的系统开销实现流媒体传输；具体如下：将内网的IPC通过RTSP(例如EasyRTSPClient)取流方式获取到原始的音视频数据，再将非标准的音视频格式转换成标准的音视频格式，转码获得标准的H.264/H.265+AAC音频数据后，再调用EasyRTMP推流功能，将RTMP流推送到云端的流媒体服务进行视频分析处理。通过云端服务器将强大的分布式云架构与网络摄像头机像结合，主要用于对人脸识别图像在云端进行二次确认，同时提供设备远程管理与控制；同时，本地可以通过网络接收IPC设备传输的数字视频码流，并进行存储、回放及管理等。
镜头控制模块4连接摄像头的镜头，镜头包括摄像头光圈和红外滤光片，摄像头光圈可调节摄像头进光量，红外滤光片可过滤红外光，处理器模块1根据视频图像信息，通过镜头控制模块4来调节所述镜头工作状态。镜头方面，为了应对在复杂的运用环境下，要求能够根据环境亮度及图像人物的位置实时调整镜头的各项参数，以便采集到清晰的图像。ARM控制芯片通过IO控制IR-CUT红外双滤镜驱动电路和DC-IRIS自动光圈电机驱动电路，实现对前端主镜头的调整和控制。IR-CUT驱动电路通过传感器检测周围环境光线条件来通知主控，白天光线充足时红外滤光片工作，吸收过滤肉眼不可见红外光，夜晚光线不足时红外滤光片切换为全透滤光片，充分利用所有光线，修正白天摄像机的偏色问题及提升夜晚的光线亮度。DC-IRIS自动光圈驱动电路通过光线亮度的变化，配合增益及曝光时间通过PWM占空比来动态调节光圈大小，控制进入镜头的光量，以获得更好的图像质量；镜头选用集成红外双滤镜和自动光圈驱动电机，减小了电路面积，便于实现摄像机小型化。
加速人脸识别摄像机还包括电源及复位模块8，电源及复位模块8的上电及掉电时，需由处理器模块1控制。电源、时钟及复位作为硬件系统的一部分，是保证系统稳定可靠性的基础。本发明实施例采用效率高、带载能力强的MPS DCDC电源芯片将输入12V转3.3V及5V，为CPU内核、Memory及外围设备电源供电，支持最高8A输出电流；内部PLL模块及独立供电外设采用LDO线性电源，优点在于输出电流纹波小；上电及掉电时，需由主控芯片集成内部PMC电源管理模块控制，保证系统电源稳定，同时待机、关机模式下可以控制可掉电的电源域供电，降低系统功耗；CPU、GPU、MEDIA电源支持动态调节电压，通过控制PWM的频率及占空比来动态DC-DC的输出电压；系统采用外部的24MHz晶体振荡电路提供系统主时钟，采用外部32.768kHz晶体为RTC提供时钟；复位采用专用外部复位芯片，支持外部按键复位、看门狗复位，同时监控系统电压的稳定性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.本发明提供了一种人脸识别深度学习方法，其通过NNIE神经网络单元(11)进行深度学习并更新数据库，从而实现人脸识别的加速，其步骤包括：
S1，输入图像信息；
S2，人脸检测，检测图像是否出现人脸；
S3，通过检测网络模型，提取第一组人脸特征信息；
S4，通过分类网络模型算法，在第一组人脸特征上训练分类器，生成数据库；
S5，输入待检测人脸图像信息；
S6，通过检测网络提取第二组人脸特征，将第二组人脸特征的特征值与数据库进行比对；
S7，根据所述S6的比对结果评估训练出来模型的精度、性能和带宽；
S8，若未达到预期精度、性能和带宽的要求，则重新运行S1-S7，反之，将S7仿真后得到的满足预期结果的模型移植到设备。
2.根据权利要求1所述的一种人脸识别深度学习方法，其特征在于，S1-S4为深度学习方法中人脸识别模型的离线训练。
3.根据权利要求1所述的一种人脸识别深度学习方法，其特征在于，S5-S7为训练产生人脸识别模型可以离线进行仿真，来对训练出来的模型进行精度、性能、带宽的评估。
4.根据权利要求1所述的一种人脸识别深度学习方法，其特征在于，S8为对符合预期模型后将完整仿真库进行完整功能仿真，然后移植到设备。
5.一种加速人脸识别摄像机，其特征在于，其应用权利要求1-4任一项所述的一种人脸识别深度学习方法；其包括处理器模块(1)，以及与所述处理器模块(1)连接的存储模块(2)、视频图像采集模块(3)、镜头控制模块(4)、音频输入输出模块(5)、网络数据传输模块(6)以及显示输出模块(7)；所述处理器模块(1)包括NNIE神经网络单元(11)，所述处理器模块(1)可运行人脸识别算法，所述人脸识别算法提取并识别人脸特征，所述NNIE神经网络单元(11)能加速人脸检测和分类，通过学习及训练得到优选的人脸识别模型并更新人脸数据库，从而加速所述人脸识别算法的运行。
6.根据权利要求5所述的一种加速人脸识别摄像机，其特征在于，所述处理器模块(1)接收所述视频图像采集模块(3)采集的视频图像信息，处理器模块(1)将所述视频图像信息转换为相应的格式，然后通过所述显示输出模块(7)输出。
7.根据权利要求5所述的一种加速人脸识别摄像机，其特征在于，所述存储模块(2)包括TF卡接口模块和FLASH存储器，所述TF卡接口模块包括TF卡和TF卡接口电路，所述视频图像信息存入所述TF卡或者所述FLASH存储器中，NNIE神经网络单元离线深度学习和训练得到的人脸识别模型可以存储到TF卡或者所述FLASH存储器中。
8.根据权利要求5所述的一种加速人脸识别摄像机，其特征在于，所述视频图像信息通过网络数据传输模块(6)上传到云端。
9.根据权利要求5所述的一种加速人脸识别摄像机，其特征在于，所述镜头控制模块(4)连接摄像头的镜头，所述镜头包括摄像头光圈和红外滤光片，所述摄像头光圈可调节摄像头进光量，所述红外滤光片可过滤红外光，所述处理器模块(1)根据所述视频图像信息，通过所述镜头控制模块(4)来调节所述镜头工作状态。
10.根据权利要求5所述的一种加速人脸识别摄像机，其特征在于，所述处理器模块(1)采用集成ARM、CPU、DSP、NNIE的嵌入式SOC。
11.根据权利要求5所述的一种加速人脸识别摄像机，其特征在于，其还包括电源及复位模块(8)，所述电源及复位模块(8)的上电及掉电时，需由所述处理器模块(1)控制，满足电源系统稳定性及低功耗要求。
CN201910752504.1A 2019-08-15 2019-08-15 一种人脸识别深度学习方法及加速人脸识别摄像机 Withdrawn CN110569737A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910752504.1A CN110569737A (zh) 2019-08-15 2019-08-15 一种人脸识别深度学习方法及加速人脸识别摄像机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910752504.1A CN110569737A (zh) 2019-08-15 2019-08-15 一种人脸识别深度学习方法及加速人脸识别摄像机

Publications (1)

Publication Number Publication Date
CN110569737A true CN110569737A (zh) 2019-12-13

Family

ID=68775287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910752504.1A Withdrawn CN110569737A (zh) 2019-08-15 2019-08-15 一种人脸识别深度学习方法及加速人脸识别摄像机

Country Status (1)

Country Link
CN (1) CN110569737A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111614885A (zh) * 2020-06-29 2020-09-01 北京百度网讯科技有限公司 一种镜头模组
CN111783642A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 一种图像识别方法、装置、电子设备及存储介质
CN111860483A (zh) * 2020-07-21 2020-10-30 中国科学院光电技术研究所 一种基于海思平台的目标检测方法
CN113591538A (zh) * 2021-05-26 2021-11-02 段喜中 一种基于ai人脸识别算法的摄像头系统
CN114007037A (zh) * 2021-09-18 2022-02-01 华中科技大学 一种视频前端智能监控系统、方法、计算机设备、终端
CN114821264A (zh) * 2022-03-28 2022-07-29 慧之安信息技术股份有限公司 一种基于神经网络的算法效率提升方法
CN116934728A (zh) * 2023-07-31 2023-10-24 江苏济远医疗科技有限公司 一种基于嵌入式ai处理器的宫腔镜图像目标检测加速方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203193791U (zh) * 2013-03-26 2013-09-11 深圳市中控生物识别技术有限公司 一种具有人脸识别功能的网络摄像机
CN106096538A (zh) * 2016-06-08 2016-11-09 中国科学院自动化研究所 基于定序神经网络模型的人脸识别方法及装置
CN106250866A (zh) * 2016-08-12 2016-12-21 广州视源电子科技股份有限公司 基于神经网络的图像特征提取建模、图像识别方法及装置
WO2018068416A1 (zh) * 2016-10-14 2018-04-19 广州视源电子科技股份有限公司 基于神经网络的多层图像特征提取建模、图像识别方法及装置
CN108038456A (zh) * 2017-12-19 2018-05-15 中科视拓（北京）科技有限公司 一种人脸识别系统中的防欺骗方法
CN109359630A (zh) * 2018-11-30 2019-02-19 芜湖潜思智能科技有限公司 具有独立人脸识别功能的监控摄像机
CN109800705A (zh) * 2019-01-17 2019-05-24 深圳英飞拓科技股份有限公司 加速人脸检测速率的方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203193791U (zh) * 2013-03-26 2013-09-11 深圳市中控生物识别技术有限公司 一种具有人脸识别功能的网络摄像机
CN106096538A (zh) * 2016-06-08 2016-11-09 中国科学院自动化研究所 基于定序神经网络模型的人脸识别方法及装置
CN106250866A (zh) * 2016-08-12 2016-12-21 广州视源电子科技股份有限公司 基于神经网络的图像特征提取建模、图像识别方法及装置
WO2018068416A1 (zh) * 2016-10-14 2018-04-19 广州视源电子科技股份有限公司 基于神经网络的多层图像特征提取建模、图像识别方法及装置
CN108038456A (zh) * 2017-12-19 2018-05-15 中科视拓（北京）科技有限公司 一种人脸识别系统中的防欺骗方法
CN109359630A (zh) * 2018-11-30 2019-02-19 芜湖潜思智能科技有限公司 具有独立人脸识别功能的监控摄像机
CN109800705A (zh) * 2019-01-17 2019-05-24 深圳英飞拓科技股份有限公司 加速人脸检测速率的方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨武俊: "基于神经网络的人脸图像识别算法", 《网络安全技术与应用》 *
胡正平等: "多层融合深度局部PCA子空间稀疏优化特征提取模型", 《电子学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111614885A (zh) * 2020-06-29 2020-09-01 北京百度网讯科技有限公司 一种镜头模组
CN111783642A (zh) * 2020-06-30 2020-10-16 北京百度网讯科技有限公司 一种图像识别方法、装置、电子设备及存储介质
CN111783642B (zh) * 2020-06-30 2023-10-13 北京百度网讯科技有限公司 一种图像识别方法、装置、电子设备及存储介质
CN111860483A (zh) * 2020-07-21 2020-10-30 中国科学院光电技术研究所 一种基于海思平台的目标检测方法
CN111860483B (zh) * 2020-07-21 2022-08-23 中国科学院光电技术研究所 一种基于海思平台的目标检测方法
CN113591538A (zh) * 2021-05-26 2021-11-02 段喜中 一种基于ai人脸识别算法的摄像头系统
CN114007037A (zh) * 2021-09-18 2022-02-01 华中科技大学 一种视频前端智能监控系统、方法、计算机设备、终端
CN114007037B (zh) * 2021-09-18 2023-03-07 华中科技大学 一种视频前端智能监控系统、方法、计算机设备、终端
CN114821264A (zh) * 2022-03-28 2022-07-29 慧之安信息技术股份有限公司 一种基于神经网络的算法效率提升方法
CN116934728A (zh) * 2023-07-31 2023-10-24 江苏济远医疗科技有限公司 一种基于嵌入式ai处理器的宫腔镜图像目标检测加速方法

Similar Documents

Publication Publication Date Title
CN110569737A (zh) 一种人脸识别深度学习方法及加速人脸识别摄像机
Senthilkumar et al. Embedded image capturing system using raspberry pi system
EP3481048B1 (en) Electronic device for recording image using multiple cameras and operating method thereof
US11159739B2 (en) Apparatus and method for generating moving image data including multiple section images in electronic device
CN101472066A (zh) 影像撷取装置的近端控制方法及应用该方法的影像撷取装置
CN104811597A (zh) 一体化智能相机
CN114257707A (zh) 具有彩色夜间模式的智能ip摄像头
CN103780819A (zh) 一种智能工业相机
CN111062894A (zh) 人工智能处理器以及人工智能分析设备
TWI649697B (zh) 影像辨識模組擴充盒及其擴充使用方法
CN107615746A (zh) 用于智能成像的集成方案
CN211349420U (zh) 人工智能分析设备以及人工智能处理器
CN101064828A (zh) 基于人像识别技术的嵌入式网络监控系统
CN211557362U (zh) 一种可自适应图像场景的前端图像的采集装置
US11893791B2 (en) Pre-processing image frames based on camera statistics
CN209122167U (zh) 一种低功耗胶囊内窥镜图像采集及三维重建系统
CN105472336B (zh) 一种低功耗图像压缩模块
CN205864556U (zh) 一种基于dm8127的感知型电力摄像机
CN117808712B (zh) 一种基于水下相机的图像校正方法
CN203340185U (zh) 一种智能图像处理猎物相机
WO2022063060A1 (zh) 双模态信号处理系统和方法
US20220070408A1 (en) Device, information processing apparatus, control method therefor, and computer-readable storage medium
CN102789570A (zh) 一种用于识别人脸的系统
Jichang et al. Moving target tracking system based on DSP
Miura et al. Development of Pre/Post-Integrated Image Processing Hardware by High Level Synthesis for Camera Sensor Node

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20191213