CN114550277A - 一种轻量级人脸识别方法及系统 - Google Patents
一种轻量级人脸识别方法及系统 Download PDFInfo
- Publication number
- CN114550277A CN114550277A CN202210447590.7A CN202210447590A CN114550277A CN 114550277 A CN114550277 A CN 114550277A CN 202210447590 A CN202210447590 A CN 202210447590A CN 114550277 A CN114550277 A CN 114550277A
- Authority
- CN
- China
- Prior art keywords
- face
- convolution
- module
- face image
- lightweight
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种轻量级人脸识别方法及系统。该方法包括根据人脸图像,采用训练好的轻量级人脸识别模型,确定识别结果;训练好的轻量级人脸识别模型包括:权值共享卷积模块、动态特征提取模块、瓶颈层及动态瓶颈层;权值共享卷积模块对人脸识别模型中所有卷积层以及深度卷积层进行优化;动态特征提取模块包括:注意力模块和并行聚合卷积模块;动态特征提取模块在训练好的轻量级人脸识别模型中交替使用;瓶颈层中的卷积层均利用所述权值共享卷积模块进行优化;动态瓶颈层中的卷积层利用权值共享卷积模块以及动态特征提取模块进行联合嵌套优化。本发明在保证识别精度的基础上,提高识别速度,减少计算成本。
Description
技术领域
本发明涉及人脸识别领域,特别是涉及一种轻量级人脸识别方法及系统。
背景技术
近年来,伴随着人工智能(Artificial Intelligence,AI)技术的飞速发展,人脸识别(Face Recognition,FR)的研究格局被重塑,自从2014年DeepFace和DeepID被提出以来,基于深度学习的人脸识别技术不断推陈出新,力求获取更优的性能。DeepFace是第一个使用带有几个本地连接层的九层卷积神经网络(Convolutional Neural Networks,CNN),它利用人脸处理的三维对齐方法,在人脸数据集(Labled Faces in the Wild,LFW)上的精度达到了97.35%;2015年,FaceNet使用一个大型的私有数据集训练GoogleNet,并最终取得了99.63%的精度;同年VGGface在互联网上搜集了大量的人脸数据,VGGNet对FaceNet模型进行微调训练后,在此数据集取得了98.95%的最终精度;2017年,SphereFace采用64层ResNet架构,提出了Angular Softmax (A- Softmax)损失来学习具有角边缘的判别人脸特征,将LFW的识别率提升到99.42%;2017年末,数据集VGGface2被提出,次年,SENet在数据集MS-celeb-1M数据集上训练,并用VGGface2微调,在IJB-A与IJB-B上取得了SOTA(State ofThe Art)的水平。2020年Prodpoly在LFW上取得了99.83%的精度,成为该数据集上识别精度最高的模型。
但是,由于基于深度学习的人脸识别方法大多极为复杂,存在冗余的计算量以及庞大的参数量,需要拥有强大内存的图形处理器(Graphics Processing Unit,GPU),严重依赖于设备的存储及运算能力,这就使得许多移动端以及嵌入式设备上的应用部署不切实际。为了解决这一问题,一些轻量级的网络被提出。Light CNN提出了max-feature-map(MFM)激活函数,引入了全连接层的maxout,使得CNN更加紧凑,降低了计算代价;MobiFace采用了快速下采样及瓶颈层用于降低参数量,最终在LFW数据集上取得了99.7%的识别精度;其他一些轻量级的卷积网络,如SqueezeNet,MobileNet,ShuffleNet,以及Xception等,还没有被广泛地用于人脸识别任务中,因此,轻量化人脸识别任务还有很大的研究空间与研究价值。
随着AIoT的发展,人工智能应用的落地部署更加为人们所重视,精度不再是评价一个模型好坏的唯一指标,模型精度与速度之间的均衡(trade-off)反而显得尤其重要。不同于比赛刷榜,在工业界,那些取得了很高精度性能的大模型往往无法在嵌入式端部署,如何在计算资源受限,存储能力有限的设备上实现高精度与高实现速度的统一,是一个很大的挑战。当前,MFN以及VarGFaceNet(以下简称VFN)是两种最用的轻量级人脸识别网络,前者由MobileNet V2改进来用于人脸识别任务,利用了深度可分离卷积代替原网络中的平均池化层;而后者解决了深度可分离卷积中连续两层计算量极大不平衡的问题。MFN与VFN在计算量上相比于SOTA模型ArcFace12.61G的计算量而言,减少了相当大的程度,并且也维持了良好的识别精度。但是,计算量对于嵌入式设备而言,依旧太大,需要进一步对模型采取优化措施,减少计算成本。
发明内容
针对现有的轻量级人脸识别方法存在计算量过大,参数量过大,部署嵌入式设备识别速度过慢,导致应用困难的问题,本发明提供一种轻量级人脸识别方法及系统。
为实现上述目的,本发明提供了如下方案:
一种轻量级人脸识别方法,包括:
获取人脸图像;
根据人脸图像,采用训练好的轻量级人脸识别模型,确定识别结果;所述训练好的轻量级人脸识别模型包括:权值共享卷积模块(Tied Block Convolution,TBC)、动态特征提取模块(DC,Dynamic Convolution)、瓶颈层(Bottleneck)及动态瓶颈层(DC_Bottleneck);
所述权值共享卷积模块用于对人脸识别模型中所有卷积层以及深度卷积层DW进行优化;所述动态特征提取模块包括:注意力模块Attention和并行聚合卷积模块;所述注意力模块中所有计算层均使用权值共享卷积模块进行了优化;所述并行聚合卷积模块用于将一个标准卷积分为多个带有权重信息的卷积;权重信息根据所述注意力模块进行确定,并根据输入变化而变化;所述动态特征提取模块在训练好的轻量级人脸识别模型中交替使用;所述瓶颈层中的卷积层均利用所述权值共享卷积模块进行优化;所述动态瓶颈层中的卷积层利用权值共享卷积模块以及动态特征提取模块进行联合嵌套优化。
可选地,所述获取人脸图像,具体包括:
获取待处理的人脸图像;
对待处理的人脸图像进行裁剪;
将裁剪后的人脸图像进行放缩,确定112×112大小的人脸图像。
可选地,所述注意力模块包括:全局池化层(Global Pooling,GP)、两个全连接层(Fully_connected,FC)、激活函数ReLU以及softmax层。
可选地,所述所述瓶颈层及动态瓶颈层均包括:三个卷积层以及一个恒等映射。
可选地,所述根据人脸图像,采用训练好的轻量级人脸识别模型,确定识别结果,具体包括:
采用训练好的轻量级人脸识别模型对人脸图像进行人脸特征提取;
确定与提取的人脸特征相似度最高人脸特征;并输出与提取的人脸特征相似度最高人脸特征对应的人脸图像。
可选地,所述确定与提取的人脸特征相似度最高人脸特征;并输出与提取的人脸特征相似度最高人脸特征对应的人脸图像,具体包括:
确定提取的人脸特征与人脸库中人脸特征的欧式距离;
判断最小的欧式距离是否小于距离阈值;若小于,则输出与提取的人脸特征相似度最高人脸特征对应的人脸图像;反之,则确定人脸图像不在人脸库中。
一种轻量级人脸识别系统,包括:
人脸图像获取单元,用于获取人脸图像;
识别结果确定单元,用于根据人脸图像,采用训练好的轻量级人脸识别模型,确定识别结果;所述训练好的轻量级人脸识别模型包括:权值共享卷积模块、动态特征提取模块、瓶颈层及动态瓶颈层;
所述权值共享卷积模块用于对人脸识别模型中所有卷积层以及深度卷积层进行优化;所述动态特征提取模块包括:注意力模块和并行聚合卷积模块;所述注意力模块中所有计算层均使用权值共享卷积模块进行了优化;所述并行聚合卷积模块用于将一个标准卷积分为多个带有权重信息的卷积;权重信息根据所述注意力模块进行确定,并根据输入变化而变化;所述动态特征提取模块在训练好的轻量级人脸识别模型中交替使用;所述瓶颈层中的卷积层均利用所述权值共享卷积模块进行优化;所述动态瓶颈层中的卷积层利用权值共享卷积模块以及动态特征提取模块进行联合嵌套优化。
可选地,所述人脸图像获取单元具体包括:
待处理的人脸图获取子单元,用于获取待处理的人脸图像;
人脸图像裁剪子单元,用于对待处理的人脸图像进行裁剪;
人脸图像放缩子单元,用于将裁剪后的人脸图像进行放缩,确定112×112大小的人脸图像。
可选地,所述识别结果确定单元具体包括:
人脸特征提取子单元,用于采用训练好的轻量级人脸识别模型对人脸图像进行人脸特征提取;
识别结果确定子单元,用于确定与提取的人脸特征相似度最高人脸特征;并输出与提取的人脸特征相似度最高人脸特征对应的人脸图像。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的一种轻量级人脸识别方法及系统,本发明提出的方法在网络结构上利用动态卷积具有内容自适应性,表征能力更强的优点,集成为训练好的轻量级人脸识别DC_TBC_MFN模型,以较小计算成本增加为代价,较大幅度地提升该模型的识别精度。同时,利用TBC分组卷积之间权值共享的特性,与DC之间相互嵌套,缓解了DC组件带来计算量增加的不利影响,极大地降低了模型的计算代价。最终,形成一种具有高精度,低计算量的新型轻量级人脸识别网络模型DC-TBC-MFN,与现有的人脸识别模型相比,极其适合嵌入式端的应用部署。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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。
图1为本发明所提供的一种轻量级人脸识别方法流程示意图;
图2为训练好的轻量级人脸识别模型(DC-TBC-MFN模型)结构示意图;
图3为TBC结构示意图;
图4为DC结构示意图;
图5为Attention模块优化结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种轻量级人脸识别方法及系统,在保证识别精度的基础上,提高识别速度,减少计算成本。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种轻量级人脸识别方法流程示意图,如图1所示,本发明所提供的一种轻量级人脸识别方法,包括:
S101,获取人脸图像;
S101具体包括:
获取待处理的人脸图像;利用Libface人脸检测模型对图像中的人脸区域进行划分,再根据人脸关键点的检测结果;人脸关键点包括双眼、鼻子以及嘴角;
对待处理的人脸图像进行裁剪;即确定人脸剪裁区域;
将裁剪后的人脸图像进行放缩,确定112×112大小的人脸图像。
S102,根据人脸图像,采用训练好的轻量级人脸识别模型,确定识别结果;所述训练好的轻量级人脸识别模型包括:权值共享卷积模块、动态特征提取模块、瓶颈层及动态瓶颈层;
所述权值共享卷积模块用于对人脸识别模型(MobileFaceNet,MFN)中所有卷积层以及深度卷积层进行优化;如图2所示,对于MFN中的所有卷积层,包括1×1,3×3,7×7以及深度卷积,均使用了TBC进行了优化,TBC的结构图如图3所示,将输入特征分为G组进行卷积,这G组特征需要G组卷积核进行卷积计算,本发明使这G组卷积核拥有了相同的权重。公式(1),(2),(3)分别给出了标准卷积过程(Standard Convolution,SC),组卷积GC,以及TBC三者完成一次卷积运算的参数量,假设卷积核大小为,输入通道数为c1,输出通道数为c2,分组数为G,
由公式(1),(2),(3)可知,SC,GC,TBC三种卷积运算之间的参数量关系如下公式(4)所示:
由公式(4)可知,相比于SC,TBC的参数量降低了G2倍。
如图4所示,所述动态特征提取模块包括:注意力模块和并行聚合卷积模块;所述注意力模块中所有计算层均使用权值共享卷积模块进行了优化;所述并行聚合卷积模块用于将一个标准卷积分为多个带有权重信息的卷积;权重信息根据所述注意力模块进行确定,并根据输入变化而变化;所述动态特征提取模块在训练好的轻量级人脸识别模型中交替使用;
注意力模块如图5所示,所述注意力模块包括:全局池化层、两个全连接层、激活函数ReLU以及softmax层。其中主要完成了对输入的有用信息的提取,无用信息的抑制,使得DC能够根据输入数据的不同,进行动态的调整,提高整体模型的表达能力。此外,为了尽可能地降低参数量,选择与GP达到同样效果的1×1的卷积核进行替代,优化了参数量。
对于C×H×W的输入,经过GP后,得到1×1×C大小的特征图,该特征图拥有全局感受野,再通过一个FC层将特征维度降低到原来的1/r,然后经过ReLU函数激活后再通过一个FC层生回到原来的特征维度C,然后通过softmax函数转化为一个0~1的归一化权重,想到GP操作的参数量较多,使用1×1的卷积核可以达到相同的效果,并且有效地降低了参数,本发明在DC的Attention的这一部分进行了优化,如图4虚线部分所示。公式(5)给出了动态聚合多个卷积的具体方法:
其中,k表示静态卷积核自适应聚合的个数,而表示每个卷积核的权重,表示第k个卷积核输入,在这一部分权重被限制在0-1之间,进而简化了注意力模型的学习,也缩小了多个卷积互相聚合后的取值空间,降低了额外的计算成本。此外,考虑到动态卷积会不可避免的带来参数量的提升,因此选择交替采用动态特征提取模块,如图2中虚线部分所示。
所述瓶颈层中的卷积层均利用所述权值共享卷积模块进行优化;所述动态瓶颈层中的卷积层利用权值共享卷积模块以及动态特征提取模块进行联合嵌套优化。
如图2左右两侧虚线框中所示,瓶颈层以及动态瓶颈层具体由三个卷积层以及一个恒等映射组成。在瓶颈层中(图2左侧虚线框内),输入通过1×1的TBC实现特征通道数的降维,减少3×3的DW_TBC进行特征提取的参数量,再利用最后的1×1的TBC实现升维,丰富特征,便于后续的特征提取,最后将升维后的特征与通过恒等支路的输入进行相加,得到瓶颈层的输出。而动态瓶颈层也是同理,但是相比于瓶颈层,额外集成了动态特征提取模块,如图2右侧虚线框内所示。
权值共享卷积模块对分组卷积采用权值共享的思想,降低了整体模型的计算量;动态特征提取模块相比于传统的静态特征提取,能够使模型拥有更强的表征能力,在不增加额外计算量的前提下,提升模型的精度性能;动态瓶颈层兼具了瓶颈层利用升维+降维降低计算量、参数量以及动态卷积提升模型性能的优点,使得整体模型在不失精度的情况下,更加轻量。
S102具体包括:
采用训练好的轻量级人脸识别模型对人脸图像进行人脸特征提取;
确定与提取的人脸特征相似度最高人脸特征;并输出与提取的人脸特征相似度最高人脸特征对应的人脸图像。
所述确定与提取的人脸特征相似度最高人脸特征;并输出与提取的人脸特征相似度最高人脸特征对应的人脸图像,具体包括:
确定提取的人脸特征与人脸库中人脸特征的欧式距离;
判断最小的欧式距离是否小于距离阈值;若小于,则输出与提取的人脸特征相似度最高人脸特征对应的人脸图像;反之,则确定人脸图像不在人脸库中。
本发明提出了一种轻量级的人脸识别模型,主要体现在网络结构上使用了DC模块以及TBC模块,DC模块能够提升模型的表达能力从而提升模型精度性能;而TBC可以有效地消除卷积权值随着网络层数加深而冗余的不利影响,有效地降低模型计算量,参数量。表1给出了MFN与DC-MFN以及DC-TBC-MFN以及DC-TBC-MFN-ALL这四个模型在参数量,计算量的对比情况,其中DC-TBC-MFN-ALL表示将TBC组件应用于所有卷积层;而表2给出这三种网络模型在三种不同数据集上的精度性能比较。
表1四种网络模型的参数量与计算量对比
表2四种网络模型在不同数据集上的精度性能对比
由表1可知,本发明所提出的新型人脸识别方法,相比于原始方法,计算量缩减了90%,参数量缩减了59%,同时由表2可以得出,本发明在保证极少计算量以及参数量的前提下,维持了良好的识别精度。
DC通过对卷积核赋予注意力机制,使整体模型能够能根据多个卷积核对每个输入的关注程度,动态地对它们进行聚合,提高模型的表达的能力,表2也很好证明了DC在提升模型精度方面取得了很好的结果。
表1证明了TBC组件在减少模型参数量及计算量上的高效性。公式(5)给出了SC与TBC在卷积过程中的参数量对比,并且,由于卷积核的相似性随着网络深度的增大而减弱,因此TBC并不会降低模型的检测精度,如表2所示。
一种轻量级人脸识别系统,包括:
人脸图像获取单元,用于获取人脸图像;
识别结果确定单元,用于根据人脸图像,采用训练好的轻量级人脸识别模型,确定识别结果;所述训练好的轻量级人脸识别模型包括:权值共享卷积模块、动态特征提取模块、瓶颈层及动态瓶颈层;
所述权值共享卷积模块用于对人脸识别模型中所有卷积层以及深度卷积层进行优化;所述动态特征提取模块包括:注意力模块和并行聚合卷积模块;所述注意力模块中所有计算层均使用权值共享卷积模块进行了优化;所述并行聚合卷积模块用于将一个标准卷积分为多个带有权重信息的卷积;权重信息根据所述注意力模块进行确定,并根据输入变化而变化;所述动态特征提取模块在训练好的轻量级人脸识别模型中交替使用;所述瓶颈层中的卷积层均利用所述权值共享卷积模块进行优化;所述动态瓶颈层中的卷积层利用权值共享卷积模块以及动态特征提取模块进行联合嵌套优化。
所述人脸图像获取单元具体包括:
待处理的人脸图获取子单元,用于获取待处理的人脸图像;
人脸图像裁剪子单元,用于对待处理的人脸图像进行裁剪;
人脸图像放缩子单元,用于将裁剪后的人脸图像进行放缩,确定112×112大小的人脸图像。
所述识别结果确定单元具体包括:
人脸特征提取子单元,用于采用训练好的轻量级人脸识别模型对人脸图像进行人脸特征提取;
识别结果确定子单元,用于确定与提取的人脸特征相似度最高人脸特征;并输出与提取的人脸特征相似度最高人脸特征对应的人脸图像。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种轻量级人脸识别方法,其特征在于,包括:
获取人脸图像;
根据人脸图像,采用训练好的轻量级人脸识别模型,确定识别结果;所述训练好的轻量级人脸识别模型包括:权值共享卷积模块、动态特征提取模块、瓶颈层及动态瓶颈层;
所述权值共享卷积模块用于对人脸识别模型中所有卷积层以及深度卷积层进行优化;所述动态特征提取模块包括:注意力模块和并行聚合卷积模块;所述注意力模块中所有计算层均使用权值共享卷积模块进行了优化;所述并行聚合卷积模块用于将一个标准卷积分为多个带有权重信息的卷积;权重信息根据所述注意力模块进行确定,并根据输入变化而变化;所述动态特征提取模块在训练好的轻量级人脸识别模型中交替使用;所述瓶颈层中的卷积层均利用所述权值共享卷积模块进行优化;所述动态瓶颈层中的卷积层利用权值共享卷积模块以及动态特征提取模块进行联合嵌套优化。
2.根据权利要求1所述的一种轻量级人脸识别方法,其特征在于,所述获取人脸图像,具体包括:
获取待处理的人脸图像;
对待处理的人脸图像进行裁剪;
将裁剪后的人脸图像进行放缩,确定112×112大小的人脸图像。
3.根据权利要求1所述的一种轻量级人脸识别方法,其特征在于,所述注意力模块包括:全局池化层、两个全连接层、激活函数ReLU以及softmax层。
4.根据权利要求1所述的一种轻量级人脸识别方法,其特征在于,所述所述瓶颈层及动态瓶颈层均包括:三个卷积层以及一个恒等映射。
5.根据权利要求1所述的一种轻量级人脸识别方法,其特征在于,所述根据人脸图像,采用训练好的轻量级人脸识别模型,确定识别结果,具体包括:
采用训练好的轻量级人脸识别模型对人脸图像进行人脸特征提取;
确定与提取的人脸特征相似度最高人脸特征;并输出与提取的人脸特征相似度最高人脸特征对应的人脸图像。
6.根据权利要求5所述的一种轻量级人脸识别方法,其特征在于,所述确定与提取的人脸特征相似度最高人脸特征;并输出与提取的人脸特征相似度最高人脸特征对应的人脸图像,具体包括:
确定提取的人脸特征与人脸库中人脸特征的欧式距离;
判断最小的欧式距离是否小于距离阈值;若小于,则输出与提取的人脸特征相似度最高人脸特征对应的人脸图像;反之,则确定人脸图像不在人脸库中。
7.一种轻量级人脸识别系统,其特征在于,包括:
人脸图像获取单元,用于获取人脸图像;
识别结果确定单元,用于根据人脸图像,采用训练好的轻量级人脸识别模型,确定识别结果;所述训练好的轻量级人脸识别模型包括:权值共享卷积模块、动态特征提取模块、瓶颈层及动态瓶颈层;
所述权值共享卷积模块用于对人脸识别模型中所有卷积层以及深度卷积层进行优化;所述动态特征提取模块包括:注意力模块和并行聚合卷积模块;所述注意力模块中所有计算层均使用权值共享卷积模块进行了优化;所述并行聚合卷积模块用于将一个标准卷积分为多个带有权重信息的卷积;权重信息根据所述注意力模块进行确定,并根据输入变化而变化;所述动态特征提取模块在训练好的轻量级人脸识别模型中交替使用;所述瓶颈层中的卷积层均利用所述权值共享卷积模块进行优化;所述动态瓶颈层中的卷积层利用权值共享卷积模块以及动态特征提取模块进行联合嵌套优化。
8.根据权利要求7所述的一种轻量级人脸识别系统,其特征在于,所述人脸图像获取单元具体包括:
待处理的人脸图获取子单元,用于获取待处理的人脸图像;
人脸图像裁剪子单元,用于对待处理的人脸图像进行裁剪;
人脸图像放缩子单元,用于将裁剪后的人脸图像进行放缩,确定112×112大小的人脸图像。
9.根据权利要求7所述的一种轻量级人脸识别系统,其特征在于,所述识别结果确定单元具体包括:
人脸特征提取子单元,用于采用训练好的轻量级人脸识别模型对人脸图像进行人脸特征提取;
识别结果确定子单元,用于确定与提取的人脸特征相似度最高人脸特征;并输出与提取的人脸特征相似度最高人脸特征对应的人脸图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210447590.7A CN114550277A (zh) | 2022-04-25 | 2022-04-25 | 一种轻量级人脸识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210447590.7A CN114550277A (zh) | 2022-04-25 | 2022-04-25 | 一种轻量级人脸识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114550277A true CN114550277A (zh) | 2022-05-27 |
Family
ID=81667002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210447590.7A Pending CN114550277A (zh) | 2022-04-25 | 2022-04-25 | 一种轻量级人脸识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550277A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147700A (zh) * | 2022-06-23 | 2022-10-04 | 中国电子技术标准化研究院 | 一种图像识别系统目标识别率参数校准方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733665A (zh) * | 2020-12-31 | 2021-04-30 | 中科院微电子研究所南京智能技术研究院 | 一种基于轻量化网络结构设计的人脸识别方法及系统 |
CN113114599A (zh) * | 2021-03-12 | 2021-07-13 | 电子科技大学 | 基于轻量级神经网络的调制识别方法 |
-
2022
- 2022-04-25 CN CN202210447590.7A patent/CN114550277A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733665A (zh) * | 2020-12-31 | 2021-04-30 | 中科院微电子研究所南京智能技术研究院 | 一种基于轻量化网络结构设计的人脸识别方法及系统 |
CN113114599A (zh) * | 2021-03-12 | 2021-07-13 | 电子科技大学 | 基于轻量级神经网络的调制识别方法 |
Non-Patent Citations (2)
Title |
---|
YANI IOANNOU等: "《Deep Roots: Improving CNN Efficiency with Hierarchical Filter Groups》", 《ARXIV:1605.06489V3 [CS.NE] 30 NOV 2016》 * |
张典 等: "《基于轻量级网络的实时人脸识别算法研究》", 《计算机科学与探索》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147700A (zh) * | 2022-06-23 | 2022-10-04 | 中国电子技术标准化研究院 | 一种图像识别系统目标识别率参数校准方法及装置 |
CN115147700B (zh) * | 2022-06-23 | 2023-05-09 | 中国电子技术标准化研究院 | 一种图像识别系统目标识别率参数校准方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188768B (zh) | 实时图像语义分割方法及系统 | |
Nakkiran et al. | Compressing deep neural networks using a rank-constrained topology. | |
CN111144329B (zh) | 一种基于多标签的轻量快速人群计数方法 | |
CN111091130A (zh) | 基于轻量级卷积神经网络的实时图像语义分割方法及系统 | |
CN109214353B (zh) | 一种基于剪枝模型的人脸图像快速检测训练方法和装置 | |
CN113554084B (zh) | 基于剪枝和轻量卷积的车辆再辨识模型压缩方法及系统 | |
CN111400535A (zh) | 轻量级人脸识别方法、系统、计算机设备及存储介质 | |
CN112418397B (zh) | 一种基于轻量级卷积神经网络的图像分类方法 | |
CN110059593B (zh) | 一种基于反馈卷积神经网络的面部表情识别方法 | |
CN107292458A (zh) | 一种应用于神经网络芯片的预测方法和预测装置 | |
CN110796027A (zh) | 一种基于紧密卷积的神经网络模型的声音场景识别方法 | |
CN111062395A (zh) | 一种实时的视频语义分割方法 | |
CN113066089B (zh) | 一种基于注意力引导机制的实时图像语义分割方法 | |
CN114332094A (zh) | 基于轻量级多尺度信息融合网络的语义分割方法及装置 | |
CN110110812A (zh) | 一种用于视频动作识别的串流深度网络模型 | |
US11561767B2 (en) | Mixed-precision computation unit | |
CN114550277A (zh) | 一种轻量级人脸识别方法及系统 | |
Xie et al. | A residual network of water scene recognition based on optimized inception module and convolutional block attention module | |
CN114647752A (zh) | 基于双向可切分深度自注意力网络的轻量化视觉问答方法 | |
Duggal et al. | Shallow SqueezeNext: An Efficient & Shallow DNN | |
CN116167014A (zh) | 一种基于视觉和语音的多模态关联型情感识别方法及系统 | |
CN115909465A (zh) | 人脸定位检测方法、图像处理设备以及可读存储介质 | |
CN116311455A (zh) | 一种基于改进Mobile-former的表情识别方法 | |
CN113313721B (zh) | 基于多尺度结构的实时语义分割方法 | |
Maeda et al. | Multi-view Convolution for Lipreading |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220527 |
|
RJ01 | Rejection of invention patent application after publication |