关键词：
嵌入式系统
人脸检测
姿态优选
人脸识别
显著注意力增强
摘要：
为保障人民群众生命财产安全,大量监控摄像机被安装于城市大街小巷和人口密集的公共场所,这为找寻特定目标人员提供了极大便利条件。然而海量的监控设备和拟识别人群,为目标识别带来了庞大的工作量,传统人工找寻目标的方式,费时耗力并且容易产生错漏。随着人工智能的快速发展,计算机视觉技术逐渐开始代替人工方式应用于目标识别,人脸检测与识别就是其中代表之一,其利用计算机视觉方法来判断图像中是否存在特定的目标人脸,实现从监控视频中自动检测识别目标的功能,因其便捷、快速、准确等优点在日常生活中得到广泛应用。在人脸检测与识别使用中,为保证识别准确率,增强算法鲁棒性,需要增加深度学习模型算法的深度。然而随着模型复杂度增加,对硬件的要求就随之增加,尤其在处理大量视频数据时,给后台计算机带来庞大的识别压力。因此,急切需要设计一种基于嵌入式系统的轻量级人脸检测与识别系统,能够在摄像设备前置的嵌入式系统中完成人脸检测与识别,缓解后台计算机的识别压力,并且系统要具有足够的推理速度和识别准确率。本文基于嵌入式系统特性和深度学习方法,针对人脸检测与人脸识别两个算法模型的轻量化工作展开研究,设计了一个基于嵌入式系统的人脸检测与识别系统,主要研究工作如下:1.基于嵌入式系统的人脸检测模型算法研究。针对人脸检测算法轻量化与实时性要求,在轻量级模型YOLO5Face基础上,提出了YOLO5-Dface人脸检测模型。针对基线算法对特征图感受野不足的特点,本文在原有SPP模块的基础上引入空洞卷积和残差连接,扩大网络模型感受野的范围,增强网络对信息的采集能力,实现网络上下层信息之间的融合,提升网络的性能。此外,针对大姿态人脸无法准确识别从而导致识别速度下降的问题,在检测网络之后引入人脸姿态优选策略,通过对人脸信息进行可识别性筛选,进一步提升系统的识别效率。实验结果表明,本文提出的检测算法在人脸检测准确率上取得了一定提升,并且姿态优选策略也有效提升了系统的识别效率。2.基于嵌入式系统的人脸识别模型算法研究。针对人脸识别算法轻量化与实时性要求,以轻量级模型Mobile Face Net作为基线算法,设计了Mobileface-RAE模型。针对基线算法提取深层特征能力不足的特点,本文引入显著注意力增强模块RAE,对重要特征区域进行定位和提取,发掘最显著的特征信息,增强网络模型对深层特征的提取能力。通过在主干网络后级联不同数量RAE,实现由浅层到深层的特征信息提取,增强网络模型对不同层次特征信息的提取能力。实验结果表明,本文提出的识别算法在保证模型推理速度的同时有效提升了人脸识别的准确率。3.在本文提出人脸检测与识别模型基础上,本文设计并实现了一个基于嵌入式系统的人脸检测与识别系统,在Jetson Xavier NX上实现人脸的检测与识别。通过实验证明系统的高效性和准确性,证明此系统能够取代后台计算机,在摄像头前置的嵌入式系统中实现人脸的检测与识别,缓解后台计算机的识别压力,实时地监控摄像设备中出现的目标人物。
