论文部分内容阅读
人脸识别是一种实用性高且可靠的生物特征识别技术,已广泛应用于日常生活中。随着现如今卷积神经网络(Convolutional Neural Networks,CNN)的兴起,高精度的人脸识别模型不断出现,人脸识别又迎来了一轮新的发展高峰。然而,基于卷积神经网络的人脸识别技术面临一个重要制约因素在于网络生成的模型较大、计算复杂。虽然该种人脸识别技术可以在高配置的电脑中实时运行,但是难以在无图形处理单元(Graphics Processing Unit,GPU)的嵌入式平台中应用。针对上述问题,本文从人脸检测和人脸识别两方面进行研究。在人脸检测方面,设计了基于Lw-YOLO(Lightweight-YOLO)的人脸检测算法。该算法在基础CNN中使用深度可分离卷积替代传统卷积的方法,有效地减少了网络参数量。同时采用多个1*1的点卷积提升通道数,获得更多的特征。通过改进多尺度预测的方法,将三个尺度的预测减少到两个尺度,在减少参数量的情况下保证了网络的识别精度。实验结果表明,训练出的Lw-YOLO网络模型大小只有3.1M,在FDDB数据集上取得77.13%的平均精度,检测速度比较同类型网络更快。在人脸识别方面,提出基于S-GoogLeNetv3(Small-GoogLeNet version3)网络的人脸识别算法。本文通过改进GoogLeNet网络,用小卷积核替换大卷积核以及剪除辅助分类器的方式,减少参数量,同时选用在角度空间分类效果更好的ArcFace作为损失函数。通过在CASIA-WebFace人脸数据集训练得到人脸识别模型,在LFW测试集上进行性能评估。通过实验发现,模型精确度和耗时达到预期设计目的。最后,本文以无GPU的树莓派3B+开发板作为嵌入式平台,利用PyQt4设计界面,结合Darknet、Torch等深度学习框架设计并实现了基于CNN的嵌入式人脸识别系统。该系统使用了轻量化的CNN人脸识别技术,在保证识别精度的情况下缩减了网络的参数量,加快人脸识别速度。使用便捷的嵌入式设备进行人脸检测、自建人脸数据集训练、人脸识别等一体化操作,符合如今趋向于嵌入式化的人脸识别发展趋势。