论文部分内容阅读
人脸识别是生物特征识别的重要代表性技术之一。与其他生物特征识别技术相比，具有更好的使用便捷度和更高的安全性。因此人脸的检测、识别、活体检测及相关技术一直是计算机视觉领域的重点研究内容。在安防、金融等多个国民经济领域都有巨量的潜在使用需求。
早期的人脸识别基于几何特征和统计特征，在实际的应用场景中受到环境的光照、人脸角度等因素影响较大，其准确率和稳定性使其应用场合受到很大限制。目前，随着深度学习在人脸识别中的引入，算法的准确率已经大幅提高，可以支持大部分实际应用。但是深度学习的计算量巨大，目前复杂的人脸识别任务主要依赖云计算的支持，在嵌入式系统中的部署难度很大。本文的研究围绕面向嵌入式系统的复杂人脸识别问题展开，深度研究了适用于低功耗处理器的人脸检测、活体检测、人脸识别算法及其实现。最终基于本文研究的算法开发了面向嵌入式处理器的人脸考勤原型系统。
在人脸识别相关算法的研究中，本文基于深度学习开展，主要工作包括：
1)设计了一个低复杂度的人脸检测深度神经网络模型，采用级联策略和深度可分离卷积模块降低了模型的计算量，并引入艰难样本挖掘策略保证了模型的检测精度。
2)将上述深度网络模型扩展为一个多分支模型，通过在损失函数中加入图像模糊程度和轮廓点分布，将活体检测算法整合到该模型中。上述模型可以采用端到端策略一次性训练，最大限度的复用了神经网络卷积层获得的图像特征，进一步减小了计算量。
3)在卷积神经网络架特征提取部分引入通道混洗，构建了可用于移动端实时计算的人脸识别网络模型。模型的损失函数使用加性角度边缘损失函数，既保证了模型的精度又具备很好的训练收敛性。
为了验证算法性能，本文通过收集互联网图片建立了亚洲人脸数据集。在自建数据集和其他公开数据集上进行了测试。测试结果表明：本文提出的算法在边缘计算场景中比当前主流算法更具优势。为了进一步验证算法的实用性，本文还设计开发了一套面向ARM处理器的安卓端人脸考勤软件系统。该系统在主频1.4G的低功耗ARM核心处理器中能够稳定实时运行，充分体现了本文算法的实用性。
早期的人脸识别基于几何特征和统计特征，在实际的应用场景中受到环境的光照、人脸角度等因素影响较大，其准确率和稳定性使其应用场合受到很大限制。目前，随着深度学习在人脸识别中的引入，算法的准确率已经大幅提高，可以支持大部分实际应用。但是深度学习的计算量巨大，目前复杂的人脸识别任务主要依赖云计算的支持，在嵌入式系统中的部署难度很大。本文的研究围绕面向嵌入式系统的复杂人脸识别问题展开，深度研究了适用于低功耗处理器的人脸检测、活体检测、人脸识别算法及其实现。最终基于本文研究的算法开发了面向嵌入式处理器的人脸考勤原型系统。
在人脸识别相关算法的研究中，本文基于深度学习开展，主要工作包括：
1)设计了一个低复杂度的人脸检测深度神经网络模型，采用级联策略和深度可分离卷积模块降低了模型的计算量，并引入艰难样本挖掘策略保证了模型的检测精度。
2)将上述深度网络模型扩展为一个多分支模型，通过在损失函数中加入图像模糊程度和轮廓点分布，将活体检测算法整合到该模型中。上述模型可以采用端到端策略一次性训练，最大限度的复用了神经网络卷积层获得的图像特征，进一步减小了计算量。
3)在卷积神经网络架特征提取部分引入通道混洗，构建了可用于移动端实时计算的人脸识别网络模型。模型的损失函数使用加性角度边缘损失函数，既保证了模型的精度又具备很好的训练收敛性。
为了验证算法性能，本文通过收集互联网图片建立了亚洲人脸数据集。在自建数据集和其他公开数据集上进行了测试。测试结果表明：本文提出的算法在边缘计算场景中比当前主流算法更具优势。为了进一步验证算法的实用性，本文还设计开发了一套面向ARM处理器的安卓端人脸考勤软件系统。该系统在主频1.4G的低功耗ARM核心处理器中能够稳定实时运行，充分体现了本文算法的实用性。