适用于嵌入式平台的E-YOLO人脸检测网络研究

针对现有人脸检测深度学习算法计算量大,难以移植到嵌入式平台,无法满足移动设备实时性和便捷性需求的问题,提出一种基于YOLO(You Only Look Once)算法的适用于嵌入式平台的小型人脸检测网络E-YOLO(Enhance-YOLO)。借鉴YOLO算法的思想,将人脸检测问题转换为回归问题,将待检测的图像均分为S×S个单元格,每个单元格检测落在单元格内的目标。通过修改YOLO网络模型中的卷积神经网络结构,提高其检测的准确性,同时减少网络结构中卷积核的数目,降低模型的大小。实验结果表明,E-YOLO模型大小为43MB,视频的检测帧率为26FPS,在WIDERFACE和FDDB数据集上均有较高的准确率和检测速度,可以实现在嵌入式平台下的实时人脸检测。     

基于OpenCV人脸检测算法在嵌入式系统上的实现

随着信息处理技术的发展,基于嵌入式平台的便携的人脸检测技术便显得愈发重要。本文描述了如何基于OpenCV视觉库在嵌入式平台上利用类Haar特征和Adaboost算法实现人脸检测,并讨论了如何在嵌入式平台上优化算法。     

基于轻量级卷积神经网络的人脸检测算法

针对人脸检测在移动端应用时面临的移动设备计算能力及存储资源受限等问题,设计一种基于轻量级卷积神经网络的改进人脸检测算法Lightweight-SSH。基于单点无头人脸检测器（SSH）人脸检测算法,采用基于MobileNet的轻量级卷积神经网络对样本数据进行特征提取,减少模型的参数量和计算量,通过在SSH网络的检测模块中引入可变形卷积层,提升卷积神经网络对人脸形变的建模能力。在Wider Face数据集上的实验结果表明,与常用人脸检测算法相比,Lightweight-SSH算法在保证检测精度的前提下,明显降低模型复杂度,并提高了模型检测速度。     

基于ARM实现人脸检测算法关键技术研究

本文在基于ARM嵌入式硬件开发平台和Linux操作系统的基础上,深入研究了在嵌入式环境中实现人脸检测的关键技术,并在该环境下实现了基于肤色的人脸检测算法.实验结果表明,嵌入式环境下人脸检测系统与PC平台下的系统具有相同的检测结果.     

iOS平台下人脸识别系统实现研究

设计了一个基于苹果公司嵌入式操作系统iOS平台下的人脸识别系统。通过对基于Haar-like特征的AdaBoost人脸检测算法的研究,实现了实时人脸检测。提出了一种改进的基于隐马尔科夫模型的人脸识别方法,此方法采用奇异值压缩抽取人脸图像特征作为观察序列,减少了数据的存储量和计算量,解决了嵌入式系统中由于图像处理数据量大造成的低效。实验结果证明,该系统检测速度快,实时性强,识别率高,可以作为iOS平台上其他类型人脸识别应用软件开发的基础。     

Cortex-A57的轻量级人脸检测算法研究

针对高性能人脸检测模型参数量大、计算复杂度高，难以在嵌入式设备进行边缘部署的问题，对RetinaFace模型进行轻量化改进，提出一种轻量级人脸检测算法。采用MobileNetV2＿0.5×作为特征提取骨干，应用轻量的PANLite对多尺度特征进行双向融合，增强特征表征能力。采用RFBLite实现特征增强，在增大特征感受野的同时合并上下文信息。使用滤波器剪枝算法对训练后的模型进行剪枝处理，再次训练微调网络参数后部署到嵌入式端Nvidia Jetson Nano进行模型推理。实验结果表明，该轻量级模型能够以较少的参数量和较低的计算复杂度实现较高的人脸检测性能，且能在嵌入式平台上进行实时推理。     

基于肤色模型、神经网络和人脸结构模型的平面旋转人脸检测

人脸检测是智能人机接口的关键技术之一,它在人脸识别、表情识别、人脸合成和人脸编码等领域具有重要的应用价值.该文针对复杂背景下的彩色图像,提出了一种基于肤色模型、人脸平面旋转角度检测和正面人脸结构特征的人脸检测算法.该方法首先建立了一个人脸肤色分布模型;其次采用神经网络计算和瞳孔定位操作,实现了由粗到精的人脸平面旋转角检测;最后提出了一种基于结构的正面人脸检测策略.实验结果表明,所提出的算法能够适应不同的光照环境,可以检测不同大小、不同平面旋转角的人脸.     

基于DM642的AdaBoost人脸检测算法优化与实现

本文首先介绍了Adaboost人脸检测算法的基本原理,指出了现有人脸检测算法多数都是基于PC机实现,没有具体应用于实际的嵌入式系统中。因此提出了基于TMS320DM642实现人脸检测算法,并阐述了算法性能优化的方案。优化后人脸检测算法满足了实时性要求,检测CIF图像速度达到36帧/秒,为实际应用奠定了基础。     

基于云计算的嵌入式人脸识别系统建构与研究

针对嵌入式系统运算、存储资源有限等缺陷,采用先进的FaceCore人脸检测开放平台构建一套基于云计算的嵌入式人脸图像处理系统;通过在高性能嵌入式平台接入图像采集设备采集图像信息,然后将复杂的图像处理、检测、识别等算法转移到云平台进行,实现人脸特征值检测、人脸特征点检测、人脸相似度检测、人脸匹配等功能,减少了嵌入式系统的本地运算负担,降低了嵌入式人脸检测、识别系统的软硬件成本;最后通过对多个不同年龄、性别的人进行人脸检测识别、人脸和嘴的位置检测以及图像中人脸个数检测,分别得到检测时间的平均值;实验结果验证了构建基于云计算的嵌入式人脸识别实时系统的可行性,系统的稳定性、可靠性,并且与以前直接在本地进行计算做比较,具有较高的实时性,为未来嵌入式系统进行实时的图像处理提供了一种更有效的解决方案。     

基于肤色检测的AdaBoost人脸检测算法改进

AdaBoost人脸检测算法用于嵌入式实时高清视频时检测速度缓慢.为此,提出一种改进的人脸检测算法.对图像做肤色检测,将检测到的区域进行形态学处理,并作为感兴趣区域,完成AdaBoost人脸检测,以得到检测结果.实验结果表明,该算法在嵌入式系统上运行稳定,能提高检测速度和检测正确率.     

复杂场景下基于R-FCN的小人脸检测研究

在复杂场景中准确检测出小的、模糊的和部分遮挡的人脸,仍是人脸检测算法存在的问题。为此,提出基于区域的全卷积网络R-FCN的人脸检测算法,来解决其中的小人脸检测问题。采用完全卷积残差网络ResNet作为主干网络,融合多种新技术,主要包括Squeeze-and-Excitation模块、残差注意力机制等,以提高最终的输出精度。在最具挑战性的人脸检测基准Widerface数据集上测试,结果表明该算法在复杂场景下具有出色的人脸检测效果,对部分遮挡,模糊、人脸姿态变化也具有一定鲁棒性。     

基于组注意力卷积和特征重建的轻量分割算法

针对卷积神经网络的庞大参数量和计算量难以应用于移动设备或嵌入式设备的问题,提出冗余特征重建模块(redundant feature reconstruction,RFR)和组注意力卷积模块(group attention convolution,GAC),RFR模块使用较少的参数量提取重要的固有特征,通过线性算子重建冗...     

基于回归置信度的多尺度精确人脸检测

在大多数受限情况下人脸检测已经有了许多有效方案,但对于人脸尺度变化极大、小人脸,以及模糊、遮挡、光照等非受限环境的人脸检测问题,仍面临更多挑战。针对以上问题,提出一种多尺度卷积神经网络模型。在R-FCN网络的基础上进行改进,以多尺度特征替代单一特征,使网络对多尺度信息更加敏感,在预测阶段同时输出分类置信度与回归置信度,改进非极大值抑制(non-maximum suppression,NMS)算法,提出基于回归置信度的NMS算法。在WIDER FACE数据集上训练模型,在FDDB与WIDER FACE人脸评测库进行实验,实验结果表明,召回率、准确率等指标均优于其它人脸检测算法。     

CPU环境下快速精确的人脸检测方法

近年来人脸检测在使用深度学习方法的情况下,取得了显著的突破.然而人脸检测在CPU上实时运行并且保持很高的精度依然是一个很大的挑战.本文提出一种轻量的卷积网络模型,可以加快卷积神经网络提取特征的速度;对相邻卷积层进行特征融合,在融合后的多个卷积层检测人脸;为了使每一层的anchor密度相同,对anchor做了稠密化处理;修改了人脸检测分类损失函数,使其更关注比较难分类的样本.在公开数据集FDDB的实验表明,在本文提出的神经网络模型下准确率达到了95.9%,并且可以在CPU上实时检测.     

轻量化的YOLOv4目标检测算法

YOLOv4目标检测算法主干网络庞大且参数量和计算量过多,难以部署在算力和存储资源有限的移动端嵌入式设备上。提出一种改进的YOLOv4目标检测算法,使用轻量化的ShuffleNet V2网络作为主干特征提取网络,更换模型激活函数及扩大卷积核,同时将YOLOv4网络中的普通卷积替换为深度可分离卷积,降低算法参数量、计算量和模型占用空间。在ShuffleNet V2网络结构的改进过程中分析并剪裁其基本组件,利用2个3 × 3卷积核级联的方式增强网络感受野,并使用Mish激活函数进一步提升网络检测精度和模型推理速度。在GPU平台和VisDrone 2020数据集上的实验结果表明,与YOLOv4算法相比,改进的YOLOv4算法在牺牲1.8个百分点的检测精度情况下,提高了27%的检测速度,压缩了23.7%的模型容量,并且能够充分发挥ZYNQ平台并行高速数据处理及低功耗的优势。     

面向表情识别的重影非对称残差注意力网络模型

针对ResNet50中的Bottleneck经过1×1卷积降维后主干分支丢失部分特征信息而导致在表情识别中准确率不高的问题,本文通过引入Ghost模块和深度可分离卷积分别替换Bottleneck中的1×1卷积和3×3卷积,保留更多原始特征信息,提升主干分支的特征提取能力;利用Mish激活函数替换Bottleneck中的ReLU激活函数,提高了表情识别的准确率;在此基础上,通过在改进的Bottleneck之间添加非对称残差注意力模块(asymmetric residual attention block, ARABlock)来提升模型对重要信息的表示能力,从而提出一种面向表情识别的重影非对称残差注意力网络（ghost asymmetric residual attention network, GARAN）模型。对比实验结果表明,本文方法在FER2013和CK+表情数据集上具有较高的识别准确率。     

基于轻量级网络的实时人脸识别算法研究

为了在嵌入式和移动设备上实现高精度的实时人脸识别,对常见的网络在人脸识别方面的优缺点进行了分析,提出了一种高效的深度卷积神经网络模型Lightfacenet。在网络中结合深度可分离卷积、逐点卷积、瓶颈结构和挤压与激励结构提出了轻量化神经网络单元,使网络在保证有一定准确率的情况下有效地解决深层的神经网络带来的参数冗余和计算量大的问题,再通过改进的非线性激活函数进一步提高网络的准确性。该神经网络在保留卷积神经网络部分优点的同时也很好地平衡了网络的缺点。在同样的实验环境下,Lightfacenet网络既实现了非常高的识别精度,也在模型推理速度上达到实时的效果。在使用MS-Celeb-1M数据集训练后,该模型在LFW数据集上达到了99.50%的准确率,其效果已经可以与现在的大型卷积神经网络媲美。对于面部识别,Lightfacenet比目前最先进的移动卷积神经网络在保证准确率的情况下提高了效率。     

基于深度可分卷积神经网络的实时人脸表情和性别分类

针对目前普通卷积神经网络（CNN）在表情和性别识别任务中出现的训练过程复杂、耗时过长、实时性差等问题,提出一种深度可分卷积神经网络的实时人脸表情和性别识别模型。首先,利用多任务级联卷积网络（MTCNN）对不同尺度输入图像进行人脸检测,并利用核相关滤波（KCF）对检测到的人脸位置进行跟踪进而提高检测速度。然后,设置不同尺度卷积核的瓶颈层,用通道合并的特征融合方式形成核卷积单元,以具有残差块和可分卷积单元的深度可分卷积神经网络提取多样化特征,并减少参数数量,轻量化模型结构;使用实时启用的反向传播可视化来揭示权重动态的变化并评估了学习的特征。最后,将表情识别和性别识别两个网络并联融合,实现表情和性别的实时识别。实验结果表明,所提出的网络模型在FER-2013数据集上取得73.8%的识别率,在CK+数据集上的识别率达到96%,在IMDB数据集中性别分类的准确率达到96%;模型的整体处理帧率达到80 frame/s,与结合支持向量机的全连接卷积神经网络方法所得结果相比,有着1.5倍的提升。因此针对数量、分辨率、大小等差异较大的数据集,该网络模型检测快,训练时间短,特征提取简单,具有较高的识别率和实时性。     

基于区域分块和轻量级网络的人脸反欺骗方法

如何高效地辨别各种被攻击的人脸是人脸识别过程中迫切需要解决的问题。基于深度学习的人脸反欺骗方法在有着高性能的同时,也带来了庞大的参数量和计算量,使其无法部署在移动或嵌入式设备中。针对以上问题,提出了一种基于区域分块和轻量级网络的人脸反欺骗方法。首先,对训练样本进行随机区域分块;然后,设计了一种基于注意力机制的轻量级网络用于特征提取和图像分类;最后,为了提高测试准确率,对测试样本进行基于区域分块的数据扩增。实验结果表明,所提模型在CASIA-FASD和REPLAY-ATTACK数据集上达到了100%的准确率;在CASIA-SURF数据集的Depth模态上获得了99.49%的准确率和0.458 0%的平均分类错误率（ACER）,远优于ResNet、ShuffleNet等卷积神经网络,且该模型的参数量也仅有0.258 2 MB。在实际应用中,端到端的轻量级网络结构使所提模型更方便部署在移动设备上来进行实时的人脸反欺骗检测。