论文部分内容阅读
近几年,人脸识别技术逐渐成为银行、金融行业和政府等领域进出访问的认证方式。尽管基于卷积神经网络的图像处理算法效果好、鲁棒性高和泛化能力强,但是具有参数量和计算量大等缺点。因此,基于卷积神经网络研发轻量、快速和准确的人脸检测和识别算法部署在低成本、低功耗和低计算量的处理平台上具有重要的研究意义和工程应用价值。本文基于轻量级卷积神经网络研发了人脸检测和人脸识别算法,以ARM Cortex-A72作为应用处理平台,能够准确检测出视频画面中的人脸,并对人脸身份信息进行识别和对比分析。人脸检测算法使用基于候选区回归的目标检测算法实现,通过对人脸尺度、比例、形状的分析结合多特征图融合、回归计算,算法能够适应自然场景下人脸多尺度和多角度的变化条件;同时,检测模型使用快速降采样特征提取结构、Inception-V2和Bottleneck等方式降低了计算复杂度。此外,人脸识别算法实现了基于卷积神经网络的特征提取模型,根据人脸的典型性特征使用改进的Softmax分类器训练模型;使用卷积神经网络模型提取人脸特征后,基于人脸特征和多分类SVM完成1:N模式人脸识别算法,基于人脸特征和余弦相似度完成1:1模式人脸识别算法。同时,特征提取模型使用批归一化技术结合大批量人脸样本完成单次训练,通过分析卷积操作和批归一化计算原理,本文将卷积层和批归一化层参数融合优化了特征提取模型的参数量和计算量。最后,本文对基于轻量级卷积神经网络的人脸检测和识别算法分别进行了测试,并联合两个算法模拟测试人脸识别闸机的基本功能。算法总耗时在89ms左右,在多种实际场景中进行测试准确率在99%以上,并且能够适应复杂背景和光照条件的变化。