[发明专利]一种基于低功耗嵌入式平台的人脸检测方法及系统

权利要求书

1.一种基于低功耗嵌入式平台的人脸检测方法，其特征在于，包括以下步骤：

A.获取输入的图像信息；

B.对获取的图像信息进行数据增广、数据归一化以及PCA白化处理；

C.优化深度级联网络人脸检测算法MTCNN，训练人脸检测模型，检测处理后的图像信息得到人脸信息；

所述步骤C中的优化深度级联网络人脸检测算法MTCNN具体包括以下步骤：

S1.去掉原深度级联网络人脸检测算法MTCNN结构中的最大池化层，将池化层前面卷积层的卷积步长改为最大池化层的步长；

S2.在每个层卷积层后加上Batch Normalization层，将网络的每个隐藏层输入数据的分布变为均值为0，方差1的标准正态分布；

S3.将普通卷积Conv变换为交错分组卷积IGCV；对每个卷积层输入特征图的输入通道分成多个组，每个组的通道数相同，再对每个组进行卷积操作；

将进行分组卷积操作后得到的多个特征图的通道重新组合，然后将重新组合得到的特征图在通道维度上进行拼接，再进行第二次分组卷积，以1x1的卷积核进行卷积操作；

D.接收人脸检测算法输出的人脸信息，并输出包括人脸信息在内的图像信息。

2.根据权利要求1所述的一种基于低功耗嵌入式平台的人脸检测方法，其特征在于，所述步骤A具体为：将图像采集设备采集到的图像的光电信号通过采样和量化转换为数字信号。

3.根据权利要求1所述的一种基于低功耗嵌入式平台的人脸检测方法，其特征在于，所述步骤B中的数据增广处理包括至少对图像采用了平移，旋转，部分置黑，剪切的几何变换手段处理及对图像进行了高斯滤波和变换通道操作；

所述步骤B中的数据归一化处理具体为：通过对数据的每一个维度的值进行重新调节，使得最终的数据向量落在[0,1]区间；

所述步骤B中的PCA白化处理包括：先对数据进行PCA降维处理，使特征之间相关性较低；再对每个特征除以数据协方差矩阵的对应的特征根的平方根，使得所有特征具有相同的方差。

4.一种基于低功耗嵌入式平台的人脸检测系统，其特征在于，包括：图像输入模块、图像处理模块、人脸检测模块及图像输出模块，所述图像处理模块的输入端与图像输入模块的输出端相连，图像处理模块的输出端与人脸检测模块的输入端相连，人脸检测模块的输出端与图像输出模块的输入端相连；其中，

所述图像输入模块用于获取输入的视频图像信息并传递至图像处理模块，图像处理模块用于对收到的视频图像信息进行数据增广、数据归一化及PCA白化处理，并将处理后的视频图像信息传递至人脸检测模块，所述人脸检测模块用于对深度级联网络人脸检测算法MTCNN进行优化，并以此训练人脸检测模型以检测图像处理模块输入的视频图像信息，并将得到的人脸信息传递至图像输出模块，图像输出模块用于接收人脸检测模块输出的人脸信息并输出包括人脸信息在内的图像信息；

所述人脸检测模块中包含用于优化深度级联网络人脸检测算法MTCNN的优化深度级联网络人脸检测单元，所述优化深度级联网络人脸检测单元进行优化深度级联网络人脸检测算法MTCNN时具体包括：

去掉原深度级联网络人脸检测算法MTCNN结构中的最大池化层，将池化层前面卷积层的卷积步长改为最大池化层的步长；

在每个层卷积层后加上Batch Normalization层，将网络的每个隐藏层输入数据的分布变为均值为0，方差1的标准正态分布；

将普通卷积Conv变换为交错分组卷积IGCV，对每个卷积层输入特征图的输入通道分成多个组，每个组的通道数相同；

对每个组进行卷积操作，将进行分组卷积操作后得到的多个特征图的通道重新组合；

将重新组合得到的特征图在通道维度上进行拼接，再进行第二次分组卷积，以1x1的卷积核进行卷积操作。

5.根据权利要求4所述的一种基于低功耗嵌入式平台的人脸检测系统，其特征在于，所述图像输入模块是将图像采集设备采集到的图像的光电信号通过采样和量化转换为数字信号从而获取图像信息。

6.根据权利要求4所述的一种基于低功耗嵌入式平台的人脸检测系统，其特征在于，所述图像处理模块进行数据增广处理时包括至少对图像采用了平移，旋转，部分置黑，剪切的几何变换手段处理及对图像进行了高斯滤波和变换通道操作；

所述图像处理模块进行数据归一化处理时包括通过对数据的每一个维度的值进行重新调节，使得最终的数据向量落在[0,1]区间；

所述图像处理模块进行PCA白化处理时包括对数据进行PCA降维处理，使特征之间相关性较低；再对每个特征除以数据协方差矩阵的对应的特征根的平方根，使得所有特征具有相同的方差。