[发明专利]基于ARM微处理器和深度学习的嵌入式人脸识别系统

说明书

本发明涉及一种基于ARM微处理器和深度学习的嵌入式人脸识别系统，其中，上位机用于将驱动程序和预训练好的人脸识别程序移植到控制板上；控制板用于运行人脸识别程序并将识别的结果显示在显示器上；人脸识别程序包括：网络模型预训练，用于搭建Facenet的人脸识别神经网络并对其进行训练；人脸图像获取，通过所述控制板启动图像获取设备进行人脸照片的采集；人脸照片预处理，将所拍摄的人脸照片进行尺度变化，形成图片金字塔；人脸检测，将所述经过预处理的人脸照片送入到预训练好的深度CNN人脸检测神经网络中，得到人脸部分的图片；人脸匹配，将得到的人脸部分的图片送入预训练好的Facenet人脸识别神经网络中，得到匹配结果。

技术领域

本发明涉及人脸识别技术领域，特别是涉及一种基于ARM微处理器和深度学习的嵌入式人脸识别系统。

背景技术

从古至今，身份认证一直是人类生活各个方面的一个重要环节。从古代皇帝调兵遣将的虎符，再到现如今的日常通勤的打卡系统，门禁系统等，身份认证的技术发生了翻天覆地的变化。在21世纪的今天，随着信息科学技术的发展，人脸因其具备普遍性、唯一性、易采集性等特点而被逐渐运用于身份认证系统当中。同时，有越来越多的学者和科研单位加入到人脸识别的研究当中，可见人脸识别所具备的学术价值、经济价值和社会价值都是巨大的。人脸识别技术能够运用在移动支付认证、门禁系统认证、银行账户认证等方面，它能够克服传统身份认证方式的一些缺点，如身份ID卡易丢失，数字密码易遗忘等，可见人脸识别技术对身份认证和人们的日常生活有着深远的影响。

在人脸识别系统中，人脸是用来判断个人身份的唯一途径，它通过摄像头采集活体个人照片再送入识别系统，得到个体的特征向量，通过特征向量的对比或聚类就能够从数据库中找到对应的数据从而完成识别。

传统的人脸识别系统是通过对人脸的特征点进行比对或者降维进行的，这种方法忽略了人脸的纹理信息和局部信息等，存在识别精度较低的问题。同时，传统的人脸识别系统主要借助摄像头，PC机等主要模块完成，这就使得系统的实现成本较高，体积庞大且不利于安装维护。

发明内容

本发明所要解决的技术问题是提供一种基于ARM微处理器和深度学习的嵌入式人脸识别系统，具备体积小，精度高，速度快、成本低的特点。

本发明解决其技术问题所采用的技术方案是：提供一种基于ARM微处理器和深度学习的嵌入式人脸识别系统，包括上位机和集成有ARM微处理器的控制板，所述上位机用于将驱动程序和预训练好的人脸识别程序移植到控制板上；所述控制板用于运行人脸识别程序并将识别的结果显示在显示器上；所述人脸识别程序包括：网络模型预训练，用于搭建Facenet人脸识别神经网络并对其进行训练；人脸图像获取，通过所述控制板启动图像获取设备进行人脸照片的采集；人脸照片预处理，将所拍摄的人脸照片进行尺度变化，形成图片金字塔；人脸检测，将所述经过预处理的人脸照片送入到预训练好的深度CNN人脸检测神经网络中，得到人脸部分的图片；人脸匹配，将得到的人脸部分的图片送入预训练好的Facenet人脸识别神经网络中，得到匹配结果。

所述网络模型预训练具体为：搭建Facenet的网络深度网络模型结构，网络损失函数采用在人脸数据集上训练网络参数，并将训练好的模型进行进行准确率验证，其中，表示第i个人的人脸，则为第i个人的人脸的正样本，则为第i个人的人脸的负样本，α为正样本与负样本的差距，f(·)表示网络训练所得到的人脸的特征表达，表示特征表达之间的欧式距离平方，[·]₊表示只有当内的值大于零时，取该值为损失，小于零的时候，损失为0。

所述人脸照片预处理具体为：将所拍摄的人脸照片进行尺度变化，形成图片金字塔。