[发明专利]一种人脸实时识别方法和装置

说明书

本发明公开了一种人脸实时识别方法，包括：将原始数据集基于FaceQnet人脸质量评估模型评估后得到人脸数据训练集；利用所述训练人脸数据，训练优化后的yolov3‑tiny网络模型，得到经过训练的优化yolov3‑tiny网络模型；利用所述经过训练的优化yolov3‑tiny网络模型对待检测图片进行检测，得到每个待检测图片的人脸类别置信度和人脸质量评估分数；利用所述待检测图片的人脸类别置信度和人脸质量评估分数判断是否对所述待检测图片进行人脸识别处理。本发明技术方案将FaceQnet与yolov3‑tiny两个模型结合成一个模型，减少AI芯片计算量，从而进一步提高人脸识别的实时性。本发明还提供了相应的人脸实时识别装置。

技术领域

本发明属于图像识别技术领域，更具体地，涉及一种人脸实时识别方法和装置。

背景技术

嵌入式人脸识别是在嵌入式终端利用边缘AI芯片加速引擎完成人脸算法的大量计算计算任务，最终完成人脸识别的过程。嵌入式人脸识别具有体量小、成本低、易部署、便于分布式计算的优点。

而目前，针对嵌入式端低算力AI芯片，嵌入式端为降低人脸算法的计算量，缩短计算时间，常规做法一：对模型进行剪枝，压缩，量化等降低模型体积，但同时会导致精度相应降低。常规做法二：减少人脸识别的非必要环节，比如人脸跟踪和人脸质量评估。尤其人脸质量评估的删除会对深度较大的人脸识别网络模型实时性影响较大。

发明内容

本发明的目的是为了克服现有技术的不足，提供一种人脸实时识别方案，在低算力嵌入式端深度较大的人脸识别的网络模型情形下，基于FaceQnet与yolov3-tiny相结合方法获取人脸质量评估分数。这样能减少模型大小，降低计算量。同时FaceQnet评估人脸质量分值具备人脸类别置信度评价属性，使得两者结合具有增强人脸检测yolov3-tiny模型人脸检测精度能力，提升人脸检测位置画框的精度。人脸质量评估通过人脸质量分数判断是否直接送入人脸识别环节；增强人脸检测yolov3-tiny模型精度的具体实现通过人脸检测中的人脸质量评分字段分值大小进一步评判候选框人脸真实度，从而来提高人脸检测的准确率。从而达到提高人脸识别实时性和精度要求，并且使得人脸位置画框准确率提升。特别适合嵌入式计算环境。

为实现上述目的，按照本发明的一个方面，提供了一种人脸实时识别方法，包括：

将原始数据集基于FaceQnet人脸质量评估模型评估后得到人脸数据训练集；

利用所述训练人脸数据，训练优化后的yolov3-tiny网络模型，得到经过训练的优化yolov3-tiny网络模型；

利用所述经过训练的优化yolov3-tiny网络模型对待检测图片进行检测，得到每个待检测图片的人脸类别置信度和人脸质量评估分数；

利用所述待检测图片的人脸类别置信度和人脸质量评估分数判断是否对所述待检测图片进行人脸识别处理。

本发明的一个实施例中，所述将原始数据集基于FaceQnet人脸质量评估模型评估后得到人脸数据训练集，包括：

将原始数据集通过FaceQnet人脸质量评估模型，计算出原始数据集中所选取的人脸图片的人脸质量评估分数，并作为所选取的人脸图片的训练标签，生成人脸数据训练集。

本发明的一个实施例中，所述优化后的yolov3-tiny网络模型的每个候选框预测以下信息：(1)人脸框的坐标位置，(2)目标预测可信度，(3)人脸质量评估分数，(4)人脸类别置信度。

本发明的一个实施例中，利用所述训练人脸数据，训练优化后的yolov3-tiny网络模型，得到经过训练的优化yolov3-tiny网络模型，包括：

利用所述人脸数据训练集，对所述优化后的yolov3-tiny网络模型进行训练，得到经过训练的优化yolov3-tiny网络模型；其中，在训练的损失函数中增加人脸质量评估分数项用于网络模型参数的拟合。