[发明专利]一种基于TinyML的低功耗人脸识别方法

说明书

本发明提供了一种基于TinyML的低功耗人脸识别方法，采用的设备包括载有微处理器的开发板、摄像头、服务器，技术方案为在开发板上运行行人检测模型，在服务器上运行人脸识别模型，当接受到视频流数据后，首先运行行人检测模型，如检测到行人，则运行人脸识别模型，反之，则不运行人脸识别模型。人脸识别模型负责对接收到的视频流数据进行处理，并提取人脸特征，和人脸数据库数据分别计算相似度，并和预先设定阈值比对，输出比对结果，根据比对结果执行后续动作。本发明降低了设备成本，且运行功耗小，只有存在行人的情况下才会运行人脸识别模型，可以有效降低人脸识别模型的运行功耗，适合长时间运行。

技术领域

本发明涉及一种基于TinyML的低功耗人脸识别方法，属于人脸识别技术领域。

背景技术

受益于数字化和智能化的发展，以及人脸识别准确率普遍提高，人脸识别应用近年来呈爆发式增长，已在智慧安防、智能支付等多方面发挥着重要作用。在类似智能门禁的应用中，摄像头实时持续捕捉视频流数据，人脸识别模型收到实时数据后进行人脸识别。通过神经网络模型提取人脸特征，并和数据库中的数据进行比对，如数据库中有该人脸数据，则识别成功，进而执行开门等动作。目前主流的人脸识别模型均采用基于深度学习的方法，采用较深层的神经网络模型，模型复杂度较高。另外，由于大部分时间摄像头采集的数据是没有行人的，人脸识别模型大部分时间识别的是没有人脸的数据，造成模型运行资源浪费。为了降低设备运行功耗，一种方法是采用雷达进行活体检测，如雷达捕捉到活体目标后，再将数据传输到人脸识别模型。这种方式需要另外配备雷达，增加设备成本。

发明内容

本发明目的是提供了一种基于TinyML的低功耗人脸识别方法，运行功耗小，适合长时间持续运行。

本发明为实现上述目的，通过以下技术方案实现：

一种基于TinyML的低功耗人脸识别方法，包括以下步骤：

a）训练并部署行人检测模型，收集数据训练行人检测模型，进行模型量化和压缩，以便部署到微处理器开发板上；

b）构建人脸数据库，采集人脸数据，提取并存储人脸特征；

c）部署人脸识别模型，将运行功耗较大的人脸识别模型部署到服务器上；

d）摄像头采集人脸数据，摄像头实时采集数据，并将视频流输入到微处理器开发板；

e）运行行人检测模型，开发板接收到视频流数据后，检测数据是否包括行人，如包括行人，则将数据传输到服务器，否则结束流程；

f）运行人脸识别模型，服务器接收到来自开发板的人脸数据后，运行人脸识别模型，当计算人脸相似度高于设定阈值时，执行开门动作，否则结束流程；

优选的，所述步骤f中人脸识别模型具体步骤如下，人脸识别模型负责对接收到的视频流数据进行处理，并提取人脸特征，和人脸数据库数据分别计算相似度，并和预先设定阈值比对，输出比对结果。

优选的，所述行人检测模型实际为一个二分类模型，即预测图像中是否包括行人，收集训练数据训练模型，并通过模型量化和压缩方式降低模型容量，将模型部署到微处理器开发板上。

优选的，所述人脸识别模型采用神经网络模型提取人脸特征，存储到人脸数据库。

本发明的优点在于：本发明降低了设备成本，且运行功耗小，只有存在行人的情况下才会运行人脸识别模型，可以有效降低人脸识别模型的运行功耗，适合长时间运行。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明流程结构示意图。

具体实施方式