[发明专利]基于边缘计算的人脸检测方法、系统、设备和存储介质

说明书

本发明提供一种基于边缘计算的人脸检测方法、系统、设备及存储介质，其中，方法包括：构建人脸样本图像数据集，构建轻量化初始人脸模型，采用3*3卷积核，卷积核构成若干卷积层，任意两个卷积层之间设置有连接在卷积层后的残差结构，并将线性整流函数作为激活函数；根据人脸样本图像数据集和经过余弦退火算法优化后的Adam优化器训练初始人脸检测模型，获取人脸检测模型；将人脸检测模型移植到边缘计算平台，并进行性能测试，测试通过证明移植成功，向边缘计算平台输入视频流，根据移植后的人脸检测模型对视频流中的人脸进行识别，并输出识别结果。本发明能够充分发挥边缘计算平台的最佳性能，同时减少运行中的计算和带宽。

技术领域

本发明涉及人脸检测技术领域，尤其涉及一种基于边缘计算的人脸检测方法、系统、设备及存储介质。

背景技术

随着深度学习技术的不断发展，传统的图像处理算法效果逐渐被深度学习的图像处理算法超越，深度神经网络使得许多计算机视觉任务效果大幅提升，成为计算机视觉领域广泛使用的研究方法。而人脸识别是人工智能与计算机视觉交叉的一个重要领域，深度神经网络的发展在人脸识别技术上取得了突出的成果。而随着人们需求的扩大和客户端的增加，数据量也不断增长，云端计算中心的工作量加剧，同时服务器面临巨大的网络传输压力和算力平静，造成信息传输的延迟，难以保障实时的协同工作，因此边缘计算的浪潮随之兴起。

但是，由于边缘计算设备通常计算能力较低，难以高效运行大规模神经网络，使得人们常用的人脸检测算法的网络结构比如VGG、GoogLeNet等深度学习网络在边缘计算平台上得不到很好的支持，无法发挥出边缘计算平台的最佳性能。

发明内容

基于此，有必要针对上述技术问题，提供一种基于边缘计算的人脸检测方法、系统、设备及存储介质。

一种基于边缘计算的人脸检测方法，包括以下步骤：收集人脸图像样本数据，根据所述人脸图像样本数据构建人脸样本图像数据集；构建轻量化初始人脸检测模型，所述初始人脸检测模型采用3*3卷积核，所述卷积核构成若干卷积层，任意两个所述卷积层之间设置有残差结构，所述残差结构连接在所述卷积层后，并将线性整流函数作为激活函数；根据所述人脸样本图像数据集对所述初始人脸检测模型进行训练，并利用预先通过余弦退火算法优化后的Adam 优化器训练所述初始人脸检测模型，获取人脸检测模型；将所述人脸检测模型移植到边缘计算平台，并对移植后的人脸检测模型进行性能测试，若性能测试通过，则认定所述人脸检测模型移植成功；获取采集到的视频流，根据移植后的人脸检测模型对所述视频流中的人脸进行识别，输出识别结果。

在其中一个实施例中，所述构建轻量化初始人脸检测模型还包括：所述卷积层设置有输出通道，所述输出通道数为所述卷积层内卷积核个数的倍数。

在其中一个实施例中，所述根据所述人脸样本图像数据集对所述初始人脸检测模型进行训练，具体包括：所述人脸样本图像数据集设置有训练集、测试集和验证集；通过所述训练集对所述初始人脸检测模型进行训练；通过所述测试集对训练后的初始人脸检测模型进行测试，获取测试结果；通过所述验证集对所述测试结果进行验证，重复训练、测试和验证至所述训练集和所述验证集之间的交并比为0.5时，完成对所述初始人脸模型的训练。

在其中一个实施例中，所述余弦退火算法为：

其中，i为重启次数，和分别表示学习率的最大值和最小值，T_cur表示当前已执行的时期个数，T_i表示第i次重启中的时期个数。

在其中一个实施例中，所述将所述人脸检测模型移植到边缘计算平台，并对移植后的人脸检测模型进行性能测试，若性能测试通过，则认定所述人脸检测模型移植成功，具体包括：根据所述边缘计算平台的性能评估方法对移植后的人脸检测模型中每一个卷积层的计算效率和嵌入式神经网络内存使用率进行评估，并在所述验证集上计算移植前后的数据集合进行对比，获取损失精度，若所述损失精度在0.05范围内，则认定所述人脸检测模型移植成功。