【技术实现步骤摘要】
本专利技术属于人工智能中深度学习算法与深度学习相关的识别领域，具体涉及一种基于densenet双模块网络结构的轻量级人脸识别方法。
技术介绍
1、传统基于深度学习的人脸检测方法，尽管能够在复杂环境中实现高精度的检测，但由于模型参数量过大，导致其需要占用大量内存并消耗较多计算资源，不适合在资源受限的环境中应用，例如嵌入式设备、移动设备等。
2、基于深度学习的人脸检测方法虽然检测精度高，能够较好的处理复杂场景和多样化的人脸，但模型参数量较大，需占用大量内存来存储参数和计算中间结果。此外，现有人脸检测方法容易受采集角度、人脸遮挡、光照强度等因素影响，误判可能性较大。
技术实现思路
1、为了克服人脸检测出现的因模型参数大导致部署困难、受环境影响导致精度不稳定等问题，本专利技术提出一种基于densenet双模块网络结构的轻量级人脸识别系统，具有较高的检测精度的同时，又减少了模型参数量，并部署在树莓派4b上。
2、本专利技术解决其技术问题所采用的技术方案是：
3、一种基于densenet双模块网络结构的轻量级人脸识别方法，所述方法包括以下步骤：
4、步骤1、从wider face数据集中m张的高质量图像，每张图像中包含多个人脸，标注并预处理m1张人脸，其中测试集中包括m2张；
5、步骤2、将pfld的双模块特性与densene轻量化特性结合，通过调整主网络结构，引入densenet block块替换mobilevit block；在传
6、步骤3、加载模型后切换到推理模式，将图像和含有标注信息的txt文件作为模型输入，其中图像需要转化为设定标准分辨率，设置batchsize和学习率衰减策略，优化器采用adam；
7、步骤4、输入到模型中后进行训练，得到关键点预测信息和损失，使用验证集评估模型性能，计算nme，迭代预设次数后停止训练；
8、步骤5、导出训练好的模型为onnx格式；
9、步骤6、给树莓派4b初始化unbuntu系统，并安装python相关依赖库，最后初始化环境，将模型部署到移动设备上；
10、步骤7、启动摄像头，实时捕获脸部关键点信息，基于关键点信息计算是否眨眼，是否张嘴，实现人脸识别。
11、本专利技术的技术构思为：针对现有基于深度学习的人脸检测方法参数量较大的问题，使用了轻量级网络densenet作为主干网络，姿态角度反馈信息作为辅助网络，并引入角度惩罚机制，在保证准确度的情况下使得模型轻量化。densenet在保持较高精度的同时，相较于其他传统深度网络，它能够显著减少参数量，提升计算效率，在内存占用和计算消耗方面也大大降低。辅助网络和角度惩罚机制通过在训练过程中将角度损失与关键点检测损失相结合，帮助主网络更好地学习面部关键点之间的关系，尤其是在头部姿态变化较大的情况下，加权角度损失通过给予模型更大的训练权重，以确保模型能够更好地适应这些困难的训练样本。所提出的方法在公开的wflw数据集上进行对比实验，相较于传统的pfld模型，在94％精度和213mb模型大小情况下，该方法能在95％精度条件下实现30mb的模型大小，既保证了较高的检测精度，又大大减少了模型参数量。
12、本专利技术的有益效果主要表现在：既保证了较高的检测精度，又大大减少了模型参数量。
本文档来自技高网...【技术保护点】
1.一种基于DenseNet双模块网络结构的轻量级人脸识别方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于DenseNet双模块网络结构的轻量级人脸识别方法，其特征在于，所述步骤的的过程为：
3.如权利要求2所述的基于DenseNet双模块网络结构的轻量级人脸识别方法，其特征在于，所述2.2的过程为：
4.如权利要求2所述的基于DenseNet双模块网络结构的轻量级人脸识别方法，其特征在于，所述2.3的过程为：
5.如权利要求1～4之一所述的基于DenseNet双模块网络结构的轻量级人脸识别方法，其特征在于，所述步骤3的过程为：
6.如权利要求1～4之一所述的基于DenseNet双模块网络结构的轻量级人脸识别方法，其特征在于，所述步骤6的过程为：
【技术特征摘要】
1.一种基于densenet双模块网络结构的轻量级人脸识别方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于densenet双模块网络结构的轻量级人脸识别方法，其特征在于，所述步骤的的过程为：
3.如权利要求2所述的基于densenet双模块网络结构的轻量级人脸识别方法，其特征在于，所述2.2的过程为：
4.如权...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。