论文部分内容阅读
在大数据聚积、理论革新和硬件提升的共同推动下,人工智能迎来了一波新的发展浪潮。随着深度学习的应用,人脸检测、识别和属性学习等计算机视觉任务取得了突破性进展,在公共安全、移动支付和智慧零售等场景具有广阔的应用前景。尽管具有更好的准确性和鲁棒性,基于卷积神经网络的人脸分析方法也存在参数量和运算开销大的缺点,只有在昂贵的GPU服务器上才能达到实时。因此,研究面向个人电脑和移动终端的实时人脸识别和属性分析算法,具有重要的研究意义和实用价值。在加速轻量级卷积模块实现的基础上,针对人脸检测、识别和属性分析的任务特点,研究高效的实时处理算法,设计并训练精度高但运算量小的轻量级模型。具体上,针对OpenCV dnn模块对深度可分离卷积的运算效率低的问题,设计了通道并行加速方法。在人脸检测与跟踪方面,针对MTCNN密集采样效率低问题,提出了基于锚框的多尺度稀疏金字塔方案和基于ONet快速检测的多人脸跟踪算法,采用倒计时和偏移双重触发机制,实现快速检测和完全检测的灵活切换,采用标记人脸掩码减少重复检测。针对关键点检测任务中,数据集姿态分布不均衡问题,提出姿态加权的回归损失,并设计了特征金字塔的多尺度融合网络;针对人脸识别开集问题中特征分得开的要求,提出了基于特征度量的损失约束,并设计了快速降采样和全局深度可分离卷积的精简网络;针对年龄估计和性别识别任务的共通性,提出了基于多任务学习的二合一网络,实现协同训练并减少运算开销。实际测试表明,提出的通道并行的深度可分离卷积加速实现,可以在不同的通道数上实现8倍左右的有效加速比。改进人脸检测器在FDDB等数据集上获得更好成绩,实现了检测速度和定位精度的提升;快速跟踪方案在三种典型视频上成倍提升了检测速度。人脸识别网络以更少的参数量,在LFW和MegaFace上均超过了现有最好方法MobileFaceNet,关键点定位模型和属性分析多任务模型也在公开基准测试集上名列前茅,体现了效率和精确的双重优势。