胡佳玲, 施一萍, 谢思雅, 陈 藩, 刘 瑾

(上海工程技术大学 电子电气工程学院,上海 201620)

0 引 言

随着深度学习的不断发展,卷积神经网络[1](convolution neural network,CNN)模型得到了广泛应用,图像分类的准确率也获得了很大的提升。如今,采用CNN算法的人脸识别[2]准确率已经不断地向100 %靠近。Facebook团队便采用深度学习算法在LFW人脸数据库上达到了97.35 %的准确率[3]；2014年,香港中文大学的团队[4]取得了97.45 %的成绩；2015年,Google采用的FaceNet模型准确率竟达到了惊人的99.63 %[5]。准确率的提升往往伴随着CNN深度和复杂度的增加,在提高精确度的同时,网络的计算量和参数大大增加,训练时间也相对延长。例如,Alexnet[6]网络有8层,Google Inception Net有22层,ResNet[7]达到了152层。在追求精度的同时也要考虑运行的时间成本。而本文采用改进的MobileNet模型,减少了网络参数,降低了训练时间。MobileNet[8]模型是轻量级神经网络模型,与之类似的轻量级网络还有SqueezeNet[9],ShuffleNet[10]等。

本文对MobileNet网络模型的SoftMax进行改进,随后将训练好的模型用于Jetson nano上,与硬件结合。Jetson nano设备体积小性能高,设备布置上也十分便利。

1 系统结构

基于Jetson nano的改进MobileNet人脸识别系统如图1所示,由Jetson nano、显示屏、摄像头、操作面板和后台服务器组成。其中,摄像头采用USB高清摄像头连接到Jetson nano的USB接口,用来捕捉到访者人脸图像；操作面板连接到Jetson nano的GPIO引脚,用来提示到访者进行身份验证操作；显示屏与Jetson nano的HDMI接口相连,用来显示到访者人脸图像及后台服务器反馈信号；后台服务器与Jetson nano远程连接,及时反馈验证结果。 Jetson nano作为主控制器,将训练好的改进MobileNet人脸识别算法移植其中,构成人脸识别主控设备。……