三维建模人脸识别方法、存储介质、嵌入式设备及系统
阅读：330发布：2020-05-08
专利汇可以提供三维建模人脸识别方法、存储介质、嵌入式设备及系统专利检索，专利查询，专利分析的服务。并且本 发明 提供了 三维建模 人脸识别 方法、存储介质、嵌入式设备及系统，嵌入式设备先获取无约束场景的二维图片并进行预处理得到数据源，接着将数据源发送给神经网络 加速 器中已训练的神经网络模型的卷积层进行计算，如此明显缩短了计算时间，进而明显缩短了整个过程的时间；接着嵌入式设备接收神经网络加速器返回的数据文件并将其输入至已训练的神经网络模型的全连接层，如此数据源经过了整个已训练的神经网络模型的计算，得到了精确的形状参数和纹理参数，进而构建出精确的目标三维人脸模型，最后根据目标三维人脸模型与预存的人脸图片进行人脸识别，提高了准确率。与 现有技术 相比，本发明提高了嵌入式设备进行人脸识别的准确率和效率。，下面是三维建模人脸识别方法、存储介质、嵌入式设备及系统专利的具体信息内容。
1.三维建模人脸识别方法，应用于一种包括嵌入式设备和神经网络加速器的三维建模人脸识别系统，其特征在于，所述三维建模人脸识别方法包括：
获取摄像头拍摄的二维图片后对所述二维图片进行预处理，得到预定数据格式的数据源；
将所述数据源发送至所述神经网络加速器中已训练的神经网络模型的卷积层后，接收所述神经网络加速器返回的数据文件并将所述数据文件输入至所述神经网络模型的全连接层，得到形状参数和纹理参数，其中，所述神经网络模型是基于二维图片与目标形状参数及目标纹理参数的对应关系训练而成的；
根据所述形状参数和纹理参数构建目标三维人脸模型；
将所述目标三维人脸模型与预存的人脸图片进行比对，进行人脸识别。
2.根据权利要求1所述的三维建模人脸识别方法，其特征在于，所述获取摄像头拍摄的二维图片后对所述二维图片进行预处理，得到预定数据格式的数据源的步骤，具体包括：
获取摄像头拍摄的二维图片，对所述二维图片进行像素转换；
对已进行像素转换的二维图片进行人脸检测并裁剪，得到仅包括人脸的二维图片；
读取所述仅包括人脸的二维图片中的所有像素值后，保存为预定数据格式的数据源。
3.根据权利要求2所述的三维建模人脸识别方法，其特征在于，所述预定数据格式与所述神经网络模型的数据输入格式相对应。
4.根据权利要求1所述的三维建模人脸识别方法，其特征在于，所述获取摄像头拍摄的二维图片后对所述二维图片进行预处理，得到预定数据格式的数据源的步骤，之前还包括：
预先将所述神经网络模型的卷积层设置于所述神经网络加速器中，并将所述神经网络模型的全连接层设置于所述嵌入式设备中。
5.根据权利要求1所述的三维建模人脸识别方法，其特征在于，所述将所述数据源发送至所述神经网络加速器中已训练的神经网络模型的卷积层后，接收所述神经网络加速器返回的数据文件并将所述数据文件输入至所述神经网络模型的全连接层，得到形状参数和纹理参数的步骤，具体包括：
将所述预定格式的二维图片发送到所述神经网络加速器，以使所述预定格式的图片输入至所述神经网络模型的卷积层，得到预定格式的数据文件；
接收由所述神经网络加速器返回的所述预定格式的数据文件后，将所述预定格式的数据文件输入至所述神经网络模型的全连接层，得到形状参数和纹理参数。
6.根据权利要求1所述的三维建模人脸识别方法，其特征在于，所述将所述目标三维人脸模型与预存的人脸图片进行比对，进行人脸识别的步骤，具体包括：
预先设置一个通用三维人脸模型，并获取所述通用三维人脸模型的通用形状参数和通用纹理参数；
根据所述形状参数和纹理参数分别对所述通用形状参数和所述通用纹理参数进行调整，得到调整后的形状参数和纹理参数；
所述通用三维人脸模型根据所述调整后的形状参数和纹理参数，构建目标三维人脸模型。
7.根据权利要求1所述的三维建模人脸识别方法，其特征在于，所述将所述目标三维人脸模型与预存的人脸图片进行比对，进行人脸识别的步骤，具体包括：
将所述目标三维人脸模型与预存的人脸图片进行比对，得出相似性；
若所述相似性大于预设阈值，则通过人脸识别。
8.一种存储介质，其特征在于，所述存储介质存储有三维建模人脸识别程序，所述三维建模人脸识别程序被处理器执行时实现如权利要求1-7任一项所述的三维建模人脸识别方法的步骤。
9.一种嵌入式设备，其特征在于，所述嵌入式设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的三维建模人脸识别程序，所述三维建模人脸识别程序被所述处理器执行时实现如权利要求1-7任一项所述的三维建模人脸识别方法的步骤。
10.一种三维建模人脸识别系统，其特征在于，所述三维建模人脸识别系统包括如权利要去9所述的嵌入式设备，以及与所述嵌入式设备建立通信连接的神经网络加速器，所述嵌入式设备进行人脸识别时发送数据源给所述神经网络加速器，并接收所述神经网络加速器返回的数据文件，以完成人脸识别。
三维建模人脸识别方法、存储介质、嵌入式设备及系统
技术领域
[0001] 本发明涉及人脸识别技术领域，具体涉及三维建模人脸识别方法、存储介质、嵌入式设备及系统。
背景技术
[0002] 现有的嵌入式设备在无约束场景下，使用单张二维图片进行人脸识别时，由于拍摄所得的图片存在人脸图像正面角度小、拍摄光强弱或存在遮挡物等缺点，因此嵌入式设备无法获取足够的人脸特征信息，导致人脸识别的准确率偏低，一般只有72％左右。由于深度学习神经网络在图像处理领域已取得了卓越的成就，可以提高人脸识别率，因此目前嵌入式设备会采用深度学习神经网络来提高人脸识别率，但是嵌入式设备的计算能力较弱，应用深度学习神经网络会大幅度增加整个人脸识别过程所用时间，一般需要11秒左右，识别效率较低。
[0003] 因此，现有技术还有待改进和发展。
发明内容
[0004] 鉴于上述现有技术的不足，本发明的目的在于提供三维建模人脸识别方法、存储介质、嵌入式设备及系统，旨在解决现有嵌入式设备进行人脸识别存在识别效率低和识别准确率低的问题。
[0005] 为实现上述目的，第一方面，本发明提供了三维建模人脸识别方法，应用于一种包括嵌入式设备和神经网络加速器的三维建模人脸识别系统，所述三维建模人脸识别方法包括：
[0006] 获取摄像头拍摄的二维图片后对所述二维图片进行预处理，得到预定数据格式的数据源；
[0007] 将所述数据源发送至所述神经网络加速器中已训练的神经网络模型的卷积层后，接收所述神经网络加速器返回的数据文件并将所述数据文件输入至所述神经网络模型的全连接层，得到形状参数和纹理参数，其中，所述神经网络模型是基于二维图片与目标形状参数及目标纹理参数的对应关系训练而成的；
[0008] 根据所述形状参数和纹理参数构建目标三维人脸模型；
[0009] 将所述目标三维人脸模型与预存的人脸图片进行比对，进行人脸识别。
[0010] 进一步地，所述获取摄像头拍摄的二维图片后对所述二维图片进行预处理，得到预定数据格式的数据源的步骤，具体包括：
[0012] 对已进行像素转换的二维图片进行人脸检测并裁剪，得到仅包括人脸的二维图片；
[0013] 读取所述仅包括人脸的二维图片中的所有像素值后，保存为预定数据格式的数据源。
[0014] 再进一步地，所述预定数据格式与所述神经网络模型的数据输入格式相对应。
[0015] 进一步地，所述获取摄像头拍摄的二维图片后对所述二维图片进行预处理，得到预定数据格式的数据源的步骤，之前还包括：
[0016] 预先将所述神经网络模型的卷积层设置于所述神经网络加速器中，并将所述神经网络模型的全连接层设置于所述嵌入式设备中。
[0017] 进一步地，所述将所述数据源发送至所述神经网络加速器中已训练的神经网络模型的卷积层后，接收所述神经网络加速器返回的数据文件并将所述数据文件输入至所述神经网络模型的全连接层，得到形状参数和纹理参数的步骤，具体包括：
[0018] 将所述预定格式的二维图片发送到所述神经网络加速器，以使所述预定格式的图片输入至所述神经网络模型的卷积层，得到预定格式的数据文件；
[0019] 接收由所述神经网络加速器返回的所述预定格式的数据文件后，将所述预定格式的数据文件输入至所述神经网络模型的全连接层，得到形状参数和纹理参数。
[0020] 进一步地，所述将所述目标三维人脸模型与预存的人脸图片进行比对，进行人脸识别的步骤，具体包括：
[0021] 预先设置一个通用三维人脸模型，并获取所述通用三维人脸模型的通用形状参数和通用纹理参数；
[0022] 根据所述形状参数和纹理参数分别对所述通用形状参数和所述通用纹理参数进行调整，得到调整后的形状参数和纹理参数；
[0023] 所述通用三维人脸模型根据所述调整后的形状参数和纹理参数，构建目标三维人脸模型。
[0024] 进一步地，所述将所述目标三维人脸模型与预存的人脸图片进行比对，进行人脸识别的步骤，具体包括：
[0025] 将所述目标三维人脸模型与预存的人脸图片进行比对，得出相似性；
[0026] 若所述相似性大于预设阈值，则通过人脸识别。
[0027] 为实现上述目的，第二方面，本发明提供了一种存储介质，所述存储介质存储有三维建模人脸识别程序，所述三维建模人脸识别程序被处理器执行时实现如上所述的三维建模人脸识别方法的步骤。
[0028] 为实现上述目的，第三方面，本发明提供了一种嵌入式设备，所述嵌入式设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的三维建模人脸识别程序，所述三维建模人脸识别程序被所述处理器执行时实现如上所述的三维建模人脸识别方法的步骤。
[0029] 为实现上述目的，第四方面，本发明提供了一种三维建模人脸识别系统，所述三维建模人脸识别系统包括如第三方面所述的嵌入式设备，以及与所述嵌入式设备建立通信连接的神经网络加速器，所述嵌入式设备进行人脸识别时发送数据给所述神经网络加速器，并接收所述神经网络加速器返回的数据文件，以完成人脸识别。
[0030] 本发明提供了三维建模人脸识别方法、存储介质、嵌入式设备及系统，嵌入式设备先获取无约束场景的二维图片并进行预处理得到数据源，接着将数据源发送给神经网络加速器中已训练的神经网络模型的卷积层进行计算，如此明显缩短了计算时间，进而明显缩短了整个过程的时间；接着嵌入式设备接收神经网络加速器返回的数据文件并将其输入至已训练的神经网络模型的全连接层，如此数据源经过了整个已训练的神经网络模型的计算，得到了精确的形状参数和纹理参数，进而构建出精确的目标三维人脸模型，最后根据目标三维人脸模型与预存的人脸图片进行人脸识别，提高了准确率。与现有技术相比，本发明提高了嵌入式设备进行人脸识别的准确率和效率。附图说明
[0032] 图2为本发明三维建模人脸识别方法的较佳实施例中步骤S10的流程图；
[0033] 图3为本发明三维建模人脸识别方法的较佳实施例中步骤S20的流程图；
[0034] 图4为本发明三维建模人脸识别方法的较佳实施例中训练神经网络模型的流程图；
[0035] 图5为本发明三维建模人脸识别方法的较佳实施例中步骤S30的流程图；
[0036] 图6为本发明三维建模人脸识别方法的较佳实施例中步骤S40的流程图；
[0037] 图7为本发明三维建模人脸识别方法的较佳实施例中嵌入式设备结构图。
具体实施方式
[0038] 本发明提供了三维建模人脸识别方法、存储介质、嵌入式设备及系统，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0039] 现有的嵌入式设备在无约束场景下进行人脸识别时，由于无约束场景下嵌入式设备拍摄所得的人脸图片(二维图片)存在人脸特征信息不足的问题，进而导致识别准确率低。目前部分嵌入式设备使用深度学习神经网络来提高无约束场景下人脸识别的准确率，但是由于嵌入式设备的计算能力弱导致识别过程过长，导致识别效率低。若存在一种嵌入式设备，采用深度学习神经网络以提高无约束场景下人脸识别的准确率，但是深度学习神经网络的计算由其他硬件配置较高的设备执行，如此即可提高嵌入式设备在无约束场景下人脸识别的效率和准确率。
[0040] 基于上述思路，请参阅图1，本发明较佳实施例所述的三维建模人脸识别方法，该方法应用于一种包括嵌入式设备和神经网络加速器的三维建模人脸识别系统，该方法由嵌入式设备执行，该方法包括以下步骤：
[0041] 步骤S10、获取摄像头拍摄的二维图片后对所述二维图片进行预处理，得到预定数据格式的数据源。
[0042] 具体地，当嵌入式设备在无约束场景下进行人脸识别时，调用摄像头进行拍照，显然摄像头拍摄所得图片为二维图片，接着嵌入式设备对该二维图片进行一个预处理后得到预定数据格式的数据源，该预定数据格式是与本实施例所使用的已训练的神经网络模型的数据输入格式相对应。可以看出，对摄像头拍摄所得的二维图片进行预处理得到预定数据格式的数据源，是为了能够将其输入至已训练的神经网络中进行后续处理。
[0043] 步骤S10的具体过程请参阅图2，步骤S10具体包括以下步骤：
[0044] 步骤S11、获取摄像头拍摄的二维图片，对所述二维图片进行像素转换；
[0045] 步骤S12、对已进行像素转换的二维图片进行人脸检测并裁剪，得到仅包括人脸的二维图片；
[0046] 步骤S13、读取所述仅包括人脸的二维图片中的所有像素值后，保存为预定数据格式的数据源。
[0047] 具体地，在多次人脸识别过程中，摄像头拍摄的多张图片中像素并一定是全部一样，比如，第一次人脸识别拍摄的图片的像素为295×413，第二次人脸识别拍摄的图片的像素为259×377，第三次人脸识别拍摄的图片的像素为389×566。因此为了方便后续的处理，需要对摄像头拍摄的像素不确定的二维图片进行像素转换，转换为一个确定的像素，在本实施例中优选像素为224×244，也就是说，嵌入式设备将摄像头拍摄的二维图片进行像素转换，转换为224×244的二维图片。
[0048] 摄像头在无约束场景下拍摄所得的二维图片，存在太多无用的场景部分，可用的人脸特征部分较少，由于人脸识别只需要人脸特征部分，因此嵌入式设备需要对已进行过像素转换的二维图片进行人脸检测，并对人脸部分进行裁剪，得到仅包括人脸的二维图片。
[0049] 经过上述处理，摄像头拍摄的二维图片就变成了像素确定且仅包括人脸的二维图片，但一般情况下该二维图片的格式为jpg或png格式，无法直接输入至本实施例使用的已训练的神经网络训练模型中进行计算，因此嵌入式设备需对该二维图片作进一步处理，具体为读取该二维图片中所有像素值后保存为预定数据格式的数据源，该预定数据格式与本实施例中的神经网络模型的数据输入格式相对应。比如，本实施例的神经网络模型为使用caffe工具训练生成的，因此需要将二维图片转换为lmdb格式的数据源，假设二维图片像素为224×224，则从像素点(1,1)读取到像素点(224,224)，然后保存为lmdb格式的数据源。
[0050] 步骤S20、将所述数据源发送至所述神经网络加速器中已训练的神经网络模型的卷积层后，接收所述神经网络加速器返回的数据文件并将所述数据文件输入至所述神经网络模型的全连接层，得到形状参数和纹理参数，其中，所述神经网络模型是基于二维图片与目标形状参数及目标纹理参数的对应关系训练而成的；
[0051] 具体地，由于嵌入式设备的计算能力较弱，若将已训练的神经网络模型整个设置于嵌入式设备中，则将数据源输入至已训练的神经网络模型得到形状参数和纹理参数，整个过程所花的时间过长，从而使整个人脸识别所花时间过长，效率较低。
[0052] 本实施例中的已训练的神经网络模型包括卷积层和全连接层，由于卷积层包括的网络层数量远远大于全连接层包括的网络层数量，因此在卷积层所花的计算时间是最主要的。因此，本实施例通过一个计算能力远远强于嵌入式设备的神经网络加速器，并预先将已训练的神经网络模型进行分割，具体为预先将卷积层设置于神经网络加速器中，以及将全连接层设置于嵌入式设备中。如此嵌入式设备将步骤S10得到的数据源发送至神经网络加速器中的卷积层进行计算后，神经网络加速器将数据文件返回给嵌入式设备，嵌入式设备再将数据文件输入至全连接层进行计算，即可得到上述二维图片对应的形状参数和纹理参数。
[0053] 可以看出，本实施例将卷积层设置于神经网络加速器中，全连接层设置于嵌入式设备中，如此步骤S10得到的数据源还是可以经过一个完整的神经网络模型进行计算，一方面使用神经网络模型进行计算，得到的形状参数和纹理参数会非常精确(这两个参数直接影响整个人脸识别的准确率)，另一方面由神经网络加速器进行卷积层的计算，与嵌入式设备相比，明显可以缩短计算时间，从而使整个人脸识别所花的时间明显缩短，提高效率。
[0054] 步骤S20的具体过程请参阅图3，步骤S20具体包括：
[0055] 步骤S21、将所述预定格式的二维图片发送到所述神经网络加速器，以使所述预定格式的图片输入至所述神经网络模型的卷积层，得到预定格式的数据文件；
[0056] 步骤S22、接收由所述神经网络加速器返回的所述预定格式的数据文件后，将所述预定格式的数据文件输入至所述神经网络模型的全连接层，得到形状参数和纹理参数。
[0057] 具体地，本实施例中的神经网络加速器可以为GPU(Graphic Processing Unit，图形处理器)，也可以为TPU(Tensor Processing Unit，张量处理单元)，本实施例中优选SPR2803S的神经网络加速器。
[0058] 首先，嵌入式设备将步骤S10得到的数据源发送给神经网络加速器，神经网络加速器将其输入至已训练的神经网络加速器中的卷积层进行计算，如此即可得到预订格式的数据文件并将该预订格式的数据文件返回给嵌入式设备，该预订格式的数据文件为以.dat结尾的数据文件。接着，嵌入式设备接收返回的该预订格式的数据文件，并将其输入至已训练的神经网络加速器中的全连接层，如此即可得到较为精确的目标形状参数和目标纹理参数。
[0059] 另外，需要说明的是，请参阅图4，本实施例中使用的已训练的神经网络模型，其训练过程大致如下：
[0060] (1)准备大量无约束二维图片作为训练集，并将其转换为对应的纹理参数数据集和形状参数数据集。具体地，先通过人脸数据库构建一个较为平均的三维人脸模型，本实例采用了basel face model(BFM，巴塞尔人脸模型，为常用的人脸模型，该模型包括了形状参数和纹理参数)，该三维人脸模型可以转换成二维图片。对于一张输入的无约束二维图片，将其与该BFM人脸模型进行配准，具体为将输入的无约束二维图片与BFM三维人脸模型转换的二维图片进行对比迭代，直到这两者之间的误差达到最小，此时就可以确认当前形状参数和纹理参数即该输入的无约束二维图片对应的形状参数和纹理参数。对每一张无约束二维图片重复上述操作，即可得到对应的纹理参数数据集和形状参数数据集。
[0061] (2)确定训练的输出数据所要达到的标准，即确定目标纹理参数和目标形状参数。具体地，对步骤(1)中所得到的纹理参数数据集和形状参数数据集分别进行加权平均计算，即可得到目标纹理参数和目标形状参数。以如何得到目标纹理参数举例说明：选择m个较佳的纹理参数，根据以下公式进行加权平均
[0062]
[0063] 其中，Sseg表示目标纹理参数，i表示当前进行计算的序号，ai表示当前序号的权重，Sseg，i表示当前纹理参数，权重的计算公式如下：
[0064]
[0065] 如此，在计算完成之后得到的Sseg即为目标纹理参数，同理得到目标形状参数也是如此。
[0066] (3)选择合适的神经网络结构。具体地，神经网络网络结构可以根据实际情况进行选择，本实施例中选择的神经网络结构为ResNet，优选ResNet101，即该神经网络结构总共有101层，可大致分为两个大层，分别为卷积层和全连接层。
[0067] (4)基于选定的神经网络开始进行训练，输出神经网络模型。具体地，现有对ResNet101神经网络的训练已非常成熟，这里为了说明书的简洁对训练过程做简单论述：首先进行前向传播计算目标函数(即计算损失函数)；接着进行反向传播更新网络结构的参数；最后进行不断的迭代直到损失接近停止，此时即可结束训练。结束训练后输出的神经网络模型即为本实施例使用的已训练的神经网络模型。
[0068] 步骤30、根据所述形状参数和纹理参数构建目标三维人脸模型。
[0069] 具体地，请参阅图5，步骤S30具体包括以下步骤：
[0070] 步骤S31、预先设置一个通用三维人脸模型，并获取所述通用三维人脸模型的通用形状参数和通用纹理参数；
[0071] 步骤S32、根据所述形状参数和纹理参数分别对所述通用形状参数和所述通用纹理参数进行调整，得到调整后的形状参数和纹理参数；
[0072] 步骤S33、所述通用三维人脸模型根据所述调整后的形状参数和纹理参数，构建目标三维人脸模型。
[0073] 具体地，预先设置一个通用三维人脸模型，该通用三维人脸模型带有通用形状参数和通用纹理参数，通过对这两个通用参数的调整，通用三维人脸模型可以根据调整后的参数构建出目标三维人脸模型。
[0074] 对于两个通用参数的调整，需要用到步骤S20得到的形状参数和纹理参数，具体调整可以根据以下公式进行调整：
[0075]
[0076]
[0077] 其中，SnewModel为调整后的形状参数，通用形状参数，m为步骤S20得到的形状参数的数量(形状参数是向量，总共99个不同方向的形状参数)，ai为当前权重，si为当前形状参数；同理，TnewModel为调整后的纹理参数， 为通用形状参数，m为步骤S20得到的纹理参数的数量(同形状参数)，βi为当前权重，ti为当前纹理参数。需要说明的是，权重的具体值可以任意设定，但是权重ai跟权重βi必须满足两者相加等于1。
[0078] 通过上述的调整，即可得到已调整的形状参数和纹理参数，进而通用三维人脸模型可以根据它们来构建目标三维人脸模型。
[0079] 对于构建三维人脸模型来说，若用于构建的形状参数和纹理参数越精确，则构建出的三维人脸模型就越精确，因上述调整用的是步骤S20从已训练的神经网络模型输出的形状参数和纹理参数，其非常精确，因此调整后的形状参数和纹理参数也非常精确，进而构建出的目标三维人脸模型也非常精确。
[0080] 步骤S40、将所述目标三维人脸模型与预存的人脸图片进行比对，进行人脸识别。
[0081] 请参阅图6，步骤S40具体包括：
[0082] S41、将所述目标三维人脸模型与预存的人脸图片进行比对，得出相似性；
[0083] S42、若所述相似性大于预设阈值，则通过人脸识别。
[0084] 具体地，嵌入式产品进行人脸识别时，与手机的人脸识别相似，都会先在手机预先录入人脸照片，因此本实施例中的嵌入式设备也是预先录入了人脸照片，即预存了人脸照片。
[0085] 在步骤S30得到目标三维人脸模型之后，将其与预存的人脸照片进行比对，得出它们的相似性，接着，将该相似性与预设阈值进行比较，为了安全性一般都会设置较高的阈值，比如90％，若该相似性大于预设阈值，则通过人脸识别。
[0086] 由于预存的人脸照片是固定的，因此相似性的大小与目标三维人脸模型的精确度呈正相关，传统嵌入式设备在无约束场景下由于得到的人脸特征较少，构建出的三维人脸模型精确度低，进而与预存的人脸照片的相似性就会小。而本实施例构建出的目标三维人脸模型精确度较高，因此与预存的人脸照片的相似性就会较大，从而使相似性大于预设阈值，使用户通过人脸识别，提高了嵌入式设备进行人脸识别的准确率。
[0087] 综上所述，本实施例提供的三维建模人脸识别方法中，嵌入式设备先获取无约束场景的二维图片并进行预处理得到数据源，接着将数据源发送给神经网络加速器中已训练的神经网络模型的卷积层进行计算，如此明显缩短了计算时间，进而明显缩短了整个过程的时间；接着嵌入式设备接收神经网络加速器返回的数据文件并将其输入至已训练的神经网络模型的全连接层，如此数据源经过了整个已训练的神经网络模型的计算，得到了精确的形状参数和纹理参数，进而构建出精确的目标三维人脸模型，最后根据目标三维人脸模型与预存的人脸图片进行人脸识别，提高了准确率。与现有技术相比，本实施例提高了嵌入式设备进行人脸识别的准确率和效率。
[0088] 进一步地，请参阅图7，基于上述三维建模人脸识别方法，本发明还相应提供了一种嵌入式设备，所述嵌入式设备包括：处理器10及存储器20。需要说明的是，图7仅示出了移动终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0089] 所述存储器20在一些实施例中可以是所述嵌入式设备的内部存储单元，例如嵌入式设备的硬盘或内存。所述存储器20在另一些实施例中也可以是所述嵌入式设备的外部存储设备，例如所述嵌入式设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所述嵌入式设备的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述嵌入式设备的应用软件及各类数据，例如所述安装嵌入式设备的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有三维建模人脸识别程序30，该三维建模人脸识别程序30可被处理器10所执行，从而实现本申请中三维建模人脸识别方法。
[0090] 所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述三维建模人脸识别方法等。
[0091] 在一实施例中，当处理器10执行所述存储器20中三维建模人脸识别程序30时实现具体如上所述的步骤。
[0092] 进一步地，基于上述三维建模人脸识别方法，本发明还提供了三维建模人脸识别系统，所述三维建模人脸识别系统包括如上所述的嵌入式设备，以及与所述嵌入式设备建立通信连接的神经网络加速器，所述嵌入式设备进行人脸识别时发送数据给所述神经网络加速器，并接收所述神经网络加速器返回的数据文件，以完成人脸识别。
[0093] 进一步地，基于上述三维建模人脸识别方法，本发明还提供了一种存储介质，所述存储介质存储有三维建模人脸识别程序，所述三维建模人脸识别程序被处理器执行时实现如上所述的三维建模人脸识别方法的步骤。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种超声波测量膜厚的标定装置及其测定方法 | 2020-05-08 | 6 |
| 一种便携式多胞胎心电监测仪及其监测方法 | 2020-05-08 | 37 |
| 一种智能身高测量装置及测量方法 | 2020-05-08 | 442 |
| 传感器网络节点的数据处理方法及传感器网络节点 | 2020-05-08 | 27 |
| 一种基于光纤M-Z干涉仪检测硫化氢气体的装置 | 2020-05-08 | 44 |
| 用于提供带有标记的容器的系统及方法 | 2020-05-11 | 39 |
| 一种微小透镜快速定心胶合装置及方法 | 2020-05-08 | 699 |
| 叉车电池状态监测方法、装置及嵌入式设备、存储介质 | 2020-05-08 | 627 |
| 在不同磁阻随机存取存储器阵列中具有不同磁性隧道结的半导体管芯 | 2020-05-08 | 146 |
| 基于ARM和FPGA的工件位置获取系统 | 2020-05-11 | 84 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈