發(fā)布時間：2021-11-08 10:56

　　近年來,隨著萬物互聯(lián)的到來,人工智能已經(jīng)在智能家居、智能安防、智能語音、無人駕駛多個領域快速發(fā)展。人工智能對算力的需求越來越大,邊緣終端產(chǎn)生的數(shù)據(jù)傳輸至云端服務器會有較大的延時,需要將主要處理和數(shù)據(jù)存儲放在網(wǎng)絡的邊緣節(jié)點。在這種情況下,邊緣智能應聲而出,邊緣智能是具備機器學習和高級網(wǎng)絡功能的邊緣計算,將深度學習模型高效地運行在資源受限的終端設備,有必要進行試驗性研究。人臉識別技術作為當下人工智能的熱門技術,是未來邊緣智能的重要應用場景之一。本論文針對在邊緣智能平臺下的人臉識別方法展開分析,在云端服務器完成模型的訓練,并將生成的模型進行優(yōu)化和轉換,把冗余計算部分去掉轉換成Tengine可直接調用的模型,再基于Tengine推理框架將轉換后的模型在邊緣智能平臺完成模型的推理部分,設計并實現(xiàn)了高效的人臉識別方法,主要工作包括:1)采用EAIDK-610開發(fā)板,搭建邊緣智能平臺的軟硬件。為了對比邊緣智能平臺不同框架之間的差異,對搭建好的平臺測試Tengine推理框架的性能,通過與Caffe框架對比運行相同模型的時間,驗證了模型的有效優(yōu)化。2)針對移動設備資源的有效性,采用了輕量級神經(jīng)網(wǎng)絡Mob... 

【文章來源】：南京郵電大學江蘇省

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

人臉幾何特征

南京郵電大學專業(yè)學位碩士研究生學位論文第一章緒論3圖1.1人臉幾何特征（2）基于模板匹配的人臉識別。20世紀90年代，Brunelli等通過實驗得出基于模板匹配的方法優(yōu)于基于集合結構的方法[13]的結論。首先需要圖像作標準模板或將模板先行參數(shù)化，再計算輸入圖像與模板之間臉部輪廓、五官匹配度的相關值。最后與設定的閾值對比來確定是否有人臉信息。這種方法識別效果不錯，但在形狀、姿態(tài)、人臉尺度、等方面的變化仍不能很好地處理。（3）基于深度學習方法。利用深度學習方法，2012年,勒尼德研究小組[14]率先將深度學習用于人臉數(shù)據(jù)集（LabledFacesintheWild，LFW）取得了87%的識別率。而當時利用傳統(tǒng)的人臉識別算法在LFW數(shù)據(jù)庫上的識別率只有為60%，這引起了人臉識別領域里科研人員對深度學習的關注。近幾年，基于大量的數(shù)據(jù)訓練，國外許多項目基于深度學習方法成功應用在人臉識別中。如FaceNet[15]、DeepID[16]、DeepFace[17]等，有著很高的準確率。LFW人臉數(shù)據(jù)庫是目前人臉識別常用的數(shù)據(jù)庫，其提供的人臉圖片均來源于生活中的自然場景。由于多種因素的影響導致即使同一人的照片差異也很大。LFW數(shù)據(jù)集主要是從互聯(lián)網(wǎng)上搜集圖像，共有13233張人臉圖像，每張圖像均給出對應的人名，共有5749人，且絕大部分人僅有一張圖片。如圖1.2所示：圖1.2部分LFW數(shù)據(jù)集

TengineAPI接口


本文編號：3483567