基于深度学习的人脸检测系统设计文档.PDF

基于深度学习的人脸检测系统设计文档 庞伟 179110 周世豪 163850 沈志源 163807 第一部分 设计概述 /Design Introduction 1.1 设计目的 近年来，由于视频监控，人机交互和视频检索的应用需求，视频中的人脸检测研究得到了迅速发展。 尤其是在第三次人工智能浪潮中，深度学习被广泛应用于各行各业。本作品是基于深度学习的人脸检测 系统设计，以深度学习的目标检测算法为基础，充分考虑硬件实现的需求，训练了一个用于人脸检测的 卷积神经网络架构。通过硬件实现，是人脸检测系统能够应用于更多的场景，而不在局限CPU 或GPU 的 环境。同时也为人脸识别打下了坚实的基础。 1.2 应用领域 人脸检测可以应用于很多领域。如安防领域、经济领域、商贸领域以及健康管理等领域。以及一些 需要对人数清点的领域，比如教学点名，公司考勤等领域。 1.3 适用范围 本系统的突出特点在于检测算法鲁棒性和硬件的实时性。基于以上特点，本系统可以适用于基于人 脸识别的考勤、点名系统；海关、商场、机场和银行监控系统；公共场合监控和自动门卫系统等。 第二部分 系统组成及功能说明 /System Construction Function Description 2.1 系统介绍 本系统是基于YOLO （You Only Look Once ）算法的人脸检测系统。首先根据yolo 算法在软件上实 现了高精度高鲁棒性的人脸检测程序，并提取相应参数。之后在Zynq 平台上，把PL 端开发为运算逻辑， 使PS 端负责控制逻辑，合理配置各模块之间的通信，以逐层并行运算的方式实现了单张图片的人脸检 测工程。最后加入视频处理和视频输出模块，将摄像头采集的视频转化成图片处理，在显示屏上连续输 1 出检测后的图片。速度可达1FPS，满足实时性的要求。相比传统方法，该系统对采集质量不高的视频 仍然有很强的识别能力，对人脸遮挡，表情，侧脸，装饰等变化具有强鲁棒性，可以用于闸机检测、实 时人数统计等实际应用场景中。 系统的具体工作流程如图1。用摄像头采集640*480 分辨率的视频。视频首先进入视频处理模块， 截取中间的方形区域，通过通信模块暂存在DDR 中，同时传送到视频输出模块，保持显示器上视频的 连续输出。接收到输入图片后，PS 端的控制逻辑根据网络结构依次在DDR 中取出特征图和对应的权重， 将其传送到PL 端的运算单元。PL 端由多个卷积核运算单元组成，每个运算单元包含输入缓存、输出缓 存和DSP 构成的卷积器。可以同时完成多个卷积运算。运算后的结果通过总线传送回DDR 暂存。在神 经网络运算完毕后，将得到的人脸框标注在输出视频帧中。 图1 人脸检测系统流程图 2.2 各模块介绍 1.算法模块 1.1 算法原理 人脸检测是计算机视觉应用中的常见问题。传统的人脸检测方法利用特征算子和级联分类器的计算 方式鲁棒性不强，对光照变化，遮挡和姿态变化漏检率很高。深度学习很好地解决了这个问题。 本项目中，待测图片尺度转换成为416*416 输入卷积网络直接得到边界框。网络负责进行回归操作， 输出预测框的位置和框内物体的类别。此网络可以看作把图像分为13*13 的网格，每个网格预测4 个边 界框。如果对象的中心落在网格单元中，则该网格负责预测该物体。每个边界框会输出（X, Y, W, H, O, C ）六个值。O 代表置信度，反映本框中出现人脸的概率。X,Y,W,H 是该预测框的长宽和中心点所在坐 标。C 是该框中物体所属类别，1，0 分别代表人脸和非人脸。最终网络输出一个13*13*4*6 的张量。如 2 图2 所示，边界框的长宽通过相对于聚类中心的偏移确定。边界框的中心点坐标通过网络输出和网格位 置确定。 图2 预测框展示图 网络以CNN 实现，网络的初始卷积层从图像中提取特征，最后三层生成位置和置信度信息。网络 结构如图3 所示，其中第1,2 层的步长为2 ，其他为1。每层输出特征图在进行下一次运算时都要在周围