基于VPU加速的嵌入式实时人脸检测系统设计与实现

闫 嘉，张跃麟，邓昌健

(1.西南大学 a.人工智能学院; b.西塔学院，重庆 400715；2.电子科技大学 信息与通信工程学院，成都 611731)

近年来，计算机视觉不断蓬勃发展，卷积神经网络(CNN)[1-2]作为深度学习算法中重要组成部分，在图像分类[3]，物体检测[4-5]以及图像重建[6-7]中已经大显身手，例如，活体检测、自动驾驶、无人超市等[8-10]。目前，计算机视觉的应用，例如，人脸检测和人脸关键点提取，主要运行于具有强大计算能力的图形处理器(GPU)[11]的云端服务器，即先将图片上传到服务器，运算之后再传回本次图片检测的结果，但这种方法需要大量的计算资源和高昂的设计费用；由于网络带宽的限制，上传图像和下载响应结果都有很高的时延，在实现本地视频流中实时检测人脸和关键点提取就变得尤为困难。此外，上传到云端的数据存在个人隐私被泄漏的安全风险；或当使用场景在地下停车库、穿山隧道等信号盲区时，云端计算的方式的就显得力不从心。

在实时目标检测方面，Ren等[12]提出Faster R-CNN，第一次提出使用“锚框”选择候选框，并结合边框回归、特征图共享的思想，采用非极大值抑制(NMS)、感兴趣区域(RoI)池化的方式识别物体，在GPU上实现了实时的物体检测；此后，Redmon等[13-15]提出了yolo网络，其检测速度相较于Faster R-CNN成倍增长。作者在此后又提出了改进后的yolo v2和yolo v3网络，提高了准确度，减少了检测用时。在实际应用中，Faster R-CNN虽然性能比较稳定，但是其非端到端的“两步”网络结构需要消耗大量的计算资源，增加了检测耗时；而yolo网络虽然更快，但在一些比较严苛复杂的环境中，并不能达到产品需求。……