【摘要】：人脸检测加速技术从方法层面来说，可以分为三个方面：算法轻量化、GPU加速以及前端智能化。在人脸检测中，传统的算法基本是基于特征提取和分类器设计这一思路的不同组合，算法的时间复杂度相对有限，可以估算。至于GPU加速，近年来更是被广泛应用。很多深度学习框架已经有效集成了GPU加速，这里不再赘述。图4－24内嵌DSP人脸特征点检测的前端相机成像画面
人脸检测加速技术从方法层面来说，可以分为三个方面：算法轻量化、GPU加速以及前端智能化。从使用场景上来说，存在平台级应用和终端设备应用的区别。
在人脸检测中，传统的算法基本是基于特征提取和分类器设计这一思路的不同组合，算法的时间复杂度相对有限，可以估算。基于深度学习策略的人脸检测方法是一种基于“end to end”的策略，识别和训练的机理并不清晰，所提炼的特征也没有明确清晰的物理概念上的表述。在平台级的人脸检测应用中，针对深度学习架构上的人脸检测算法，一般通过训练模型的优化实现人脸检测训练和识别时间的有效缩短。例如，改VGG模型为Ref500模型或者二值模型，时间上能够降低一半以上；再通过设计一些合理的增量训练算法，时间上又可以节约不少。
至于GPU加速，近年来更是被广泛应用。很多深度学习框架已经有效集成了GPU加速，这里不再赘述。(www.xing528.com)
在终端设备上的人脸检测算法的实时性保障方面，目前很多前端摄像机以及将人脸检测算法或人脸特征点检测算法固化到摄像机的DSP芯片上，使得图像采集前端具备人脸检测功能，如图4－24所示，这尚属于前端智能化发展的初步阶段。
图4－24 内嵌DSP人脸特征点检测的前端相机成像画面
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
