轻量级SqueezeNet结合梯度特征的人脸识别算法

"基于融合梯度特征的轻量级神经网络用于人脸识别，通过SqueezeNet提取人脸特征，提高在小型嵌入式设备上的应用效率和光照条件下的鲁棒性。实验显示，结合8×8分块图像的一阶梯度特征与全局特征，识别率提升至97.28%，对比传统方法有显著改进。" 本文主要探讨了深度学习在人脸识别领域的应用，特别是在小型嵌入式设备上的挑战。传统的深度学习模型，如卷积神经网络（CNN），由于其复杂的计算需求和较长的处理时间，往往不适合在内存有限的嵌入式设备上运行。为解决这一问题，研究者提出了一种融合梯度特征的轻量级神经网络模型，该模型以SqueezeNet为基础。 SqueezeNet是一种轻量级的CNN架构，设计目的是在保持高识别精度的同时减少模型的参数数量，从而降低计算复杂度和内存需求。它通过使用火烈鸟（Fire）模块，结合挤压（Squeeze）和扩展（Expand）层来实现高效的特征学习。在人脸识别任务中，SqueezeNet能够提取出人脸的全局特征，这对于识别具有普遍性的特征非常有效。 然而，仅依赖全局特征可能会导致在光照变化等复杂条件下识别性能下降。因此，研究者引入了一阶梯度特征的概念。一阶梯度特征是通过对图像进行8×8分块，并计算每个块的梯度信息来提取的，这种方法可以捕获图像的局部细节和边缘信息，增强模型对光照变化的鲁棒性。 实验结果显示，将一阶梯度特征与SqueezeNet的全局特征相结合，形成一种融合特征的方法，可以显著提高人脸识别的准确率。在LFW（Labeled Faces in the Wild）数据集上，这种融合特征的人脸识别算法识别率达到了97.28%，相比只使用轻量级卷积神经网络的方法，识别率提升了4.36%。这表明，融合梯度特征的策略在保持模型轻量化的同时，也提升了在实际应用场景中的性能。 关键词涉及图像处理、嵌入式设备、轻量级卷积神经网络、一阶梯度特征以及人脸识别，这些都是本文核心内容的关键点。这种方法不仅对学术研究有重要价值，也为实际的嵌入式系统（如智能安全摄像头、移动设备等）提供了一种高效、鲁棒的人脸识别解决方案。