邊沿智能-邊沿計算-嵌入式人工智能實驗室建設方案 目錄1 邊沿智能-邊沿計算-嵌入式人工智能實驗室 -3-1.1 總體規劃 -3-1.2 實驗設備 -3-1.2.1 智能分揀安防攝像頭 -3-

邊沿智能-邊沿計算-嵌入式人工智能實驗室總體規劃邊沿智能-邊沿計算-嵌入式人工智能實驗室重要用于對邊沿智能、邊沿計算、嵌入式人工智能等核心課程的知識點學習，能夠服務于有關課程的實驗和實訓需求。核心課程重要針對學科基礎技術的培養，掌握對邊沿智能、邊沿計算、嵌入式人工智能的配備、維護和開發，接入等知識。核心課程采用全模塊化的教學產品進行實驗，含有優良的教學實驗特性：全模塊化的設計、開放式的硬件接口、開源的實驗代碼、完整的教學資源、貼心的售后服務。實驗設備智能分揀安防攝像頭智能分揀安防攝像頭是機器視覺技術在邊沿計算設備上的典型應用，與傳統云端智能服務不同，該攝像頭內置神經網絡芯片，能夠本地運行卷積神經網絡等模型，自動根據模型在實時視頻流中檢測人像并進行匹配識別，一旦匹配后能夠自動進行目的跟蹤。智能分揀安防攝像頭產品特性以下：基于神經網絡芯片實現邊沿計算智能提供機器視覺人臉檢測和識別模型功效提供實時視頻流人像檢測和人員統計功效提供目的人員檢測匹配和跟蹤功效全部源代碼開放和具體的實驗指導書智能分揀安防攝像頭能夠完畢豐富的實訓項目：實訓項目一：人臉識別1）基本介紹人臉識別是基于人的臉部特性信息進行身份識別的一種生物識別技術，普通采用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉。相比其它生物特性識別辦法，人臉識別含有其本身的優勢：非侵擾性人臉識別無需干擾人們的正常行為就能較好地達成識別效果，無需緊張被識別者與否愿意將手放在指紋采集設備上，他們的眼睛與否能夠對準虹膜掃描裝置等等。只要在攝像機前自然地停留半晌，顧客的身份就會被對的識別。便捷性采集設備簡樸，使用快捷。普通來說，常見的攝像頭就能夠用來進行人臉圖像的采集，不需特別復雜的專用設備。圖像采集在數秒內即可完畢。和諧性通過人臉識別身份的辦法與人類的習慣一致，人和機器都能夠使用人臉圖片進行識別。而指紋，虹膜等辦法沒有這個特點，一種沒有通過特殊訓練的人，無法運用指紋和虹膜圖像對其別人進行身份識別。非接觸性人臉圖像信息的采集不同于指紋信息的采集，運用指紋采集信息需要用手指接觸到采集設備，既不衛生，也容易引發使用者的反感，而人臉圖像采集，顧客不需要與設備直接接觸?？蓴U展性在人臉識別后，下一步數據的解決和應用，決定著人臉識別設備的實際應用，如應用在出入門禁控制、人臉圖片搜索、上下班刷卡、恐怖分子識別等各個領域，可擴展性強。正是由于人臉識別擁有這些良好的特性，使其含有非常廣泛的應用前景，也正引發學術界和商業界越來越多的關注。人臉識別已經廣泛應用于身份識別、活體檢測、唇語識別、創意相機、人臉美化、社交平臺等場景中。2）技術歷程3）技術原理人臉識別技術解決流程涉及人臉圖像的采集和預解決、人臉檢測、人臉特性提取、人臉識別和活體鑒別，流程圖以下：人臉圖像的采集和預解決：涉及人臉圖像的批量導入或調用攝像機或攝像頭在設備的可拍攝范疇內自動實時抓取人臉圖像并完畢采集工作。人臉圖像的預解決是在系統對人臉圖像的檢測基礎上，對人臉圖像做出進一步的解決，以利于人臉圖像的特性提取。普通人臉圖像的預解決涉及光線、旋轉、切割、過濾、降噪、放大縮小等操作，使人臉圖像無論是從光線、角度、距離、大小等方面均能夠符合人臉圖像的特性提取的原則規定。人臉檢測：人臉檢測是人臉識別中的重要構成部分，普通是指應用一定的方略對給出的圖片或者視頻來進行檢索，判斷與否存在著人臉，如果存在則定位出每張人臉的位置、大小與姿態的過程。一張包含人臉圖像的圖片普通狀況下可能還會包含其它內容，這時候就需要在一張人臉圖像之中，精確的定位出人臉的位置和大小，在挑選出有用的圖像信息的同時自動剔除掉其它多出的圖像信息，來進一步的確保人臉圖像的精確采集。現在人臉檢測辦法可分為三類，分別是基于膚色模型的檢測、基于邊沿特性的檢測、基于統計理論辦法，其中基于統計理論的辦法應用比較廣泛。人臉特性提取：人臉特性提取是提取用于人臉識別的特性，人臉特性普通可分為人臉視覺特性、人臉圖像像素統計特性等，而人臉圖像的特性提取就是針對人臉上的某些具體特性來提取的。特性簡樸，匹配算法則簡樸，合用于大規模的建庫；反之，則合用于小規模庫。特性提取的辦法普通涉及基于知識的提取辦法或者基于代數特性的提取辦法。以基于知識的人臉識別提取辦法中的一種為例，由于人臉重要是由眼睛、額頭、鼻子、耳朵、下巴、嘴巴等部位構成，對這些部位以及它們之間的構造關系都是能夠用幾何形狀特性來進行描述的，也就是說每一種人的人臉圖像都能夠有一種對應的幾何形狀特性，它能夠協助我們作為識別人臉的重要差別特性，這也是基于知識的提取辦法中的一種。人臉識別：人臉識別是將采集的人臉圖像特性與數據庫中存儲的人臉圖像特性進行匹配，并根據預先設定的閾值，如果匹配程度超出此閾值，則鑒定初步匹配成功，并將匹配成功的人臉圖像及其身份信息輸出的過程。活體鑒別：生物特性識別的共同問題之一就是要區別該信號與否來自于真正的生物體，例如，指紋識別系統需要區別帶識別的指紋是來自于人的手指還是指紋手套，人臉識別系統所采集到的人臉圖像，是來自于真實的人臉還是含有人臉的照片。因此，實際的人臉識別系統普通需要增加活體鑒別環節，例如，規定人左右轉頭，眨眼睛，開開口說句話等。4）實訓列表實訓1：基于特性臉算法的人臉識別控制門禁實訓2：基于局部二值模式（LocalBinaryPatterns，LBP）人臉識別的地鐵閘機控制實訓3：基于Fisherface算法的人臉識別考勤實訓4：基于深度學習的人臉識別實訓5：目的人員檢測和跟蹤實訓6：實時視頻流人像檢測和人員統計實訓項目二:目的檢測1）基本介紹目的檢測是機器視覺領域的核心問題之一，其任務是找出圖像中全部感愛好的目的物體，擬定它們的標記、位置和大小等屬性。由于各類物體有不同的外觀、形狀、姿態，加上成像時光照、遮擋等因素的干擾，目的檢測始終是機器視覺領域最含有挑戰性的問題。2）技術原理傳統的目的檢測普通采用如Haar小波分析算法和局部二值模式（LocalBinaryPatterns，LBP）算法來提取圖像特性，然后采用有監督式機器學習分類算法，進行圖像類別匹配和識別，實現目的物體檢測的目的。隨著深度學習的崛起，目的檢測現在普通采用深度學習算法模型進行解決，即使在嵌入式和物聯網等邊沿計算場景中，深度學習算法也在精確率和實時性方面全方面超越傳統的目的檢測算法?；谏疃葘W習算法模型進行目的檢測時，普通采用下列三種模型：FasterR-CNNs神經網絡模型YouOnlyLookOnce(YOLOv2和YOLOv3)模型SingleShotDetectors(SSDs)模型3）解決流程機器視覺中采用傳統機器學習辦法進行目的檢測的解決流程普通涉及創立訓練樣本、特性提取、構建并訓練分類器、分類器目的檢測、優化分類器幾個環節；采用深度學習辦法，則特