基于深度學習的ARM平臺實時人臉識別

方國康 李俊 王垚儒

摘 要：針對ARM平臺上人臉識別實時性不強和識別率低的問題，提出一種基于深度學習的實時人臉識別方法。首先基于MTCNN人臉檢測算法設計了一種實時檢測并追蹤人臉的算法;然后在ARM平臺上基于深度殘差網絡（ResNet）設計人臉特征提取網絡;最后針對ARM平臺的特點，使用Mali-GPU加速人臉特征提取網絡的運算，分擔CPU負荷，提高系統整體運行效率。算法部署在基于ARM的瑞芯微RK3399開發板上，運行速度達到22幀/s。實驗結果表明，與MobileFaceNet相比，該方法在MegaFace上的識別率提升了11個百分點。

關鍵詞：ARM平臺;人臉識別;人臉追蹤;殘差網絡;Mali-GPU

中圖分類號：?TP183; TP391.4

文獻標志碼：A

Real-time face recognition on ARM platform based on deep learning

FANG Guokang1，2， LI Jun1，2*， WANG Yaoru1，2

1.School of Computer Science and Technology， Wuhan University of Science and Technology， Wuhan Hubei 430065， China ;

2.Hubei Province Key Laboratory of Intelligent Information Processing and Real-time Industrial System （Wuhan University of Science and Technology）， Wuhan Hubei 430065， China

Abstract：?Aiming at the problem of low real-time performance of face recognition and low face recognition rate on ARM platform， a real-time face recognition method based on deep learning was proposed. Firstly， an algorithm for detecting and tracking faces in real time was designed based on MTCNN face detection algorithm. Then， a face feature extraction network was designed based on Residual Neural Network （ResNet） on ARM platform. Finally， according to the characteristics of ARM platform， Mali-GPU was used to accelerate the operation of face feature extraction network， sharing the CPU load and improving the overall running efficiency of the system. The algorithm was deployed on ARM-based Rockchip development board， and the running speed reaches 22 frames per second. Experimental results show that the recognition rate of this method is 11 percentage points higher than that of MobileFaceNet on MegaFace.

Key words：?ARM platform; face recognition; face tracking; Residual neural Network （ResNet）; Mali-GPU

0 引言

隨著計算機圖像處理技術的發展，基于計算機視覺的目標識別在特征分析[1]和目標監控[2]等領域具有廣泛的應用價值。人臉識別[3]是圖像處理中的一個重要研究領域，作為一種身份識別手段，因其直接性和靈活性等優點，有著廣闊的市場應用前景。人臉識別是通過人臉圖像確定人臉身份的過程，包括人臉檢測、人臉對齊、人臉特征提取和特征匹配4個過程[4]。近年來，隨著視頻監控的大量普及，基于視頻的人臉識別技術越來越受到各界的重視。傳統人臉識別算法圍繞主成分分析（Principal Component Analysis，PCA）[5]、線性判別分析（Linear Discriminant Analysis，LDA）[6]和局部特征分析（Local Feature Analysis，LFA）[7]等展開，但這些算法利用到的特征為圖像淺層的特征，識別效果容易受到姿態轉動、光照變化、遮擋等因素的影響，存在著較大的局限性。同時，與靜態圖像相比，視頻中包含了更加豐富的信息[8]，但視頻的識別難度大，實時性強，對算法和設備都有著更高的要求。

近年來，隨著人工智能的快速發展，深度學習在圖像識別領域取得了良好的效果[2]。卷積神經網絡（Convolutional Neural Network，CNN）[9]通過模擬人的大腦結構，構建多層非線性映射關系，擁有很強的非線性特征學習能力，能夠從大量樣本中學習到高維語義特征和深度特征。鑒于傳統人臉識別算法發展遇到了瓶頸，2014年，Taigman等[10]基于深度學習提出DeepFace，使用CNN來提取人臉深層抽象語義特征，利用特征的余弦相似度來比較人臉相似性，最終在LFW（Labeled Faces in Wild）[11]上的準確率達到了95%，取得了很好的識別效果。

2015年，針對CNN在達到一定深度后，網絡梯度消失的問題，He等[12]提出了殘差網絡（Residual Neural Network，ResNet），與VGGNet（Visual Geometry Group Network）[13]、GoogleNet[14]等網絡相比，ResNet擁有更深的網絡結構，可達到150層，學習到的特征也更加深層抽象，分類能力也更強。

2016年，Zhang等[15]提出了MTCNN（Multi-Task Cascaded Convolutional Neural Network）人臉檢測算法，使用三個級聯CNN來檢測人臉位置和關鍵點，檢測人臉時由粗到細，不僅有很好的檢測效果，而且速度很快，在Nvidia Titan X上的檢測速度達到了99幀/s（Frames Per Second， FPS）;同時，MTCNN算法通過將人臉圖像對齊，提供了標準統一的人臉圖像，促進了后續人臉識別的研究。

2017年，Liu等[16]提出了SphereFace算法，針對損失函數進行了改進，能夠讓特征學習到更可分的角度特性。該算法使用64層的深度網絡訓練，最終在LFW上的測試精度達到了99.4%，在MegaFace[17]上的準確率達到了72.4%。

而后，Wang等繼續針對損失函數進行改進，相繼提出了NormFace[18]以及AMSoftmax（Additive Margin Softmax）[19]算法。

2018年，Deng等[20]提出了ArcFace（Additive Angular Margin Loss）算法，更加注重在角度空間里對類別進行區分。該算法使用了50層的ResNet進行訓練，在LFW上的準確率達到了99.8%，在MegaFace的準確率達到了97.6%，是目前MageFace上排名第一的人臉識別算法。

相比傳統的人臉識別算法，基于深度學習的人臉識別算法在圖像人臉識別任務中取得了很好的結果，其識別精度在百萬級數據量的測試集上達到了97%，已經能夠滿足大多數場景下實際使用需求。但這些算法在實際部署時，需要使用支持大量計算的服務器，成本很高。近年來，以手機為代表的嵌入式設備得到了飛速發展，其性能日新月異，嵌入式系統以其功能齊全、安全可靠、價格低廉、體積小、功耗低等優勢，以貼近生活、以實際應用為核心的特點，越來越廣泛地應用到了各個領域。Mali-GPU[21]是ARM公司推出的高性能移動圖形處理器，主要應用于基于ARM體系結構的移動設備上。與桌面級GPU一樣，Mali-GPU專為執行復雜的數字和幾何計算而設計，迎合了深度學習對大量數字計算的需求;不同的是，Mali-GPU主要針對移動設備，能耗更低，雖然計算能力相對較弱，但其移動便攜性卻是桌面級GPU無法比擬的。

隨著MobileNet[22]、ShuffleNet[23]等輕量化網絡的提出，基于嵌入式系統的深度學習研究也逐漸成為熱點。輕量化網絡的提出旨在精簡網絡參數、降低網絡計算的復雜度，但這會在一定程度上損失網絡的識別精度。2017年，Chen等[24]發布的深度學習編譯器TVM（End to End Deep Learning Compiler Stack）是一個端到端優化堆棧，可以降低和調整深度學習工作負載，適應多種硬件后端，針對不同的硬件設備生成底層優化代碼。

在ARM平臺上，TVM能夠同時實現CPU和GPU上的優化加速和負載均衡，這使得嵌入式設備也能在一定程度上執行復雜計算。

本文從實際的部署成本這個角度出發，針對ARM平臺設計了可以實時識別人臉的算法，同時使用ResNet來提取人臉特征，其識別精度能夠達到服務器級別的水平。

首先，本文在MTCNN算法的基礎上進行改進，設計了一種能夠實時檢測并追蹤人臉的算法，通過對人臉進行追蹤，可以減小提取人臉特征的頻率，從而達到更快的運行速度;然后，在ARM平臺上使用ResNet提取人臉特征，并用Mali-GPU來對人臉特征的提取加速。實驗表明，本文基于ARM平臺設計的人臉識別模型能夠滿足實時識別需求，同時也能達到很高的識別精度。

1 基于深度學習的人臉識別框架

1.1 人臉檢測

人臉檢測是在圖像中找到人臉并返回人臉框大小和位置坐標信息的過程。本文中使用MTCNN算法對人臉進行檢測。MTCNN是一種將多任務級聯卷積神經網絡用于人臉檢測和對齊的人臉檢測算法。該算法總共分為三個階段：

第一階段，對圖像在不同尺度上生成若干候選框，通過一個簡單的CNNPNet（Proposal Net）來預測所有候選框的概率，然后對所有候選框非極大值抑制（Non-Maximum Suppression，NMS），消除多余候選框;

第二階段，使用一個較為復雜的CNN——RNet（Refine Net）對第一階段生成的候選框位置和大小進行回歸校正并預測其概率，然后對所有候選框使用NMS方法篩選;

第三階段，使用一個更為復雜的CNN——ONet（Output Net）對第二階段的預測框位置和大小進行回歸校正并使用NMS方法篩選，為每個預測框生成5個人臉關鍵點，分別為兩只眼睛、鼻尖和兩邊嘴角。MTCNN算法流程如圖1所示。

1.2 人臉對齊

人臉對齊是在圖像中檢測到人臉后，對人臉圖像進行處理的過程，處理后的圖像能夠更好地被識別。本文中根據MTCNN檢測到的5個人臉關鍵點對原始圖像進行仿射變換處理，對人臉部分圖像的大小和角度進行調整，調整后的圖像像素大小為112×112。

1.3 特征提取

人臉特征提取的目的是為了得到人臉中的深層抽象信息，這個抽象信息能夠將不同的人區分開，進而實現對人臉的判別。本文運用深度學習方法來提取人臉特征，采用了ResNet作為人臉識別網絡，并使用ArcFace人臉識別算法來訓練識別網絡。

ArcFace Loss是一種用于人臉識別的損失函數，基于該損失函數訓練得到人臉識別算法ArcFace。ArcFace的思想和AMSoftmax有一定的共同點，不同點在于：ArcFace在角度空間中最大化分類界限，而AMSoftmax是在余弦空間中最大化分類界限。ArcFace Loss基于傳統的Softmax Loss修改得到，式（1）是Softmax Loss損失函數。

L1=- 1 m ∑ m i=1 lg e W Tyi x i+ b yi ∑ n j=1 e W Tj x i+ b j

（1）

將式（1）中的偏置 b j設置為0，然后權重 W 和輸入 x 的內積用下面式子表示。

W Tj x i=‖ W j‖‖ x i‖cos θ j

對權重 W j使用L2正則化處理，使得‖ W j‖=1，得到公式：

L2=- 1 m ∑ m i=1 lg e‖ x i‖cos θ yi e‖ x i‖cos θ yi+∑ n j=1， j≠yi e‖ x i‖cos θ j

（2）

然后對輸入 x i也用L2作正則化處理，同時再乘以一個縮放系數s;另一方面將cos θ yi用cos（ θ yi+m）替換，這部分是ArcFace的核心，m為附加角。于是得到ArcFace算法的損失函數如下：

L3=- 1 m ∑ m i=1 lg es·cos（ θ yi+m） es·cos（ θ yi+m）+∑ n j=1， j≠yi es·cos θ j

（3）

ArcFace算法的整體流程如圖2所示。

1.4 特征匹配

提取到人臉特征后，需要在特征庫中匹配特征，以找到對應的身份信息。普遍的方法是計算目標人臉特征與特征庫中所有特征的相似度，根據相似度找到最符合的特征。本文中使用余弦相似度來表示特征的相似性，對于特征向量 m 和特征向量 n ，其余弦相似度為兩特征向量夾角α的余弦值：cosα= ?m · n? ‖ m ‖·‖ n ‖ ，cosα越大，相似度越高。

2 針對ARM平臺的人臉識別方法

2.1 總體系統結構設計

深度學習模型的訓練需要大量的計算，通常需要具有強大計算能力的服務器來訓練。本文中的模型使用配備英偉達GPU的服務器來訓練，模型訓練完成后，應用到嵌入式系統中。ARM端系統總體設計如圖3所示。

在本系統上，攝像頭負責采集視頻，交給CPU實時檢測并追蹤人臉;CPU檢測到人臉后，若GPU處于空閑狀態，則將檢測到的人臉圖像對齊后傳送給GPU，在GPU上提取人臉的特征信息，CPU繼續檢測并跟蹤人臉;GPU上人臉特征提取完成后，到數據庫中與事先提取好的特征庫進行相似度匹配，若匹配到相應身份信息，則交由CPU實時追蹤該目標，并不再對該目標進行識別。當一個目標被正常識別后，將識別結果發送到遠程服務器，進行相應的業務邏輯處理。

由于提取人臉特征需要較大的資源開銷，系統無法對每幀檢測到的人臉都進行識別，所以本文通過對人臉的實時追蹤，對同一個目標只需要識別一次，避免識別每幀圖像，進而提高系統運行的效率。同時，系統充分利用硬件設備的計算資源，使用CPU來檢測追蹤人臉，GPU提取人臉特征，CPU和GPU并行運行，互不干擾，系統運行起來流暢穩定。

2.2 改進MTCNN用于人臉追蹤

本文中，人臉追蹤是對檢測到的人臉持續標記的過程，即同一個體的人臉在不同的視頻幀中，具有相同的標記。本文對MTCNN算法進行了改進，使得MTCNN算法能夠適用于人臉追蹤。原始的MTCNN算法包含了三個級聯CNN，這三個級聯網絡用于對人臉位置和關鍵點進行檢測，對于視頻序列，MTCNN算法不能實時追蹤每個目標。在MTCNN三個級聯網絡的基礎上，通過添加第四個CNN——FNet（Feature Net）來實時提取每個目標的特征信息，通過匹配視頻幀之間目標的特征相似度，實現對每個目標的實時追蹤。

FNet基于MobileFaceNet[25]進行設計。MobileFaceNet是一個輕量化的CNN，其中采用了可分離卷積（Depthwise Separable Convolution）[26]來精簡網絡參數，使得網絡更加適用于移動設備。同時，MobileFaceNet還在MobileNetV2[27]的基礎上使用可分離卷積層代替全局平均池化層（Global Average Pooling），使網絡可以學習不同點的權重。FNet在MobileFaceNet的基礎上精簡了網絡結構，并加入了通道混洗（Channel Shuffle）[23]策略，通道混洗能夠加強通道之間的信息流通，增強網絡的信息表達能力。FNet網絡結構如表1所示。

人臉追蹤算法流程：

程序前

FO R 視頻中的每幀 DO

MTCNN算法檢測每幀圖像

取出所有檢測到的人臉，resize為112×112

FNet提取每幀人臉的128維特征

FO R 每張人臉 DO

計算與上一幀圖像中所有人臉特征的相

似度，并取最大值

IF? 最大相似度 > 0.6 DO

匹配相應的兩張人臉為同一目標

EL SE DO

將當前人臉作為新目標

程序后

2.3 ARM平臺下使用ResNet提取人臉特征

標準的深度網絡一般需要部署在高性能服務器或者桌面級計算機上，而對于計算能力弱的嵌入式設備，通常使用輕量化的深度網絡，例如MobileNet、ShuffleNet等。輕量化的網絡雖然對設備性能要求更低，但識別精度也比較低。為了使ARM平臺上人臉識別精度得到更高層次的提升，本文將ResNet應用到嵌入式設備上。

本文中使用了三個具有不同網絡深度的ResNet進行對比實驗，其網絡結構如表2所示。

2.4 使用Mali-GPU實現網絡加速

Mali-GPU是ARM平臺下專門用于圖形和數字計算的處理器，與ARM CPU相比，Mali-GPU的數值計算能力更強。本文基于TVM進行開發，使用Mali-GPU來完成ResNet復雜的網絡運算，速度比使用ARM CPU更快，同時不再占用CPU，CPU可以更好地用來檢測和追蹤人臉，系統整體運行速度更快。

為了利用Mali-GPU，TVM底層基開放運算語言（Open Computing Language，OpenCL）進行編譯，并使用開放基礎線性代數子程序庫（Open Basic Linear Algebra Subprograms，OpenBLAS）進行網絡運算?？蚣軐ν馓峁┙y一的Python API，方便編程開發。

3 實驗結果分析

3.1 實驗設置及數據

本實驗訓練模型的服務器運行64位的CentOS系統，版本為7.5，配備了Intel Xeon E5 2620 v4 處理器，64GB內存，4張Tesla V100顯卡，每張顯卡顯存32GB。

本文系統最終運行在ARM平臺上，設備為瑞芯微RK3399開發板，開發板配置如表3所示。

訓練數據集為經過人臉對齊以及降噪處理[20]之后的微軟名人數據集MS-Celeb-1M（MicroSoft One Million Celebrities in the Real World）[28]，處理之后的訓練集包含了85164個不同個體，共計約380萬張人臉圖像。

數據的校驗即判斷每兩張人臉圖像是否為同一人。本文使用的校驗數據集為LFW、CFP（Celebrities in Frontal Profile）[29]和AgeDB（Age Database）[30]。其中，LFW校驗集包含了6000對人臉圖像;CFP使用包含正面和側面的校驗數據CFP-FP（CFP with Frontal-Profile），共計7000對人臉圖像，同一人和不同人圖像的分別有3500對;AgeDB使用年齡差距為30歲的數據組（AgeDB-30），分別包含3000對相同人臉和不同人臉圖像，共計6000對。

測試數據集為MegaFace Challenge 1。MegeFace的測試分為干擾數據集Distractors和測試數據集FaceScrub：

干擾數據集包含了690572個不同個體約100萬張人臉圖像，測試數據集包含了530個不同個體約10萬張人臉圖像。

為了得到MegaFace最終測試結果，需要用待測試的模型提取所有干擾集和測試集人臉圖像的特征，然后由MegaFace工具包根據所有測試人臉圖像特征數據得到最終測試精度。

本實驗參數設置如下：使用ArcFace算法訓練ResNet模型，縮放系數s設置為64，附加角度m設置為0.5;ResNet輸出特征維度設置為512。

3.2 結果分析

在人臉追蹤當中，為了驗證FNet的有效性，本文使用Softmax損失函數訓練MobileFaceNet和FNet各14萬次，訓練過程中初始學習率設置為0.1，batch size設置為256，使用兩張顯卡訓練。其效果對比如表4所示。

通過兩個網絡的對比分析可以看到，FNet在精度上要比MobileFaceNet略低，但差距較小;與MobileFaceNet相比，FNet的模型大小減小了45%，速度提升了75%，有較大提升。由于人臉追蹤實時性強，對FNet速度要求高。FNet在速度上滿足實時要求，同時在精度上也接近MobileFaceNet。

為了說明人臉追蹤的效果，本文對算法在單目標和多目標條件下進行了測試，測試數據為網絡上采集的包含人臉的視頻圖像，然后每隔2s抽取一張圖像作為效果圖，如圖5、6所示。算法每檢測到一個新目標，會對其從0開始編號。

從圖4和圖5中可以看到，在單目標和多目標條件下，同一目標的序號一直保持不變，說明算法準確地追蹤到了該目標。算法在單目標和多目標的條件下具有良好的追蹤效果。

本文通過實驗對MobileFaceNet和具有不同深度的ResNet的識別效果進行了對比，訓練中batch size統一設置為128，使用4塊GPU訓練，初始學習率設置為0.1。ResNet均使用ArcFace算法訓練14萬次。由于MobileFaceNet直接使用ArcFace算法訓練難以收斂，所以MobileFaceNet先使用Softmax損失函數訓練14萬次，然后使用ArcFace算法訓練20萬次，效果對比如表5所示。

分別在Rockchip 3399 ARM CPU和Mali T860 GPU上測試四個網絡模型的運行耗時，表6為2000張人臉圖像下的平均耗時。

通過對四個網絡模型的精度和耗時對比可以看到，得益于輕量化的網絡結構，MobileFaceNet在模型大小和耗時均優于ResNet，但在識別精度上，ResNet要優于MobileFaceNet;隨著網絡的加深，ResNet的識別精度有明顯提高;四個網絡在ARM GPU上的耗時都比ARM CPU上低，說明使用ARM GPU加速人臉特征提取行之有效。

為了說明整套算法的實時性，本文在ARM平臺上對不同算法組合進行了速度測試。人臉特征提取采用ResNet-50，結果如表7所示。

從表7可以看出，MTCNN算法中， 最小檢測尺度min size設置為20px（pixel），本文中設置為100px，通過增大最小檢測尺度后，算法速度得到了大幅提升;同時，算法過濾掉了容易被誤檢和不易識別的小目標，增強了算法的魯棒性。MTCNN檢測完圖像后，直接使用ResNet提取人臉特征速度會很慢，原因是提取人臉特征過程比較耗時，頻繁地提取人臉特征會消耗大量時間和計算資源，使算法變慢。MTCNN加上人臉追蹤后，人臉被識別后會轉為追蹤，不需要頻繁地提取人臉特征，算法的速度有很大程度的提高，特別是使用GPU加速后，特征提取在GPU上運行更快，而且不再占用CPU，CPU可以全部用來檢測人臉，最終速度能接近實時水平。

4 結語

本文基于瑞芯微開發板設計和實現了實時人臉識別系統，使用深度學習的方法來檢測人臉和提取人臉特征。首先，在MTCNN算法的基礎上添加了一個輕量化的CNN——FNet來分辨每個目標，實現了對每個目標的實時追蹤;其次，在嵌入式系統上采用ResNet進行更深層的特征提取，提高了算法的識別率;最后，在開發板上使用Mali-GPU對人臉特征提取進行加速，并實現了CPU和GPU的負載均衡。實驗結果表明，本文方法在嵌入式系統上達到了較快的運行速度，并取得了比使用MobileFaceNet更高的識別率。

參考文獻

[1]?劉飛，張俊然，楊豪.基于深度學習的糖尿病患者的分類識別[J].計算機應用，2018，38（S1）：39-43. （LIU F， ZHANG J R， YANG H. Classification and recognition of diabetes mellitus based on deep learning [J]. Journal of Computer Applications， 2018， 38（S1）： 39-43.）

[2]?熊詠平，丁勝，鄧春華，等.基于深度學習的復雜氣象條件下海上船只檢測[J].計算機應用，2018，38（12）：3631-3637. （XIONG Y P， DING S， DENG C H， et al. Ship detection under complex sea and weather conditions based on deep learning [J]. Journal of Computer Applications， 2018， 38（12）： 3631-3637.）

[3]?孫勁光，孟凡宇.基于深度神經網絡的特征加權融合人臉識別方法[J].計算機應用，2016，36（2）：437-443. （SUN J G， MENG F Y. Face recognition based on deep neural network and weighted fusion of face features [J]. Journal of Computer Applications， 2016， 36（2）：437-443.）

[4]?KAZEMI V， SULLIVAN J. One millisecond face alignment with an ensemble of regression trees [C]// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2014： 1867-1874.

[5]?DASHORE G， Dr. RAJ V C. An efficient method for face recognition using Principal Component Analysis （PCA） [J]. International Journal of Advanced Technology and Engineering Research， 2012， 2（2）： 23-29.

[6]?CHAN L， SALLEH S， TING C. Face biometrics based on principal component analysis and linear discriminant analysis [J]. Journal of Computer Science， 2010， 6（7）： 693-699.

[7]?PENEV P S， ATICK J J. Local feature analysis： a general statistical theory for object representation [J]. Network Computation in Neural Systems， 1996， 7（3）： 477-500.

[8]?楊天明，陳志，岳文靜.基于視頻深度學習的時空雙流人物動作識別模型[J]. 計算機應用，2018，38（3）：895-899. （YANG T M， CHEN Z， YUE W J. Spatio-temporal two-stream human action recognition model based on video deep learning [J]. Journal of Computer Applications， 2018， 38（3）： 895-899.）

[9]?LECUN Y L， BOTTOU L， BENGIO Y，et al. Gradient-based learning applied to document recognition [J]. Proceedings of the IEEE， 1998， 86（11）： 2278-2324.

[10]?TAIGMAN Y， YANG M， RANZATO M， et al. DeepFace： closing the gap to human-level performance in face verification [C]// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2014： 1701-1708.

[11]?HUANG G B， RAMESH M， BERG T， et al. Labeled faces in the wild： a database for studying face recognition in unconstrained environments [EB/OL]. [2018-12-05]. http：//cs.umass.edu/～elm/papers/lfw.pdf.

[12]?HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition [C]// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2016： 770-778.

[13]?SIMONVAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition [J]. arXiv E-print， 2015： arXiv：1409.1556.?[EB/OL]. [2019-01-06]. https：//arxiv.org/pdf/1409.1556.pdf.

[14]?SZEGEDY C， LIU W， JIA Y， et al. Going deeper with convolutions [C]// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2015：1-9.

[15]?ZHANG K， ZHANG Z， LI Z， et al. Joint face detection and alignment using multitask cascaded convolutional networks [J]. IEEE Signal Processing Letters， 2016， 23（10）： 1499-1503.

[16]?LIU W， WEN Y， YU Z， et al. SphereFace： deep hypersphere embedding for face recognition [C]// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2017：6738-6746.

[17]?KEMELMACHER-SHLIZERMAN I， SEITZ S M， MILLER D，et al. The MegaFace benchmark： 1 million faces for recognition at scale [C]// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2016： 4873-4882.

[18]???WANG F， XIANG X， CHENG J， et al. NormFace： L2 hypersphere embedding for face verification [J]. arXiv E-print， 2017： arXiv：1704.06369.?[EB/OL]. [2018-11-20]. https：//arxiv.org/pdf/1704.06369.pdf.

[19]?WANG F， LIU W， LIU H， et al. Additive margin softmax for face verification [J]. arXiv E-print， 2018： arXiv：1801.05599.?[EB/OL]. [2019-01-08]. https：//arxiv.org/pdf/1801.05599.pdf.

[20]?DENG J， GUO J， XUE N， et al. ArcFace： additive angular margin loss for deep face recognition [J]. arXiv E-print， 2019： arXiv：1801.07698.?[EB/OL]. [2018-10-28]. https：//arxiv.org/pdf/1801.07698.pdf.

[21]?GRASSO I， RADOJKOVIC P， RAJOVIC N， et al. Energy efficient HPC on embedded SoCs： Optimization techniques for mali GPU [C]// Proceedings of the 2014 IEEE International Parallel and Distributed Processing Symposium. Washington， DC：IEEE Computer Society， 2014： 123-132.

[22]?HOWARD A G， ZHU M， CHEN B， et al. MobileNets： efficient convolutional neural networks for mobile vision applications [J]. arXiv E-print， 2017： arXiv：1704.04861.?[EB/OL]. [2019-01-15]. https：//arxiv.org/pdf/1704.04861.pdf.

[23]?ZHANG X， ZHOU X， LIN M， et al. ShuffleNet： an extremely efficient convolutional neural network for mobile devices [J]. arXiv E-print， 2017： arXiv：1707.01083v1.?[EB/OL]. [2018-11-15]. https：//arxiv.org/pdf/1707.01083v1.pdf.

[24]?? CHEN T， MOREAU T， JIANG Z， et al. TVM： an automated end-to-end optimizing compiler for deep learning [J]. arXiv E-print， 2018： arXiv：1802.04799.?[2019-01-20]. https：//arxiv.org/pdf/1802.04799.pdf.

[25]?CHEN S， LIU Y， GAO X， et al. MobileFaceNets： efficient CNNs for accurate real-time face verification on mobile devices [J]. arXiv E-print， 2018： arXiv：1804.07573.?[EB/OL]. [2019-01-09]. https：//arxiv.org/ftp/arxiv/papers/1804/1804.07573.pdf.

[26]?CHOLLET F. Xception： deep learning with depthwise separable convolutions [J]. arXiv E-print， 2016： arXiv：1610.02357v2.?[EB/OL]. [2018-12-29]. https：//arxiv.org/pdf/1610.02357v2.pdf.

[27]?SANDLER M， HOWARD A， ZHU M， et al. MobileNetV2： inverted residuals and linear bottlenecks [J]. arXiv E-print， 2019： arXiv：1801.04381.?[EB/OL]. [2019-01-20]. https：//arxiv.org/pdf/1801.04381.pdf.

[28]?GUO Y， ZHANG L， HU Y， et al. MS-Celeb-1M： a dataset and benchmark for large-scale face recognition [J]. arXiv E-print， 2016： arXiv：1607.08221.?[EB/OL]. [2019-01-20]. https：//arxiv.org/pdf/1607.08221.pdf.

[29]?SENGUPTA S， CHEN J， CASTILLO C， et al. Frontal to profile face verification in the wild [C]// Proceedings of the 2016 IEEE Winter Conference on Applications of Computer Vision. Washington， DC： IEEE Computer Society， 2016： 1-9.

[30]??MOSCHOGLOU S， PAPAIOANNOU A， SAGONAS C， et al. ?AgeDB： the first manually collected， in-the-wild age database [C]// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Washington， DC： IEEE Computer Society， 2017： 1997-2005.