面向穿戴式摄像机端侧人脸识别的研究

与身份识别相关的人脸识别技术被广泛用于情报收集、执法、监控和消费类应用。近年来，该技术已被移植到智能手机和穿戴式摄像机（BWC）中。穿戴式摄像机中的人脸识别用于监控、态势感知以及保护警员安全。目前关于使用穿戴式摄像机进行人脸识别的学术研究寥寥无几。最近的一项研究构建了使用穿戴式摄像机采集的 BWCFace 人脸图像数据集，并评估了 ResNet-50 模型用于人脸辨识。然而，鉴于资源受限的穿戴式摄像机中实时推理的需求以及涉及人脸图像的隐私问题，需要端侧人脸识别。为此，本研究使用穿戴式摄像机评估了轻量级 MobileNet-V2、EfficientNet-B0、LightCNN-9 和 LightCNN-29 模型用于人脸辨识。实验在公开可用的 BWCface 数据集上进行。实时推理在三种移动设备上评估。并与重量级 VGG-16 和 ResNet-50 模型以及六种手工特征进行了对比分析，以评估性能与模型大小之间的权衡。实验结果表明，轻量级 LightCNN-29 与性能最佳的 ResNet-50 相比，最高 rank-1 精度差异为 \textbf{1.85\%}，模型参数量减少了 \textbf{23.49M}。大多数深度模型在 rank-5 和 rank-10 下取得了相似性能。LightCNN 在移动设备上的推理时间比其他模型快 2.1 倍。在 rank-1 下，LightCNN-29 与局部相位量化（LPQ）描述子之间观察到的最小性能差异为 \textbf{14\%}。在大多数实验设置中，与多数模型相比，轻量级 LightCNN 模型在精度与模型大小之间提供了最佳权衡。