特殊条件下的人脸检测与识别

王晶晶 刘蓉 侯雨静

摘要：该文主要介绍在当人脸检测与识别技术运用到日常生活中，可能需要面对的各种问题。比如：雾霾天气、角度偏移等。通过对比Seetaface方法和YouTu方法在这两种情况下对人脸的检测，以及对比YouTu方法和Facenet方法在人脸识别过程中的应用，详细介绍人脸检测与识别在日常生活中的实际应用。

关键词：雾霾天气；角度偏移；Seetaface方法；YouTu方法；Facenet方法

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）16-0177-02

在日常生活中，由于恶劣天气、偏移角度、面部表情、面部遮挡等外在条件的影响，人脸识别的应用总会遇到各种问题，例如：含有雾霾的天气，人脸与摄像头存在较大角度的偏差等。人脸检测与识别技术的发展，就是要在现有正脸检测与识别的技术上，尽可能地解决将在实际应用中出现的问题。

1 含有雾霾情况下的人脸检测与识别

在最近的几年中，雾霾这个词汇越来越多地出现在了我们的生活中，不仅对我的身体健康造成了影响，对于人脸识别技术来说，也是一个不小的挑战，雾霾会影响摄像头在拍摄人脸的过程中取得的画质，直接关系到对人脸的采样与识别，本文提出的几种人脸识别算法均对雾化图像提出了一定的改进。

1.1Seetaface方法

Seetaface方法[1-3]在处理雾霾情况下的人脸检测与五官定位结果准确率如图1所示。可以看出，随着雾霾的程度不断加深，Seetaface方法的人脸检测率不断降低。

1.2YouTu方法

YouTu方法[4-5]在处理雾霾情况下的人脸检测与五官定位结果准确率如图2所示。可以看出，YouTu算法对雾霾的处理情况不是很好，即使在轻度雾霾的情况下，都无法检测与定位人脸。

1.3雾霾条件下人脸检测结果对比

本节主要对比了Seetaface方法、YouTu方法在雾霾情况下对人脸的识别与提取情况。经过对比可以明显地看出，Seetaface方法雾霾条件下人脸识别与处理的情况良好，而YouTu方法则稍有欠缺。

2 含有角度偏移较大情况下的人脸检测与识别

2.1 Seetaface方法

Seetaface方法在处理角度偏移情况下的人脸检测与五官定位结果准确率如图3所示，可以看出，随着偏移角度的逐渐加大，检测准确率逐渐降低。

2.2 YouTu方法

YouTu方法在处理角度偏移情况下的人脸检测与五官定位结果准确率如图4所示，可以看出，Youtu方法在在处理含有一定偏移角度的人脸识别问题上完成的十分出色。

2.3 面部角度偏移的人脸检测结果对比

本节通过对比Seetaface方法和YouTu方法对发生一定角度偏移情况下的人脸检测与识别处理结果进行对比，可以明显看出，Seetaface方法在发生稍有偏移時可以完成人脸分割与检测；在发生严重偏移时，无法进行人脸的分割及检测。而YouTu方法则不然，其无论在人脸发生稍有偏移和偏移略大时对人脸的分割及五官的检测完成的均十分出色。

3 人脸相似度对比

3.1YouTu方法

YouTu方法在处理人脸识别验证的问题上的结果如图5所示。YouTu方法在面对人脸识别问题上是用分值来表现两张图像的相似度的，满分为100分，分值越高，相似度越高。可以看出，分值的表现力基本足够，YouTu方法对人脸识别与对比的结果还是比较准确的。

3.2 Facenet方法

Facenet方法[6-7]在处理人脸识别对比问题上与YouTu方法不同，上文已经介绍过，他是用最大近邻法进行人脸识别验证的。故其对相似人脸的描述方法是用距离表示的，距离越近表示相似度越强。如图6所示。

3.3人脸相似度对比结果

对于人脸识别与验证这一部分而言，属于整套人脸识别技术的核心所在。在以上两种方法的对比中，Facenet方法和YouTu方法虽然使用的方法不同，表示方式不一样，但是对人脸识别与验证的结果完成的较为出色。

4 本文小结

本章针对雾霾天气、人脸角度偏移等问题对人脸检测与特征点定位产生的影响进行阐述，对比综合了Seetaface方法和YouTu方法对这些问题的处理情况。同时介绍了YouTu方法和Facenet方法在人脸识别情况。

通过比对三种算法分别在雾霾天气、人脸角度偏移情况下的人脸检测与五官定位情况的准确率结果显示，Seetaface方法在雾霾天气和下效果较为理想；而人脸角度偏移处理效果较好的则是YouTu方法。同时，在人脸识别与验证方面，本章通过对比Facenet方法和YouTu方法对人脸识别验证的处理结果，可以看出这两种方法对人脸识别验证完成的均十分出色。

参考文献：

[1] Jie Zhang， Shiguang Shan， Meina Kan， Xilin Chen. Coarse-to-Fine Auto-Encoder Networks （CFAN） for Real-Time Face Alignment[J]. ECCV 2014.

[2] Xin Liu， Meina Kan， Wanglong Wu， Shiguang Shan， Xilin Chen. VIPLFaceNet： An Open Source Deep Face Recognition SDK[J]. Frontier of Computer Science.

[3] Shengye Yan， Shiguang Shan， Xilin Chen， Wen Gao. Locally Assembled Binary （LAB） Feature for Fast and Accurate Face Detection[J]. IEEE Computer Society International Conference on Computer Vision and Pattern Recognition， CVPR2008， Anchorage， Alaska， U.S.A， Jun. 2008.

[4] A.J. Grove， D. Schuurmans. Boosting in the Limit： Maximizing the Margin of Learned Ensembles[J]. Proceeding of the Fifteenth National Conference on Artificial Intelligence， 1998.

[5] L.G. Valiant. A Theory of the Learnable[J]. Communication of the ACM， 27（11）：1134-1142， November 1984.

[6] K.Q. Weinberger， J. Blitzer， and L. K. Saul. Distance metriclearning for large margin nearest neighbor classification[J].MIT Press，2006.

[7] Y. Bengio， J. Louradour， R. Collobert， and J. Weston. Curriculum learning[J]. New York， NY， USA，2009. 2.