王晶晶 劉蓉 侯雨靜

摘要：該文主要介紹在當(dāng)人臉檢測與識別技術(shù)運(yùn)用到日常生活中，可能需要面對的各種問題。比如：霧霾天氣、角度偏移等。通過對比Seetaface方法和YouTu方法在這兩種情況下對人臉的檢測，以及對比YouTu方法和Facenet方法在人臉識別過程中的應(yīng)用，詳細(xì)介紹人臉檢測與識別在日常生活中的實(shí)際應(yīng)用。

關(guān)鍵詞：霧霾天氣；角度偏移；Seetaface方法；YouTu方法；Facenet方法

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2018）16-0177-02

在日常生活中，由于惡劣天氣、偏移角度、面部表情、面部遮擋等外在條件的影響，人臉識別的應(yīng)用總會遇到各種問題，例如：含有霧霾的天氣，人臉與攝像頭存在較大角度的偏差等。人臉檢測與識別技術(shù)的發(fā)展，就是要在現(xiàn)有正臉檢測與識別的技術(shù)上，盡可能地解決將在實(shí)際應(yīng)用中出現(xiàn)的問題。

1 含有霧霾情況下的人臉檢測與識別

在最近的幾年中，霧霾這個(gè)詞匯越來越多地出現(xiàn)在了我們的生活中，不僅對我的身體健康造成了影響，對于人臉識別技術(shù)來說，也是一個(gè)不小的挑戰(zhàn)，霧霾會影響攝像頭在拍攝人臉的過程中取得的畫質(zhì)，直接關(guān)系到對人臉的采樣與識別，本文提出的幾種人臉識別算法均對霧化圖像提出了一定的改進(jìn)。

1.1Seetaface方法

Seetaface方法[1-3]在處理霧霾情況下的人臉檢測與五官定位結(jié)果準(zhǔn)確率如圖1所示?？梢钥闯?，隨著霧霾的程度不斷加深，Seetaface方法的人臉檢測率不斷降低。

1.2YouTu方法

YouTu方法[4-5]在處理霧霾情況下的人臉檢測與五官定位結(jié)果準(zhǔn)確率如圖2所示。可以看出，YouTu算法對霧霾的處理情況不是很好，即使在輕度霧霾的情況下，都無法檢測與定位人臉。

1.3霧霾條件下人臉檢測結(jié)果對比

本節(jié)主要對比了Seetaface方法、YouTu方法在霧霾情況下對人臉的識別與提取情況。經(jīng)過對比可以明顯地看出，Seetaface方法霧霾條件下人臉識別與處理的情況良好，而YouTu方法則稍有欠缺。

2 含有角度偏移較大情況下的人臉檢測與識別

2.1 Seetaface方法

Seetaface方法在處理角度偏移情況下的人臉檢測與五官定位結(jié)果準(zhǔn)確率如圖3所示，可以看出，隨著偏移角度的逐漸加大，檢測準(zhǔn)確率逐漸降低。

2.2 YouTu方法

YouTu方法在處理角度偏移情況下的人臉檢測與五官定位結(jié)果準(zhǔn)確率如圖4所示，可以看出，Youtu方法在在處理含有一定偏移角度的人臉識別問題上完成的十分出色。

2.3 面部角度偏移的人臉檢測結(jié)果對比

本節(jié)通過對比Seetaface方法和YouTu方法對發(fā)生一定角度偏移情況下的人臉檢測與識別處理結(jié)果進(jìn)行對比，可以明顯看出，Seetaface方法在發(fā)生稍有偏移時(shí)可以完成人臉分割與檢測；在發(fā)生嚴(yán)重偏移時(shí)，無法進(jìn)行人臉的分割及檢測。而YouTu方法則不然，其無論在人臉發(fā)生稍有偏移和偏移略大時(shí)對人臉的分割及五官的檢測完成的均十分出色。

3 人臉相似度對比

3.1YouTu方法

YouTu方法在處理人臉識別驗(yàn)證的問題上的結(jié)果如圖5所示。YouTu方法在面對人臉識別問題上是用分值來表現(xiàn)兩張圖像的相似度的，滿分為100分，分值越高，相似度越高。可以看出，分值的表現(xiàn)力基本足夠，YouTu方法對人臉識別與對比的結(jié)果還是比較準(zhǔn)確的。

3.2 Facenet方法

Facenet方法[6-7]在處理人臉識別對比問題上與YouTu方法不同，上文已經(jīng)介紹過，他是用最大近鄰法進(jìn)行人臉識別驗(yàn)證的。故其對相似人臉的描述方法是用距離表示的，距離越近表示相似度越強(qiáng)。如圖6所示。

3.3人臉相似度對比結(jié)果

對于人臉識別與驗(yàn)證這一部分而言，屬于整套人臉識別技術(shù)的核心所在。在以上兩種方法的對比中，F(xiàn)acenet方法和YouTu方法雖然使用的方法不同，表示方式不一樣，但是對人臉識別與驗(yàn)證的結(jié)果完成的較為出色。

4 本文小結(jié)

本章針對霧霾天氣、人臉角度偏移等問題對人臉檢測與特征點(diǎn)定位產(chǎn)生的影響進(jìn)行闡述，對比綜合了Seetaface方法和YouTu方法對這些問題的處理情況。同時(shí)介紹了YouTu方法和Facenet方法在人臉識別情況。

通過比對三種算法分別在霧霾天氣、人臉角度偏移情況下的人臉檢測與五官定位情況的準(zhǔn)確率結(jié)果顯示，Seetaface方法在霧霾天氣和下效果較為理想；而人臉角度偏移處理效果較好的則是YouTu方法。同時(shí)，在人臉識別與驗(yàn)證方面，本章通過對比Facenet方法和YouTu方法對人臉識別驗(yàn)證的處理結(jié)果，可以看出這兩種方法對人臉識別驗(yàn)證完成的均十分出色。

參考文獻(xiàn)：

[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.