人脸检测与识别基于视觉注意机制的指导模式在无限制态势

抽象

遮挡常导致漏检，影响人脸检测和识别的性能。为了减少因脸部遮挡的识别精度和提高人脸检测的准确度，视觉注意机制的指导模型在本文中，它使用视觉注意机制，引导模式突出遮挡面部的可见区域建议;面部检测问题通过改进的分析网络简化成高层语义特征检测问题，并且脸部的位置和规模是由激活地图预测，以避免额外的参数设置。大量的仿真实验结果表明，该方法在人脸数据库中遮挡人脸检测与识别的准确率上优于其他比较算法。此外，我们提出的方法实现了检测精度和速度，可在安全监控领域中使用之间取得更好的平衡。

1.简介

还有人脸检测与识别技术的一些具有挑战性的问题主要是由于非刚性的特点和复杂背景的影响[1- - - - - -3.]。传统的人脸检测算法大多使用半监督学习方法。因为传统的方法需要用于不同的任务，诸如灰度特征，轮廓特征设计不同的人工特征和HOG特征，这些特征很容易被拍摄角度的影响，和泛化能力较差。与此同时，该对象遮挡也将导致漏检，从而降低了检测器的准确性。因此，具有十分重要的现实意义，研究了人脸检测和识别任务[遮挡问题4]。

基于机器学习的人脸检测和识别模型是计算机视觉领域的一个热门研究方向[5]。通过直接从检测区域提取特征，利用机器学习算法进行分类识别，可以在一定程度上提高模型分类的准确率，但特征的表征能力直接影响系统的识别准确率[6]。与浅的学习模式，如提高，决策树，神经网络的检测和识别算法相比，深度学习为代表的卷积神经网络工具，通过操作，如本地的感受野的深层非线性网络结构和权衡共享。分层策略可以了解数据集的最重要的特征表示[7]。目前，主流深基于学习的面部检测器通常采用两级网络结构，它分为面部检测和面部识别。

大部分卷积神经网络使用分类损失函数来测量预测值与实际值的差值，然后通过训练过程来完成对图像的分类，扩大不同类型图像之间的距离。Wang等[8]使用3维脸信息作为其中算法的鲁棒性和精度是通过大量的数据训练的改进的一个特征。Corrow等。[9]利用DeepID进行人脸识别，将人脸的不同部分进行分割，分别提取特征，然后利用贝叶斯算法对特征进行复杂操作，最终获得人脸特征信息，有效提高了识别的准确性。然而，上述算法都不能解决非极限条件下的识别问题。因此，在识别过程中如何在减小类内距离的同时增加类间距离是人脸识别任务的重要课题。Abbad等[10]通过添加损失验证方法来实现在训练过程中损失函数的反馈和所使用的阳性样品，以减少类之间的距离，但这种方法是更依赖于样品。Madhavan先生和Kumar [11提出了一种三元损失算法相结合训练数据进入三重元素;每个三元组包含正值，负值，样品锚点，这可以有效地减少内距离。

虽然上述方法可以解决一些非极限问题，但收敛速度较差，特别是当网络层数过大时，会出现消失梯度现象。为了解决这类问题，Su等人[12]提出了人脸识别的基于结构的多以来卷积神经网络算法。通过将传统的使用SoftMax损耗的方法和组合使用SoftMax和TripletLoss，较大的间距离和组内能够获得的距离较小。实验结果证明，该算法增加了网络的深度和宽度，并且可以在训练过程期间能够有效地降低组内的间距。基于以上的描述中，可以看出的是，卷积神经网络处理不同的数据和应用场景时面临着不同的问题。有些场景更注重运算速度，有的更注重检测精度。更多的学者致力于寻找在各个方面的高性能通用模型。这也是这项研究的最终目标。

针对闭锁影响的人脸检测与识别的准确度问题，本文提出了一种具有多层次特征融合了深刻的网络。该网络采用了视觉注意机制，引导模式要突出遮挡面部的可见区域;检测识别问题可以被简化为一个高层次的语义特征检测问题，并且脸部的位置和规模是由激活图的手段预测的，避免了额外的参数设置。大量模拟实验结果表明，所提出的方法比对公共数据集的遮挡面的检测和识别的现有主流方法更好，已经实现了更快的检测速度，这可以在安全领域中使用监视。

本研究的创新点总结如下:(1)针对人脸检测中遮挡导致的检测遗漏问题，提出了一种解决方案，即视觉注意机制引导模型，利用视觉注意机制引导模型突出被遮挡人脸的可见区域，从而提高人脸检测与识别的精度。(2)新的模型参数已经被简化。通过改进的分析网络中，面部检测问题简化为高级语义特征检测问题，并且脸部的位置和规模是由激活地图预测，以避免额外的参数设置。

2.人脸检测网络

YOLO- v3网络是在物体识别领域较好的深度学习模型，它是由YOLO和YOLO- v2网络演化而来的[13]。基于区域的建议深学习网络相比，YOLO网络改造的检测问题转化为一个回归问题。网络并不需要采用详尽的候选区域，但通过回归直接生成目标的信心和边界框坐标。与快RCNN网络相比，检测速度大大提高[14]。

该YOLO检测模型显示在图1。将网络划分每个图像中的训练集成年代 × 年代(年代= 13)网格。如果真实对象的中心落在网格中，网格负责检测对象的类别。在每个网格中预测多个边界框，对每个预测的边界框进行打分，以证明该边界框完全包含了对象的置信度，定义如下: 在哪里指示包含在边界框的对象的概率。如果在边框的对象，我们有 ;除此以外 ; 表示预测结果与基准帧的并集相交(IoU)。置信度反映了网格是否包含对象和预测边界盒的精度。当多个边界盒检测到同一个对象时，YOLO使用非最大抑制方法选择最佳边界盒。

虽然YOLO已获得更快的检测速度快，其检测精度不如更快R-CNN。为了解决这个问题，YOLO-V2介绍了更快的R-CNN网络中的锚定机制的想法，并使用k均值聚类方法或模糊C均值方法[15]来生成一个合适的前边界框。因此，减少了YOLO-V2算法实现相同IoU所需的锚盒数量。YOLO- v2改进了网络结构，将YOLO输出层中的全连接层替换为卷积层[16]。此外，YOLO-V2还引入批标准化，维聚类，细粒度的特征，多尺度培训等战略;与YOLO相比，YOLO-V2极大地提高了检测精度。YOLO-V3是基于YOLO-V2的改进的模型。通过使用多尺度预测来检测最终的对象，其网络结构被多于YOLO-V2复杂。YOLO-V3可以预测不同的尺度，它可以比YOLO-V2更有效地检测小的物体的边界框，但仍然缺少用于部分地遮挡的脸部对象检测[17]。

3.遮挡的人脸检测和识别算法结合视觉注意机制

数字2在本文中，它由两个部分组成我们提出的人脸检测和识别模型特征提取网络和脸部分析网络。输入图像是由所述特征提取网络提取提取高层语义特征，并且该特征引导的注意力模块用于特征融合;面部分析网络预测面部位置，高度，和所得到的高级别语义特征的基础上偏移热图，并且获得面部边界框。

3.1。特征提取的网络

特征提取网络的设计特征金字塔网络（FPN）的基础上[18- - - - - -21]，包括基本的网络和视觉注意网络。ResNet50具有在视觉任务，如图像分类优异的性能，所以它被用作基本的网络。ResNet50可以分为5级，并且每个相对于输入图像的水平下采样速率是 ;{1，2，3，4，5}表示电平的数目。为了充分利用浅层特征图的位置信息和深特征的语义信息时，浅层和深层特征图用于指导注意网络特征融合。The process can be described as follows: firstly, the number of C3 and C4 feature channels can be reduced to 256 by the convolutional layer with the size of the 1 × 1 convolution kernel, which can reduce the amount of calculation; then, the backbone network feature maps (namely, P3 and P4) after bilinear interpolation and upsampling 2 times are, respectively, input into the guided attention module to feature fusion [22- - - - - -24]。

3.2。视觉注意网络

卷积网络的不同特征的通道将不得不面对，这是说，对象的遮挡形式可以通过不同的信道特征来描述的特定区域不同的响应，和闭塞形式定义为: 在哪里面对对象表示不同的领域， 用于指示是否该部分区域脸是可见的。

传统CNN频道的权重通常是固定的和相同的，这限制了网络的表达不同形式的闭塞[能力19,21,23- - - - - -26]。帕蒂尔等。[27]重新校准每个信道的权重，使得表达所述遮挡对象的可见区域中的特征通道具有到最终卷积功能，它可以突出显示背景遮挡物体更大的贡献。信道加权处理可以被表示为下面的等式： 在哪里是信道特征和对应到闭塞形成沟道加权矢量 。视觉注意模块是获得关注矢量通过学习，最终实现了对特征通道的权重调整从而使网络能够自适应地表达不同的遮挡形式。但是现有的模型只考虑了通道之间的关系，忽略了空间信息对于feature map的重要性。由于feature map的空间信息有助于网络定位感兴趣区域，文献中在feature description task中使用了feature channel attention机制和spatial attention机制[28]。同样，文献中也将空间注意机制应用于目标检测任务[29]，从而引导网络以突出当前任务的有用的功能。在上面的描述和分析的基础上，特征空间信息在面部检测和识别任务用于突出脸部对象区域的闭塞，并且空间注意模块被构造以实现面部检测和识别的任务。空间注意力模块获取从统计特征图，其用于重新激活所述输入特征的空间信息的空间注意图，以便将网络引导到焦点上闭塞面和抑制背景干扰。

如图所示3.中，视觉注意网络由两个子模块的：信道和空间的关注。视觉注意网络的输入是分别从浅卷积层和深卷积层，两个特征映射（如C4和P4）。首先，输入特征串联连接在通道尺寸来获得 ,然后被输入到信道注意模块。一系列的操作后，空间注意模块是实现特征融合的融合。因此，通过使用注意模块功能通道和功能地图的空间信息之间的关联性模型，网络不仅可以提高相关地区的功能表现也获得感兴趣的区域的位置信息[29]。在充分利用有用的特征来处理人脸遮挡问题的同时，也抑制了无用的杂波信息，有利于提高人脸的识别精度和识别检测。

数字4在本文所提出的功能频道关注模块。对于输入特征图 ,每个特征信道的全局信息由全球平均池和最大池操作获得以形成信道描述符和 ,然后将信道特征向量的关注 通过两个完全连接层FC1和FC2获得。最后，深学习方法使得网络自动表征不同样品的闭塞形式。具体的步骤示于方程（3.)。 在哪里和分别是S形函数和RELU功能。 和 代表两个完全连接层参数，其中是下采样降维的比率。 被用于加权输入特征F通过信道信道以获得 。这个过程可以写为下面的公式： 在哪里 逐个渠道表示点产品渠道。

由于用于部分闭塞的脸部对象的有用的信息通常由背景模糊，网络还需要确定的有用信息的空间位置，而通过通道注意模块增强了阻塞对象的特征的表达。不同于信道注意机制，空间注意机制主要是用来突出显示该相关的当前的任务，这是在网络引导到焦点上的遮挡对象的可见区域中的特性图中的区域[30.]。

在空间注意模块，最大池操作首先被输入的特征地图上执行在通道维度上获取特征图 ,这是用来计数特征地图的空间信息;then, the feature map is input into a 3 × 3 convolution layer并由sigmoid函数输出，得到空间注意图 : 在哪里是双曲线函数。最后，空间注意地图用于激活输入得到最终的feature map : 在哪里 表示特征图之间的点积。

人脸检测与识别的任务被视为高层语义特征检测问题。有关获取的语义特征的基础上，通过面部分析网络获得的最终预测边界框。在本文中，位置，高度和位置的面部的偏移首先预测，并且通过简单的几何变换获得的边界框的大小，然后，简单的识别网络可以得到高精度的识别效果[31]。具体来说，是在预测的高度之后h的是获得的面部，其宽度 边界框的可通过边界框的长度与宽度的比例来计算。如果特征提取网络的输出特征图是 ,三个热映射由三个平行的1×1的卷积层和对应于中心位置预测 ,高度 和位置偏移 ,分别。是相对于所述输入图像，输出激活图的采样率。通过预测热图，由传统的方法所采用的前一帧的限制被避免，并且更灵活的面部检测和识别同一网络中的实现。

3.2.1。位置预测

面位置预测通过位置热图实现 。在本文中，位置预测问题简化为二元分类问题。

物体中心的特征地图上的位置是 。选取目标中心像素为正样本，其他位置为负样本。利用交叉熵损失函数对训练位置预测分支进行优化。培训的真正价值由二维高斯函数生成，通过计算式(8): 在哪里 是所述物体的中心位置，并和分别方差对象的宽度和高度的，。为了缓解阳性和阴性样品的在训练过程中的不平衡，局灶性损失被定义为中心位置的预测损失函数： 在哪里 指示在对象中心的预测得分 在预测热图，是在图像中物体的数量，并且和是平衡的因素，通常设定为2和4。

3.2.2。身高预测

由于面部的位置在高度热图，其是 ,其对应的真值是 ,在哪里表示对象的高度 。在本文中，真值在半径范围内的 设定为 ,和半径根据物体的宽度，其通常设定为设定 。本文提出的模型采用L1损失函数进行训练。损失函数表示为: 在哪里物体的预测高度是多少在热图和N是在图像中的对象的数量。

3.2.3。偏差预测

由于卷积网络通常是一个向下采样的过程，因此定位 输入图像被映射到热图，其位置可被表示为 ,在哪里是网络的下采样速率。当激活地图上的位置被重新映射回输入图像时，会产生错误，尤其是影响弱小脸的检测和识别结果。的中心位置，以减轻这一问题，物体的位置预测通过预测偏差校正/偏移32]，以及对应的真值可以改写为以下等式：

最后，多任务损失函数加权优化可以通过训练我们提出的网络，其中如下加权损失函数可表示： 在哪里 , ,和是加权因子，其分别被设置为0.01，1，和0.12。

4.实验结果与分析

4.1。实验数据集和参数设置

为了评价根据视觉注意引导机构的面部检测和识别算法的性能在本文中，LFW（在野外数据库标记面），CMUFD数据库（CMU面部检测数据库）提出23]，和UCFI数据库（UCD彩色面部图像）25]被用作面部检测和识别的数据集。It consists of 500 images with a resolution of 2048 × 1024. Since CMUFD contains a large number of partial occlusion face images, it is selected as the verification and comparison test of the proposed method; UCFI contains about 350,000 face samples, where the standard testing set consists of 4,024 images with a resolution of 640 × 680 in a simple scenario. In order to verify the generalization of our proposed method, some testing experiments are performed on the UCFI data set. Face objects of all training data have been accurately marked. Except for the object area, the rest is marked as background, which means that the labeled data set can be used for training and testing of face detection and recognition models.

本文提出的网络选择预训练的ResNet50作为骨干网络。其参数设置如下:depth = 40, growth_rate = 12，瓶颈= True, reduction = 0.5, minibatch设置为16;学习率设置为0.001,dropout参数设置为0.8，最大迭代次数设置为10000次;为了提高优化效率，本文采用了Adam优化算法。Adam优化算法是对随机梯度下降算法的扩展，该算法可以根据训练数据迭代更新神经网络的权值;学习率初始化设置为0.25;当训练到第30个epoch时，学习率变为0.025。采用非最大抑制算法滤除冗余的人脸结果。将相交于并集(IoU)的阈值设为0.5，只保留对象置信度得分大于0.1的人脸结果[33]。

我们提出的网络模块是基于PyTorch深度学习框架。实验环境为:Xeon E7-8890 v2 @ 2.80 GHz (X4)， 128 GB (DDR3 1600 MHz)， Nvidia GeForce GTX 1080 Ti, Ubuntu 6.04, 64位操作系统。

4.2。评价指标

目前，视频监控智能分析系统已经能够用不同的尺度来检测和识别脸部。然而，现有的算法有大量的误检测为部分闭塞下的脸部对象的主要是由于脸部对象的不完全闭塞和面部和背景灰度的相似性。因此，标准的评价指标被选择作为性能评价，这是每幅图像的每幅图像（FPPI）假阳性，着眼于假阳性的发生的频率，如表1。

在检测阶段中，评价标准的检出率（DR）和误检率（每幅图像的假阳性，FPPI）： 在哪里TP表示正确检测到的正样本个数， 表示包括在图像阳性的样本的数目，并且表示假阳性样本数。此外，我们还使用对数平均缺失率(MR)来表征人脸检测器的性能。本文主要研究人脸检测与识别中的遮挡情况。因此，我们通过定义可见范围来表征人脸的遮挡情况。已知物体可见面积占总面积的比例为 ,如果 ,这意味着该对象处于正常状态，并表示为N;如果 ,这意味着该对象处于严重阻塞状态，并表示为H。为了便于分析，我们还将数据集划分为四类子集，分别记录为混合人脸数据集(mixed)、裸遮挡人脸数据集(bare occlusion face data set)、部分遮挡数据集(partial)和严重遮挡数据集(heavy) [34]。

4.3。性能分析的人脸检测

为了验证该特征引导的关注网络的有效性，与关注网络中移除所述检测器被用作试验的基线（基线），以及人脸++中提出[17]作为比较方法。基线采用与FPN一致建立模型，其中CA是指信道注意模块和SA指空间注意模块，和检测器的添加每个模块后的性能的特征融合方法在实验中进行比较，和测试结果示于表2。

与基线模型相比，人脸检测器的错过了遮挡图像的检测（MR）有加入关注模块，这表明我们建议关注机制能有效地引导探测器焦点遮挡物体上后，显著下降。以脸部相比++，所提出的方法具有在MR在所有评价标准显著减少，特别是在严重遮挡的评价标准，和它的漏检（MR）下降了18.2％，这表明该方法具有用于面部检测的良好效果在复杂的场景。

为了更直观地了解在人脸检测，图的性能注意模块5给出可视化的人脸预测结果。数字图5（a）为人脸图像，分别输入Baseline, Baseline + CA, Baseline + CA + SA，得到位置预测。通过观察可以发现，图中的特征响应图5（d）更接近脸部可视面积，同时还有图背景干扰图5（b）和图5（c），但数字的干扰图5（c）明显低于这个数字图5（b）。这也证明了注意模块可以引导网络高亮遮挡面部的可见部分，同时也降低了背景噪音对检测性能的影响。

4.4。人脸识别的性能分析

基于深度学习的识别算法在自然图像领域取得了很大的成绩，我们将使用一些经典的深度学习算法与我们提出的算法进行比较。为了定性和定量地分析本文提出的遮挡人脸检测算法的准确性，本文选择比较算法为face ild [35]，更快-FCC [36]，KSDD [37],DNET [14]，RESNET [7]，及回旋网[38为了进一步验证了该方法的性能。

从表中实验结果3.，可以看出，本文提出的人脸检测结果比DNET好主要是由于关注知觉融合模块的人脸检测精度的提高和集中层，以捕捉高层次语义使用多尺度金字塔特征。互补功能可有效保护脸部的清晰边界，而多个侧输出和金字塔池层输出的组合，可以提取丰富的全球环境信息和适应人脸识别的两种分类问题。重数据集包含在整个测试数据的最复杂的人脸图像。面对严重堵塞，特别是图像的对比度较小，并且脸部是模糊的，这直接影响到网络的检测和识别的效果。从表的精度比较结果3.，可以看出，对于重数据的检测率是最低的，主要是因为遮挡大大降低了深度网络的感知能力。然而，本文提出的基于视觉注意力引导机制的人脸检测也优于其他深度网络。可以看出，我们提出的算法在重评价标准下的检测准确率达到了59.78%，优于比较方法。在检测效率方面，对于分辨率为1024×2048的输入图像，检测识别速度为0.22 s，实现了速度和准确率的良好平衡。如果检测到分辨率较小的输入图像，则该方法的检测速度将进一步提高。

在所选择的检测图像中，脸部的形状和规模有很大的不同，尤其是脸部的灰度级和相邻的背景是类似的。根据该响应地图的最大分析，这些外观上的变化无法得到准确的边界，从而导致ConvNet，KSDD和FACEILD不能得到准确的脸。然而，可以证明，面部严重闭塞如变形和低对比度可以精确地检测和识别。KSDD是基于VGG网络上的轻量级网络结构。虽然它能平衡鲁棒性和速度之间的矛盾，它仍然容易被遮挡受到干扰，从而导致在检测中心的偏差。从检测结果可以看出，ConvNet检测和识别已经从脸部中心偏离。我们提出了本文模型使用注意引导机制，突出遮挡面部的可视面积，使我们的算法在本文中可以更好地适应人脸检测遮挡干扰的影响。

4.5。概括分析

为了验证该方法的推广性能，所提出的方法进行训练的LFW训练集，跨数据集实验在CMUFD数据库上执行。重的子集由具有高度大于50个像素，[0.20，0.65]的可见光范围内的脸部对象的。如图所示6，FPPI表示人脸检测和识别算法在不同的检出率的统计结果。In order to facilitate comparison in different deep networks, the experiment mainly discusses the detection results of each algorithm when FPPI = 1 for analysis. The recognition rate of the ResNet algorithm is 91.88%, the recognition rate of the KSSD algorithm is 51.91%, and the detection rate of DenseNet algorithm is only 58.69%. The reason is that most deep detection methods only use the side-output feature and ignore the importance of global structural features. Our proposed paper uses a visual attention mechanism to guide the model to highlight the occlusion object visible area and simplify the face detection and recognition problem to a high-level semantic feature detection problem through an improved analytical network and uses the activation map to predict the location and scale of the face, which can avoid additional parameter settings and further reduce the false detection rate of each image. It can be clearly observed from Figure6该算法的性能显然是另一种算法。

5.结论

遮挡常导致漏检，影响人脸检测和识别的性能。为了提高人脸检测和识别的精度，本文提出了一种视觉注意机制引导模型，利用视觉注意机制引导模型突出遮挡人脸的可见区域。通过改进的分析网络，将人脸检测问题简化为高级语义特征检测问题，利用激活映射预测人脸的位置和比例，避免了附加的参数设置。大量的仿真实验结果表明，该方法在人脸数据库中遮挡人脸检测与识别的准确率上优于其他比较算法。此外，我们提出的方法在准确率和速度之间达到了更好的平衡，可以应用于安全监控领域。但该算法对参数敏感，泛化程度不高。如何改进这个问题将更有利于将该模型应用到其他场景或数据中。

数据可用性

所有用于支持该研究结果的数据是在这篇文章里。

利益冲突

作者声明不存在利益冲突。

致谢

本工作得到广东省教育局重点项目《北斗+智能物流创新人才培养与实践探索(2018CSLKT3-107)与北斗+区块链在道路运输中的应用(2018GkQNCX072)》的资助。

参考

1. A. J. Colmenarez和T·S·黄，“人脸检测与识别，”北约ASI系列F计算机和系统科学第11卷，no。第208-218页，1998年。视图:谷歌学术
2. T.近藤和H.严，“下的非均匀照明的自动人脸检测和识别，”模式识别第32卷，no。1999年，第1707-1718页。视图:出版商网站|谷歌学术
3. L. H.酸值，S.兰甘特，和Y V.卡塔斯，“一个集成的自动人脸检测和识别系统，”模式识别杂志模式识别学会第35卷，no。2002年，第1259-1273页。视图:谷歌学术
4. S.乔德里和R.钱德拉，“人脸检测和识别在移动视觉辅助系统中的不受约束的环境中，”应用软计算卷。53，第168-180，2017。视图:出版商网站|谷歌学术
5. M. H. Siddiqi, R. Ali, A. M. Khan, E. S. Kim, G. J. Kim，和S. Lee，“使用主动轮廓的人脸检测的面部表情识别，基于面部运动的特征提取，和非线性特征选择，”多媒体系统卷。21，没有。6，第541-555，2015。视图:出版商网站|谷歌学术
6. S.张，X.朱雷Z.，十王，H.石，和S.李正东，“检测面带密集的连接面建议网络”神经计算，第284卷，2018年第119-127页。视图:出版商网站|谷歌学术
7. H.玲，吴J.，J.黄，陈J.和P.李，“深人脸识别基于注意力卷积神经网络”多媒体工具和应用程序卷。79，没有。9-10，第5595-5616，2020。视图:出版商网站|谷歌学术
8. H.王D. S.张和Z H.苗，“人脸识别每使用HOG-LDB和SVDL人单个样本”信号图像和视频处理第13卷，no。19日,2019年。视图:出版商网站|谷歌学术
9. S. L. Corrow，A. Albonico，和J. J. S.巴顿，“诊断面容失认症：在剑桥人脸识别测试视觉噪声的效用，”知觉第47卷第2期3, 2018年330-343页。视图:出版商网站|谷歌学术
10. 《meemd在人脸识别降维方法后处理中的应用》，IET生物识别技术卷。8，没有。1期，第59-68，2019。视图:出版商网站|谷歌学术
11. S. Madhavan和N. Kumar，“人脸识别的增量方法:一项调查”，人工智能评论卷。284，没有。5，第119-127，2019。视图:谷歌学术
12. Y.苏，Z.柳，和M.王“稀疏基于表示的人脸识别针对表达和照明，”专业图像处理第12卷，no。5，第826-832，2018。视图:出版商网站|谷歌学术
13. L. I.颜，S山，河王，崔Z.，和X.陈，“熔断幅度和相位特性多的脸部模型的鲁棒人脸识别”计算机科学前沿第12卷，no。6、2018。视图:出版商网站|谷歌学术
14. Y.张，K.上，J.王，李N.和M. M. Y.张，“补丁策略深人脸识别”专业图像处理第12卷，no。2018年第819-825页。视图:出版商网站|谷歌学术
15. 江y, F.-L。“基于多重加权的协同模糊聚类分析”，王建民，钱伯华，“基于多重加权的协同模糊聚类分析”。IEEE交易控制论卷。45，没有。4，第688-701，2015。视图:出版商网站|谷歌学术
16. 张元英，黄元英，余s，王l，“基于鉴别特征学习的跨视步态识别”，对图像处理IEEE TRANSACTIONS卷。99，第一〇〇一年至1015年，2019。视图:出版商网站|谷歌学术
17. L.刘，P. Fieguth，G.赵M.Pietikäinen和D.胡，“扩展局部二元模式的人脸识别”信息科学卷。24，没有。5，第25-37，2016。视图:谷歌学术
18. H.邵，陈实，赵J.，W崔和Y. U.天枢，“人脸识别基础上通过流形上度量学习子集选择，”信息与电子工程前沿卷。16，没有。12，第102-118，2015。视图:出版商网站|谷歌学术
19. A. K. Bobak, A. J. Dowsett, S. Bate，《解决边境控制问题:具有非凡面孔识别能力的个体面孔匹配增强的证据》，《公共科学图书馆•综合》第11卷，no。2、文章ID e0148148, 2016。视图:出版商网站|谷歌学术
20. 十，刘，M.侃，吴W.，S山，和X.陈，“Viplfacenet：一个开源的深层面部识别SDK，”计算机科学前沿第11卷，no。2，第208-218，2017。视图:出版商网站|谷歌学术
21. A. Rikhtegar, M. Pooyan, M. T. Manzuri-Shalmani，“用于人脸识别应用的卷积神经网络的遗传算法优化结构，”IET计算机视觉卷。10，没有。6，第559-566页，2016。视图:出版商网站|谷歌学术
22. J.赵Y.吕，Z.周和F曹，“不完整的面部识别一种新的深度学习算法：低等级的回收网络，”神经网络:国际神经网络学会的官方杂志卷。94，第115-124，2017。视图:出版商网站|谷歌学术
23. “用于复杂光照条件下人脸识别和人脸特征点检测的增强视网膜模型，”电子成像杂志卷。25，没有。4，文章ID 043028，2016。视图:出版商网站|谷歌学术
24. M. S. Sarfraz和R. Stiefelhagen，“跨模态人脸识别深感性映射，”国际计算机视觉杂志卷。96，没有。8，P。125058，2016年视图:谷歌学术
25. 十，董和张H.，“脸部识别加权邻居稀疏子空间基于协作表示，”杂志计算和理论纳米科学卷。14，没有。4，第1906至1913年，2017年。视图:出版商网站|谷歌学术
26. S.楼，赵X.，Y.闯，H.羽和张S.，“图转正的人脸识别稀疏判别分析，”神经计算卷。173，没有。P2，第290-297，2015年。视图:谷歌学术
27. H. Patil, A. Kothari, K. Bhurchandi，“使用半离散小波变换，patch-ldsmt，特征和评分水平融合的表情不变人脸识别，”应用智能第44卷，no。4，第913-930，2015。视图:出版商网站|谷歌学术
28. H.石，十王，益D.，Z.磊，朱X.和S李正东，“通过异构联合贝叶斯跨模态人脸识别”IEEE信号处理快报卷。24，没有。1，第81-85，2017年。视图:出版商网站|谷歌学术
29. 吕志芳，王洋，邹佳，“人脸识别的最大边缘标准”，神经处理信件第44卷，no。2, 2015年第1258-1268页。视图:出版商网站|谷歌学术
30. H.冉，W.翔S.浙南和T.铁牛，“沃瑟斯坦CNN：学习不变特征为NIR-VIS人脸识别”IEEE模式分析与机器智能学报第41卷，no。2018年，第1761-1773页。视图:出版商网站|谷歌学术
31. S.喀喇汗，M. K.耶尔德勒姆，K. Kirtac，F. S.仁德和H. K. Ekenel，“如何图像劣化的影响深基于CNN的人脸识别？”在生物计量学特殊利益集团(BIOSIG) 2016国际会议论文集第12卷，no。达姆施塔特，德国，2016年9月，14，第6-23页。视图:谷歌学术
32. “基于有线电视网络的人脸识别研究”，北京眼压会议论文集，第170-177页，澳大利亚墨尔本，2018年9月。视图:谷歌学术
33. M.真嗣，K.森，和T.铃木“使用SVM与CNN面部检测结合脸部识别，”在计算机科学讲义卷。253，没有。251，P。1，2004年。视图:谷歌学术
34. L.晶，陶问，W.张，X.介和W.方清，“基于决策级融合使用深C2D-CNN模型的鲁棒人脸识别”传感器第18卷，no。7，第2080至2093年，2018。视图:谷歌学术
35. Y. X.杨，文C.，K.谢，F问：温家宝，G Q.盛和X G.堂“使用SR-CNN模型人脸识别”传感器第18卷，no。12，第1页，2018年。视图:出版商网站|谷歌学术
36. A. Rikhtegar, M. Pooyan, M. T. Manzuri-Shalmani，“ga -优化的cnn人脸识别应用结构，”IET计算机视觉卷。10，没有。6，第559-566页，2016。视图:出版商网站|谷歌学术
37. B. Samik和D. Sukhendu，“利用退化探针样本进行人脸识别的传输信息的相互变化- cnn，”神经计算卷。310，第299-315，2018。视图:出版商网站|谷歌学术
38. Z.鲁，江X.和A.噶，“功能融合在人脸识别协方差矩阵正规化”信号处理卷。144，第296-305，2018。视图:出版商网站|谷歌学术

版权

版权所有:振国园这是一篇开放获取下发布的文章知识共享署名许可，允许在任何媒体中不受限制地使用、发布和复制原创作品，只要原稿被正确引用。