发布日期:2024-10-08 21:34 点击次数:97
大连交通大学软件学院第四瑟瑟,辽宁 大连
收稿日历:2022年5月15日;托福日历:2022年6月14日;发布日历:2022年6月21日
节录
跟着硬件水平的快速发展,东谈主脸识别也有了大范畴应用,通过东谈主脸特征进行身份认证一直以来都是相等活跃的盘问主题。而在履行环境下,很多外部因素都会对东谈主脸识别任务产生不同进度的不良影响,举例:晴明照耀、色调变化、指导饰品讳饰等,而针对东谈主脸部分的讳饰识别问题一直莫得被完整措置。当今主流的讳饰东谈主脸识别算法主要从以下四个角度进行盘问:基于寥落闪现的讳饰东谈主脸识别算法、基于主因素分析的讳饰东谈主脸识别算法、基于生成起义聚集的讳饰东谈主脸识别算法、基于卷积神经聚集的讳饰东谈主脸识别算法。本文将从上述4类算法进行了汇总,并先容了各种算法的基本框架和遐想旨趣,还分析了现阶段所面对的时间问题以及未来雠校的地方。
重要词
部分讳饰,东谈主脸识别,生成起义聚集,寥落闪现,卷积神经聚集
A Survey of Improved Methods of Occlusion Face Recognition Algorithms
Menggang Zhu, Guanghai Zheng
Software Technology Institute, Dalian Jiaotong University, Dalian Liaoning
Received: May 15th, 2022; accepted: Jun. 14th, 2022; published: Jun. 21st, 2022
ABSTRACT
With the rapid development of hardware level, face recognition has also been widely used. Identity authentication through face features has always been a very active research topic. In the actual environment, many external factors will have different degrees of adverse effects on the face recognition task, such as light irradiation, expression change, wearing jewelry occlusion, etc. However, the occlusion recognition problem for the face has not been perfectly solved. At present, the mainstream occlusion face recognition algorithms are mainly studied from the following four perspectives: occlusion face recognition algorithm based on sparse representation, occlusion face recognition algorithm based on principal component analysis, occlusion face recognition algorithm based on generation countermeasure network and occlusion face recognition algorithm based on convolution neural network. This paper summarizes the above four kinds of algorithms, introduces the basic framework and design principle of various algorithms, and analyzes the technical problems faced at this stage and the direction of improvement in the future.
Keywords:Partial Occlusion, Face Recognition, Generation Countermeasure Network, Sparse Representation, Convolutional Neural Network
Copyright © 2022 by author(s) and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).
1. 小序
自20世纪末起,识别东谈主脸一直是AI、深度学习、机器学习、模子表面等范畴相等活跃的盘问课题,手机电脑面部识别解锁、公司门禁考勤打卡、机场车站识别身份信息等都大范畴地使用东谈主脸识别时间。天然大范畴应用的东谈主脸识别时间仍是相等熟练,然则在现实生涯中识别随时变化的东谈主脸仍然存在很多难以克服的困难,举例,东谈主体姿态变化、东谈主花式调变化、阳光照耀以及口罩、眼镜或是领巾的讳饰都会影响东谈主脸识别的效力和准确性。
在新式冠状病毒肺炎疫情时刻,出行时口罩成为必备品,而口罩讳饰了东谈主脸上的大部分特征信息,使得东谈主脸识别时间基本失效,是以奈何摒除部分讳饰对东谈主脸识别产生的弘大影响,成了亟待措置的问题。
在履行情景下,讳饰的体式不仅多种万般,而且存在可变性。不同环境下或是不同时刻段,归拢个东谈主都会出现不同的讳饰问题,举例:身形姿势变化、东谈主花式调变化、指导饰物讳饰 [1]。当今国表里高校盘问员对讳饰东谈主脸识别时间作念了无数的盘问,遐想出很多在某一具体情形下相等有用的算法。举例基于寥落闪现的讳饰东谈主脸识别算法、基于主因素分析的讳饰东谈主脸识别算法、基于生成起义聚集的讳饰东谈主脸识别算法和基于卷积神经聚集的讳饰东谈主脸识别算法等。
21世纪初期,Wright等东谈主使用寥落闪现分类(Sparse Representation Classification, SRC)门径应用在东谈主脸 [2]。此后,Deng等东谈主哄骗类内的变化,得到了讳饰景况样本,建议一种彭胀字典东谈主脸识别门径(Extended-SRC, ESRC)。此外,局部特征分析法通过调整权重来弱化或甩掉讳饰在识别中的影响 [3]。
基于主因素分析的算法在输入数据中网罗未被讳饰的数据,来诡计被讳饰的区域数据信息,其中最典型的算法如RPCA,然则RPCA存在一个致命的舛误是对外界搅扰极其尖刻,在锻真金不怕火输入数据时要求不行存在讳饰信息的搅扰,而算法的基本样本要求是在现实中难以完结 [4]。
最近,深度学习的快速发展带动了图像设置范畴的卓绝。举例,Goodfellow建议的生成起义聚集(Generative Adversarial Networks, GAN),该模子基于博弈念念想,通过生成器和鉴识器之间的捏续起义博弈,完结聚集模子的迭代锻真金不怕火 [5]。GAN不错通过延续的起义学习,生成相等接近简直分散的图像。Radford等东谈主在生成起义聚集中加入卷积神经聚集建议了深度卷积生成起义聚集,该模子将雠校后的CNN和GAN聚集相诱导,不仅莳植了模子安祥性,相通使生成的图像愈加传神 [6]。
随之发展的还有卷积神经聚集在讳饰东谈主脸识别上的应用,1998年,Yann LeCuu等东谈主初度建议卷积神经聚集算法,将其应用在那时并不阐发的邮局手写数字字符识别上,识别收场的额外率低于1% [7]。之后在ImageNet上,Geoffrey E. Hinton等东谈主建议卷积神经聚集Alex-Net模子夺得冠军 [8]。至此,卷积神经聚集被应用在各大高新范畴并取得得手。
2. 基于寥落闪现的讳饰东谈主脸识别算法
20世纪末,Coifman等东谈主建议了信号寥落明白的基本表面 [9],使信号更便捷、易读。信号的寥落闪现是指将给定的超完备原子字典(冗余字典)当作一组运行函数来通晓信号,并遴荐小数的原子通过寥落闪现算法来闪现信号,即用饱和少的运行函数来闪现原始信号 [10]。因此,更容易得到信号中包含的信息,何况更方便地对信号进行压缩和编码。超完备冗余字典的构造、寥落明白算法和重构算法是当今寥落闪现表面的主要盘问地方 [11]。
2.1. 寥落闪现模子
从数学角度分析,寥落闪现模子是高维度的数据向其他维度线性明白的历程。假定信号(图像可看作一维向量) x ∈ R N ,通过基或字典 D = [ d 1 , ⋯ , d i , ⋯ , d l ] ∈ R N ∗ l ( N < l )可得:
x x ∈ R N = D a = ( d 1 | ⋯ | d i | ⋯ | d l ) ︸ D ∈ R N ∗ l ( a 1 , a 2 , ⋯ , a l ) T ︸ a ∈ R l , s p a r s e (1)
其中, a = [ a 1 , a 2 , ⋯ , a l ] T ∈ R l 是整个,即唯独有限个(K)非零元素,其它元素均为零,则称a是K寥落的。
其具体历程如图1所示:
图1. 寥落闪现闪现图
以下(2)等式管制来解释寥落闪现问题:
min ‖ a ‖ 0 , s .t . x = D a (2)
其中, α 为x的寥落闪现,D称为寥落变换矩阵, d i 为原子,雷同于小波变换中的小波基。 ‖ a ‖ 0 闪现 l 0 范数,含义为非零元素的个数。从表面上讲,上式属于NP-hard问题,诡计量大 [12]。关系盘问者已阐述在一定的整个条目下, l 0 范数不错调整为 l 1 范数的凸优化忖度问题:
min ‖ a ‖ 1 , s .t . x = D a (3)
2.2. 东谈主脸识别中寥落闪现矢量的求解算法
左证寥落表面,当字典中的原子数饱和且大于字典华夏子的维数时,频频把具有最小 l 0 范数的解当作最优解。
图像是高维矢量,与其比拟,参与图像采集的志愿者过火对每个志愿者能采集到锻真金不怕火东谈主脸图像数目都是相等有限的,是以说东谈主脸识别是个典型的“小样本”问题,这种“小样本”问题会使高维数据统计中的难题“维数倒霉”愈加恶化 [13]。要是有幸采集到饱和多的锻真金不怕火样本,那么字典原子的数目会相等弘大,哄骗寥落闪现表面措置这种高维系统时,诡计量弘大,因此不适合履行应用。一些基于寥落闪现的东谈主脸识别算法选择PCA对高维的原始东谈主脸图像事前进行降维处理。GRSC算法径直对高维的Gabor特征空间进行下采样,得到率性维度的低维特征子空间,保证冗余字典的原子数目大于原子的特征维数 [14]。对冗余字典降维之后,在低维闪现空间完结测试样本的寥落闪现。临了哄骗最小 l 0 范数当作管制条目求方程的最优解。
寥落闪现表面标明,闪现矢量越寥落,重构出来的样本就越精准,因此基于寥落闪现分类的东谈主脸识别算法强调了闪现矢量“寥落性”在正确分类中的艰难性,何况强调唯独最小 l 0 范数解才是最优解。
3. 基于主因素分析的讳饰东谈主脸识别算法
传统的讳饰东谈主脸识别一般分为五个设施:讳饰东谈主脸检测、讳饰区域定位、讳饰东谈主脸对都、特征索乞降讳饰东谈主脸分类 [15]。特征索求是东谈主脸识别设施中最艰难的要道。特征索求的目标是得到图像关于分类有判别力的信息。举例,常用的特征索求门径有主因素分析法(PCA) [16]、线性判别分析法(LDA) [17]、局部二值模式(LBP) [18] 等。这些特征索求算法在一些特定的任务中取得了弘大的得手。
第一个将块门径应用于东谈主脸识别的是Pentland等东谈主,他们建议了一种分块特征空间门径,该门径不错分割东谈主脸中更艰难的部分,如眼睛、鼻子和嘴巴。然后哄骗主因素分析(PCA)索求这些零件的特征,临了对这些特征进行概括识别 [19]。该门径的重要在于特殊点的定位和东谈主脸部分的遴荐 [20]。
3.1. 鲁棒主因素分析模子(RPCA)
从数学角度分析,用矩阵X来闪现图像。 X = A + E ,其中低秩矩阵是A,寥落(噪声)矩阵是E。鲁棒主因素分析模子措置的是从高秩、噪声多的图像数据中准确地回复低秩矩阵。RPCA模子用公式(4)闪现 [21]:
min A , E ‖ A ‖ ∗ + λ ‖ E ‖ 1 s .t . X = A + E (4)
其中 ‖ · ‖ 1 为矩阵的 l 1 范数, ‖ · ‖ ∗ 为矩阵的核范数。 λ = 1 / max ( m , n ) 。A是要回复的原始矩阵,频频为低秩
矩阵;E为未知噪声矩阵;X是一个有噪声的矩阵。
对(4)构建增广拉格朗日函数得 [22]:
L u ( A , E , Y ) = ‖ A ‖ ∗ + λ ‖ E ‖ 1 + 〈 X − A − E , Y 〉 + u 2 ‖ X − A − E ‖ F 2 (5)
迭代低秩矩阵A为:
A ∗ = arg min A L u ( A , E , Y ) = arg min A ‖ A ‖ ∗ + 〈 X − A − E , Y 〉 + u 2 ‖ X − A − E ‖ F 2 = D u − 1 { X − E + u − 1 Y } (6)
迭代寥落矩阵E为:
E ∗ = arg min E L u ( A , E , Y ) = arg min A ‖ E ‖ ∗ + 〈 X − A − E , Y 〉 + u 2 ‖ X − A − E ‖ F 2 = S λ u − 1 { X − E + u − 1 Y } (7)
3.2. 基于CNN和PCA的东谈主脸识别算法
2015年,Chan等东谈主将CNN和PCA诱导建议了PCANet [23],PCANe的滤波器依然使用PCA,后头用二值化哈希编码作念索引,使用二值哈希编码和分块直方图诱导进行采样运算,临了得到的重采样层的收场当作通盘PCANet的特征索求收场 [24]。
PCANet模子的体式是简化的深度学习模子。PCANet选择的权重是通过索求“感受区域”径直得到的。然后哄骗主因素分析索求主因素,每个权重都包含一个主因素。将直方图数据信息和直方图特征整合。临了得到新的直方图特征,通过SVM进行分类。
通过雠校PCANet的讳饰东谈主脸识别算法。开端对锻真金不怕火集进行特征点检测并打上标签,左证履行的讳饰类型将各种各样的特征的进行组合和补零操作,然后将部分特征点输入讳饰判别分类器,进行讳饰定位,使用识别分类器调用SVM模子组进行识别 [25]。在对东谈主脸特征检测索求时,使用的是Haar特征,该算法使用了Viola-Jones算法来锻真金不怕火分类器。
4. 基于生成起义聚集的讳饰东谈主脸识别算法
东谈主脸图像设置属于图像设置内部比较额外的一类,与其他的图像设置不同,东谈主脸图像的设置计议的因素比较多。由于东谈主脸特征相对较复杂,举例肤色、脸型、骨骼等,且设置之后的图像必须要合适东谈主类的外不雅特质和五官结构等,要运动天然以及合理。故属于图像设置中难度较大的一种类型 [26]。
图像规复可清爽为对各种原因形成质料下跌或者失的确图像尽最大可能回复到原样,规复门径主要面向退化历程建模,在对其进行图像规复。图像设置属于图像规复的一种,指对各种原因形成的图像的讳饰或残骸的地方进行填补,使设置后的图像不管是纹理如故结构都是运动且简直的,且合适东谈主类的审好意思。在平常生涯中,关于讳饰东谈主脸的图像设置不错有以下公式(8)来闪现:
I M = M ∗ I O , I M ∈ ( ψ ∪ φ ) (8)
其中, I M 代表讳饰图像,原始图像用 I O 来闪现。M代表二值化的讳饰东谈主脸,作用是用于模拟图像讳饰部位,在M中将像素值设为2闪现未讳饰区域,为0则闪现0讳饰区域。 ψ 代表图像的未讳饰区域, φ 来代表图像的讳饰区域。
4.1. 生成起义聚集锻真金不怕火历程
2014年,Goodfellow等东谈主建议了生成起义聚集(GAN) [27],由于其完整的融入了博弈论的理念,使得其关于不同类型的数据处理有着很好的后果,额外是对一些严重受损的图像有着很好的设置后果,比如图像的超分辨率重建,图像设置等。跟着越来越多的学者去盘问该框架,它成为连年来无监督学习最有远景的深度学习门径之一。
GAN的基本框架如图2,一个最原始的GAN模子,该模子的主要念念想是通过概率生成模子对飞速噪声进行逆变换采样,从而得到生成的概率分散。GAN的主要旨趣是使生成的概率分散不错最大终端的接近简直数据的分散,从而得出简直数据 [28]。
图2. 生成起义聚集的基本框架
生成起义聚集GAN主要由生成器和判别器组成。每个部分都不错是任一种神经聚集,举例东谈主工神经聚集、卷积神经聚集、轮回神经聚集等 [29]。判别器必须以分类器收尾 [30]。
生成起义聚集的前一部分是在生成器内输入均匀分散的噪声,卷积层则左证输入的噪声获取特征信息。将获取的信息与简直分散的互异最小化。生成器不祥将输入的噪声调整为各种其他类型的数据分散,如图3所示:
图3. 生成聚集历程
在判别器进行锻真金不怕火的简直数据和生成数据延续博弈。博弈达到一定进度时,简直数据和生成数据便会被差别出来。公式如下:
V ( G , D ) = E x ~ p d a t a [ log D ( x ) ] + E x ~ p G [ log ( 1 − D ( x ) ) ] (9)
为了使生成聚集生成的图像能以伪乱真,应尽量莳植生成聚集所生成数据和简直数据之间的相似度。可使遐想函数测量这种相似度。生成聚集和判别聚集各有遐想函数,锻真金不怕火历程中也分别试图最小化各自的遐想函数。GAN最终的遐想函数如下:
min G max D V ( G , D ) = E x ~ p d a t a [ log D ( x ) ] + E x ~ p z ( z ) [ log ( 1 − D ( G ( z ) ) ) ] (10)
其中, D ( x ) 是判别聚集模子, G ( z ) 是生成聚集模子, P ( x ) 是简直数据分散, P ( z ) 是生成的数据分散,E是渴望输出。
在锻真金不怕火历程中,D (判别聚集,discriminator)试图最大化公式的最终取值,而G (生成聚集,generator)试图最小化该值。如斯锻真金不怕火出来的GAN中。生成聚集和判别聚集之间会达到一种平衡,此时模子即“拘谨”了,这种平衡景况便是纳什平衡。锻真金不怕火完成之后,就得到了一个不错生成传神数据的生成聚集,即生成起义聚集的锻真金不怕火模子。
4.2. GAN聚集模子的优舛误
GAN聚集模子的上风:开端,左证履行的收场来看,额外是一些关于图像的处理,它们不错产生比其他算法更显明的图像。其次,在学习历程中不需要使用马尔可夫链进行重叠采样或推断,完整地幸免了最困难的近似诡计概率问题,何况生成样本的诡计资本也很低。接着GAN的框架不祥锻真金不怕火任何一种生成器聚集。不固执于固定的函数门径,任何生成器和鉴识器都会有用,也不需要提前建模,使用起来相等活泼有很大的翻新空间。临了通过无数的盘问实考据明GAN生成的样本比一般门径愈加优质 [31]。
GAN存在的问题:表面上讲,GAN的局限性也很大,在对GAN参数设定时,隐微的参数调整可能导致的收场天渊之隔。GAN模子因为莫得使用逝世函数,是以被界说为极值问题,锻真金不怕火历程也难以适度,无法得知模子的锻真金不怕火是否有进展。
在GAN的学习历程中极有可能发生模式崩溃,要是生成器一直生成后果不好或者极差,那么通盘聚集将无法陆续锻真金不怕火,而且鉴识器也会崩溃。要是鉴识器锻真金不怕火的过于优秀,生成器就会逝世梯度,无法陆续学习锻真金不怕火,那么鉴识器也会无法陆续锻真金不怕火,不错说是牵一发而动全身。在GAN的优点中提到不需要提前建模,不错说既是优点亦然舛误,无需事前建模会导致模子太解放而且不可适度,关于数据量过大,约略的 GAN 就不太可控了 [32]。
5. 基于卷积神经聚集的讳饰东谈主脸识别
卷积神经聚集已被庸碌应用于东谈主工智能、医疗生涯等范畴。在此之前,一般选择东谈主工设诡计法来措置履行问题,比如选择Sobel、Prewitt、Roberts算子的边际检测,选择Harris、FAST、SURF等角点检测,选择传统聚类、分类器如寥落分类器、撑捏向量机、K隔邻分类器等进行分类 [33]。图像分类的主要任务是特征索乞降图像分类,分类收场的质料主要受这两方面影响。卷积神经聚集同期措置了东谈主工特征遐想的局限性,因为它不祥从锻真金不怕火样本中主动学习特征。
5.1. 卷积神经聚集框架(Convolutional Neural Network, CNN)
卷积神经聚集框架基本由输入层、卷积层、池化层、全集会层组成,图4为卷积神经聚集的基本框架 [34]。
图4. 卷积神经聚集框架
5.1.1. 输入层
卷积神经聚集的进口便是输入层。在讳饰东谈主脸图像分类中,频频使用讳饰东谈主脸图像当作输入 [35]。在履行情况下,横蛮的东谈主脸图像唯唯一个通谈,深度是1;而彩色的东谈主脸图像是有三个通谈(RGB),深度赋值一般为3,其他特殊的情况左证图片的通谈来判断深度赋值。
有3种常见的图像数据处理情势:
1) 去均值:每个维度减去对应维度的平均值,输入数据中心化降为零。
2) 归一化:对东谈主脸图像履行一些程序化的处理,将其调整为固定的程序体式。
3) PCA/白化:通过丢弃信息较少的维度和保留主要特征信息,对数据进行降维处理。
5.1.2. 卷积层
卷积神经聚集最艰难的部分是卷积层。卷积层由多个卷积单位组成,通过固定算法进行最优化从而得到卷积单位的参数。最前边的卷积层只可索求到初级特征,经过屡次的卷积层卷积不错索求到愈加复杂的高级特征 [36]。
各人皆知神经聚集是十足连通的,而卷鸠合集是局部关系的。其历程是将每个神经元视为诡计局部数据的滤波器。一语气滑动数据窗口,直到诡秘通盘样本。如图4所示,一共有5个卷积层(Convolutional layer 1, Convolutional layer 2, Convolutional layer 3, Convolutional layer 4, Convolutional layer 5),常用的卷积核大小有3 × 3和5 × 5 [37]。
三个艰难参数:depth深度,stide步长,padding填充值。
5.1.3. 池化层
池化层是通过效法东谈主类视觉系统来缩短数据的维数,用更高等次的特征来闪现图像。
实施池化的目标:
1) 缩短信息冗余;
2) 保证图像特征的不变性,迭代出最能抒发图像信息的特征;
3) 刺目过拟合。
池化层一般使用均值池化,中值池化,最大值池化等进行操作 [38]。
5.1.4. 全集会层
全集会层是将前边的聚集结构预处理和迭代形成的的局部特征信息进行内积 [39],全集会层是将前边学到的特征信息映射到样本空间,非常于一个“分类器”。全集会层的输出数据被送到出口,临了使用softmax进行分类 [40]。
5.2. 基于卷积神经聚集的讳饰东谈主脸识别(LLE-CNNs)
讳饰东谈主脸检测存在两个大的挑战:1) 因讳饰形成的不完整东谈主脸特征2) 因讳饰形成的噪声特征 [41]。举例关于一张左侧东谈主脸图像,其嘴巴、下巴、鼻子都被口罩讳饰,导致大部分东谈主脸特征点都是不可见的,从讳饰区域索求的东谈主脸特征向量含有无数噪声。在这个情况下需要咱们从东谈主脸除外的区域索求额外的信息用于回复东谈主脸特征,缩短噪声的影响。
5.2.1. 预处理模块(Proposal Module)
此模块使用两个API预锻真金不怕火CNN模子,来索求东谈主脸特征和对特征内的东谈主脸使用VGG-Face索求高维特征。
Proposal Module:在此模块使用了两层卷积神经聚集用于东谈主脸候选区域生成和特征索求。东谈主脸候选区域的生成使用了一个P-Net、三个卷积层和一个全集会层。在检测特征东谈主脸时阈值设置要低一些,这么便不错得出较多的东谈主脸候选区域。临了对生成的东谈主脸候选区域索求的特征信息进行处理。
5.2.2. 镶嵌模块(Embedding Module)
Embedding Module主要完结重建因讳饰而丢失的东谈主脸特征,并扼制讳饰区域引入的噪声特征 [42]。
对预处理模块索求的特征,重建因讳饰而丢失的东谈主脸特征,并扼制讳饰区域引入的噪声特征 [43];最直不雅的措置决策便是:建立一个额外的数据集(包含各种东谈主脸、东谈主脸外部索求的特征),从中找到与索求的模块最相似的特征,并用这些特征来界说;换句话说便是:将预处理所对应的特征映射至由各种有代表性的面部、讳饰部分索求的特征所生成的特征子空间中。
av电影网5.2.3. 考据模块(Verification Module)
Verification Module对东谈主脸的位置和面部信息的微调,通过被设置的东谈主脸特征进行对比考据 [44]。
5.3. LLE-CNNs实验后果
LEE-CNNs在数据集MAFA上对其他6个起先进的东谈主脸检测器都完胜,何况在orientation、degree of occlusion、mask type其他条目上都是性能率先。然则,LEE-CNNs对高讳饰的东谈主脸检测性能并不好,此外对偏转东谈主脸的检测性也很差。表1为与其他算法的检测收场对比:
表1. 实验收场
当今的讳饰东谈主脸识别算法还莫得出现一个极其完整的措置决策,然则针对某些特定的讳饰环境,国表里遐想的算法不祥合清爽决,概括当今主流的算法措置讳饰环境下的东谈主脸识别还需要陆续潜入盘问,而在讳饰东谈主脸识别的数据集上并不完善,神经聚集的锻真金不怕火门径也在大多数情况下并不适用。因此,建立完善的数据集,遐想轻量级的神经聚集锻真金不怕火门径,将卷积神经聚集应用在讳饰东谈主脸检测,是未来措置讳饰东谈主脸识别问题的艰难地方 [45]。
6. 终端语
本文综述了当今主流的讳饰东谈主脸识别算法,其中包括基于寥落闪现的讳饰东谈主脸识别算法、基于主因素分析的讳饰东谈主脸识别算法、基于生成起义聚集的讳饰东谈主脸识别算法和基于卷积神经聚集的讳饰东谈主脸识别算法,论说了各种门径的基本念念想和旨趣,分析了当今存在的问题和未来的盘问地方。
著作援用
朱孟刚,郑广海. 讳饰东谈主脸识别算法雠校门径综述A Survey of Improved Methods of Occlusion Face Recognition Algorithms[J]. 诡计机科学与应用, 2022, 12(06): 1569-1579. https://doi.org/10.12677/CSA.2022.126158
参考文件第四瑟瑟