遮挡人脸检测方法研究进展

刘淇缘，卢树华，兰凌强

中国人民公安大学 警务信息工程与网络安全学院，北京 102600

1 引言

人脸检测作为人像比对[1]、人脸属性识别[2]、面部行为分析[3]、视频人像追踪[4]等计算机视觉任务的基本步骤，在过去50余年的时间里，取得了长足发展。20世纪70 年代中期，人脸检测逐渐从目标检测中独立发展起来[5-6]，但由于当时存在硬件设备发展滞后，特征提取算法不成熟，训练数据集不完备等技术瓶颈，检测算法在精度、速度方面表现不足。20世纪90年代开始，科学界对这一领域的关注度明显升高，诸多优质算法，如V-J人脸检测器（Viola-Jones Face Detector，V-J FD）[7]、混合因子分析（Mixture of Factor Analyzers，MFA）[8]、多视觉人脸检测器（Multi-View Face Detection，MVFD）[9]和特征描述符，如哈尔特征（Haar-like Features）[10-12]、局部二值特征（Local Binary Pattern，LBP）[13]、尺度不变特征变换（Scale-invariant Feature Transform，SIFT）[14]、方向梯度直方图（Histogram of Oriented Gradient，HOG）[15]等在这一时期设计提出，支持向量机（Support Vector Machine，SVM）[16]、提升算法（Boosting）[17]等经典机器学习方法也在这一时期发展并趋于完善。近十几年，新的面部特征描述子如加速稳健特征（Speeded Up Robust Features，SURF）[18]、积分通道特征（Integral Channel Features，ICF）[19]和优质模型如树结构模型（Mixture of Trees Model，MTM）[20]等用于人脸检测，取得了显著的进展，特别是深度学习技术[21-24]广泛应用于人脸检测领域，促使人检测准确率和速度不断提高，如Li 等人[25]提出的级联卷积神经网络（Cascade Convolutional Neural Network，C-CNN）在自然标注人脸数据集（Annotated Faces in the Wild，AFW）[20]上达到了98%的平均精度。但是，上述人脸检测算法大多是以受限条件下的图片为检测对象进行的，在面向现实场景的应用时，人脸检测仍然面临诸多挑战[26-28]：如光照变化、人群高密度、图像低分辨率、小人脸、姿态变化以及遮挡问题等，其检测准确率和实时性仍有待进一步提高。……