)表4.1表示有遮擋的人臉識(shí)別測(cè)試結(jié)構(gòu)與無(wú)遮擋的人臉識(shí)別測(cè)試結(jié)果。表4.1測(cè)試結(jié)果對(duì)比表 是否有遮擋實(shí)驗(yàn)次數(shù)在庫(kù)人數(shù)不在庫(kù)人數(shù)正確識(shí)別錯(cuò)誤識(shí)別平均響應(yīng)時(shí)間 否5010540104.69s是5010530205.83s從測(cè)試結(jié)果可以看出，人臉的局部遮擋會(huì)對(duì)人臉識(shí)別的準(zhǔn)確率造成一定影響，在這50次實(shí)驗(yàn)中，對(duì)局部遮擋人臉進(jìn)行識(shí)別的準(zhǔn)確率為約為60%，對(duì)無(wú)遮擋人臉進(jìn)行識(shí)別的準(zhǔn)確率約為80%。無(wú)遮擋人臉識(shí)別的平均響應(yīng)時(shí)間也短于有遮擋的人臉識(shí)別平均時(shí)間。

第5章總結(jié)與展望5.1總結(jié)自人臉識(shí)別技術(shù)概念首次被提出以來(lái)，就在計(jì)算機(jī)視覺(jué)與人工智能領(lǐng)域掀起了一股研究熱潮，無(wú)論是在學(xué)術(shù)界的理論探索，還是在工業(yè)界的實(shí)際應(yīng)用中，都始終保持著高度的關(guān)注度與活躍度?？蒲腥藛T不斷致力于提升人臉識(shí)別技術(shù)的精度、速度與魯棒性，以應(yīng)對(duì)日益復(fù)雜多變的識(shí)別場(chǎng)景與需求。然而，盡管人臉識(shí)別技術(shù)已取得了顯著進(jìn)展，但在處理局部遮擋人臉圖像時(shí)，仍面臨諸多亟待解決的難題。在實(shí)際應(yīng)用中，局部遮擋人臉識(shí)別技術(shù)的性能表現(xiàn)往往不盡如人意。特別是當(dāng)人臉圖像出現(xiàn)大面積遮擋時(shí)，如佩戴口罩、墨鏡、帽子等遮擋物，傳統(tǒng)的人臉識(shí)別算法往往難以從有限的可見(jiàn)面部區(qū)域中提取出足夠的有效特征，從而導(dǎo)致識(shí)別準(zhǔn)確率大幅下降，甚至無(wú)法滿足門(mén)禁系統(tǒng)等安全驗(yàn)證場(chǎng)景的需求。為了給解決上述問(wèn)題提供思路和方案，本文提出了一種基于深度學(xué)習(xí)的局部遮擋人臉識(shí)別系統(tǒng)，在系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)方面，本文首先對(duì)系統(tǒng)完成人臉識(shí)別任務(wù)的基本流程進(jìn)行分析（包括人臉檢測(cè)、人臉對(duì)齊、人臉特征提取與識(shí)別等關(guān)鍵步驟）。隨后，針對(duì)MTCNN算法與FaceNet算法的原理和參數(shù)配置以及損失函數(shù)進(jìn)行了詳細(xì)說(shuō)明?？紤]到人臉檢測(cè)任務(wù)對(duì)檢測(cè)率及實(shí)時(shí)性的高要求，本文選用MTCNN作為檢測(cè)模型的算法，該算法能夠在保證較高檢測(cè)精度的同時(shí)，實(shí)現(xiàn)較快的檢測(cè)速度，從而均衡了精度與性能之間的矛盾。而在人臉識(shí)別模塊中，為了提升后期模型調(diào)整與優(yōu)化的能力，本文選擇了具有強(qiáng)大特征提取能力的FaceNet算法。為了驗(yàn)證本文所提出的局部遮擋人臉識(shí)別系統(tǒng)性能，對(duì)系統(tǒng)進(jìn)行了測(cè)試。測(cè)試結(jié)果表明，該系統(tǒng)在處理局部遮擋人臉圖像時(shí)能夠保持穩(wěn)定的識(shí)別性能，這一結(jié)果不僅證明了本文所提方法的有效性，也為局部遮擋人臉識(shí)別技術(shù)的實(shí)際應(yīng)用提供了有力的支持。5.2展望本文提出的利用MTCNN和FaceNet算法進(jìn)行遮擋人臉識(shí)別算法，在局部遮擋人臉識(shí)別中表現(xiàn)出良好的性能，但是仍有改進(jìn)的空間。在未來(lái)的研究中可以從以下幾點(diǎn)進(jìn)行進(jìn)一步研究：提高識(shí)別速度。相對(duì)于人臉識(shí)別算法，局部遮擋人臉識(shí)別需要先對(duì)遮擋人臉進(jìn)行修復(fù)，增加了算法的運(yùn)行時(shí)間。在以后的研究方向中，設(shè)計(jì)修復(fù)和識(shí)別端到端的算法，并且降低網(wǎng)絡(luò)的復(fù)雜度REF_Ref17572\r\h[17]REF_Ref17572\r\h。提升人臉修復(fù)效果。為了能夠提高遮擋人臉識(shí)別算法的準(zhǔn)確率，在進(jìn)一步提高人臉修復(fù)效果的同時(shí)保留更多人臉身份特征。這也是本文未來(lái)研究工作的一個(gè)主要方面REF_Ref17644\r\h[18]。降低應(yīng)用場(chǎng)景的影響。在人臉識(shí)別技術(shù)的實(shí)際部署場(chǎng)景中，往往面臨不可控且復(fù)雜的環(huán)境條件。其中，光照狀況具有高度不確定性，可能遭遇強(qiáng)光過(guò)曝、弱光欠曝或逆光導(dǎo)致的面部信息缺失等情況；人臉姿態(tài)呈現(xiàn)出豐富的變化維度，涵蓋從完全正面到大幅側(cè)轉(zhuǎn)、俯仰等各類(lèi)角度；此外，背景環(huán)境錯(cuò)綜復(fù)雜，可能包含動(dòng)態(tài)人群、建筑結(jié)構(gòu)、自然植被等多元要素。這些復(fù)雜環(huán)境因素均會(huì)對(duì)人臉識(shí)別算法的穩(wěn)定性和準(zhǔn)確性構(gòu)成顯著挑戰(zhàn)，因此，如何有效降低此類(lèi)復(fù)雜環(huán)境因素的干擾，提升算法在不可控場(chǎng)景下的魯棒性，將成為后續(xù)研究的重要方向。參考文獻(xiàn)劉浩然.深度學(xué)習(xí)方法在有遮擋人臉識(shí)別問(wèn)題的應(yīng)用研究[D].內(nèi)蒙古：內(nèi)蒙古工業(yè)大學(xué),2021.000569.盧雨佳.擴(kuò)散距離在三維人臉識(shí)別中的應(yīng)用研究[D].吉林：吉林大學(xué),2022.002072.袁慧潔.基于深度學(xué)習(xí)的局部遮擋人臉識(shí)別方法研究[D].湖南：長(zhǎng)沙理工大學(xué),2019.000927.左棟.深度學(xué)習(xí)下局部遮擋人臉識(shí)別技術(shù)研究[D].河南：華北水利水電大學(xué),2023.李玲俐.基于深度學(xué)習(xí)理論的人臉識(shí)別技術(shù)應(yīng)用綜述[J].計(jì)算機(jī)與數(shù)字工程,2021,49(09):1912-1914+1929.廖俊.圖像情感識(shí)別及其在教學(xué)機(jī)器人中的應(yīng)用研究[D].重慶：重慶理工大學(xué),2023.000053.ZengD,VeldhuisR,SpreeuwersL.Asurveyoffacerecognitiontechniquesunderocclusion[J].IETbiometrics,2021,10(6):581-606.陳秋雨.基于深度學(xué)習(xí)的遮擋人臉識(shí)別技術(shù)[D].北京：中國(guó)人民公安大學(xué),2023.洪宇軒.基于ArcFace人臉識(shí)別算法的多方案融合課堂考勤系統(tǒng)設(shè)計(jì)[D].江西：南昌航空大學(xué),2021.000081.張剛.局部遮擋的人臉識(shí)別深度學(xué)習(xí)算法改進(jìn)[D].寧夏：寧夏大學(xué),2022.000501.劉偉鑫.基于深度神經(jīng)網(wǎng)絡(luò)的遮擋人臉識(shí)別算法研究[D].吉林：吉林大學(xué),2020.001021.顏?zhàn)峪P.基于深度學(xué)習(xí)的人臉識(shí)別門(mén)禁系統(tǒng)設(shè)計(jì)[D].西安：西安石油大學(xué),2022.000735.裴燚,劉光宇,雷遠(yuǎn)彬,等.基于RetinaFace和FaceNet算法的佩戴口罩人臉識(shí)別系統(tǒng)研究[J].云南：大理大學(xué)學(xué)報(bào),2024,9(12):51-57.劉謙.基于深度特征遷移的人臉超分辨率方法[D].南京：南京理工大學(xué),2021.002507.林平榮,吳梓華,陳鑫,等.基于深度學(xué)習(xí)的人臉識(shí)別系統(tǒng)[J].軟件工程,2023.010.012.靳明浩.基于面部特征的嵌入式駕