TSINGSEE青犀视频开发人脸识别技术实现过程中的的难点汇总

Posted 2021-12-28 TSINGSEE

人脸识别发展到现在已经基本落地并实现了场景化的应用，现在的人脸考勤、打卡、门禁、人员跟踪、人员识别等也都相继发展成熟，青犀视频团员研发的人脸识别也已经投入使用，比如某景区人脸检测、智慧工地场景等。在研发的同时，我们也发现了一些问题和难点，本文就来汇总一下我们在研发当中存在的问题和克服的一些困难。

1. 遮挡。人脸在图像中可能会被其它人脸遮挡或被背景等遮挡，这样在检测时只漏出局部的人脸。除此之外，人脸还会被人脸附属物导致遮挡，例如眼镜、口罩、长发、胡须等。

1. 光照。不同光谱、光源位置、光照强度等都会对人脸图像外观产生影响。在背光环境下，人脸可能会导致偏暗看不清细节。而在单一强光源下，人脸还会有可能呈现出“阴阳脸”。

2. 表情姿态。人脸与摄像机镜头的相对位置决定人脸姿态的多样性，比如上下俯仰角、左右偏角、竖直面旋转角，不同的角度都会有不一样的效果。

3. 图像质量。人脸图像的来源可能多种多样，由于采集设备的不同，得到的人脸图像质量也不一样，特别是对于那些低分辨率、噪声大、质量差的人脸图像(如手机摄像头拍摄的人脸图片、远程监控拍摄的图片等)如何进行有效地人脸识别是个需要关注的问题。同样的，对于高分辨图像对人脸识别算法的影响也需要进一步的研究。

4. 运动模糊、摄像机没有对焦准确。运动导致面部图像模糊或摄像头对焦不正确都会导致接收的人脸信息不准确，从而导致识别的不准确。

5. 人脸相似性。全球人口众多，除了亲子关系长相相似，甚至有许多毫无血缘关系的人也有相似，这点对于利用人脸进行定位是有利的，但是对于利用人脸区分人类个体是不利的。

1. 生理变化。 随着年龄的变化，面部外观也在变化，特别是对于青少年，这种变化更加的明显。对于不同的年龄段，人脸识别算法的识别率也不同。一个人从少年变成青年，变成老年，他的容貌可能会发生比较大的变化，从而导致识别率的下降。对于不同的年龄段，人脸识别算法的识别率也不同。

2. 缺乏大数据样本。基于统计学习的人脸识别算法是目前人脸识别领域中的主流算法，但是统计学习方法需要大量的训练。由于人脸图像在高维空间中的分布是一个不规则的流形分布，能得到的样本只是对人脸图像空间中的一个极小部分的采样，如何解决小样本下的统计学习问题有待进一步的研究。

3. 人脸防伪。在未来人脸识别的具体应用里，主要的问题从“识别人的身份”转变成了“判断在系统面前的脸是不是一个真人”，这个问题也称为人脸防伪。

但随着人脸识别技术的不断成熟和进步，人脸检测中的难点也会逐渐得到解决。