26、复杂环境下的人脸识别研究与实验

复杂环境下的人脸识别研究与实验

1. 复杂环境下的人脸识别研究现状

早期，受控环境下的人脸识别研究因其实用性得到大力推动，如自动门禁或边境控制等场景。2007 年的研究表明，在受控环境中，当参与者事先不知道图像中的身份时，自动人脸识别系统的性能可以超越人类。

随着受控环境下的人脸识别问题得到较好解决，研究兴趣转向了不受约束的环境，即被识别对象不与系统配合的场景。主要有三个应用方向：
- 使用 Picasa 或 iPhoto 等应用为不受控的高质量图像中的人物进行身份标注，以标记私人照片。
- 在低分辨率监控摄像头视频中识别嫌疑人。
- 验证移动设备或汽车的所有者，以防止盗窃。

由于第一个应用有多个图像和视频数据库可用，研究主要朝着这个方向发展。而监控摄像头或移动设备数据的数据库较少，这方面的人脸识别研究仍处于发展阶段。

当前，不受控环境下人脸识别的最新趋势是使用深度卷积神经网络，但这些网络通常是专有软件，需要大量的训练数据，且数据不公开，因此相关研究的可重复性为 0。还有研究对贝叶斯人脸识别进行了扩展，但其实验结果因训练数据和测试图像有重叠而存在偏差。

Point - and - Shoot 人脸识别挑战（PaSC）对 PaSC 数据集上的五种不同算法进行了研究，表现最佳的系统声称其 Eigen - PEP 方法对姿态变化具有天然的鲁棒性，但目前还无法重新实现其算法。另外，有研究进行了大规模特征选择用于不受约束的人脸识别，该方法模拟了人类大脑的低级特征提取，在姿态相似的图像对上取得了较好的效果，但在不受约束的人脸图像数据上表现不佳。

此前的研究发现，基于 Gabor 喷射和 LBP 的算法适