无感人脸识别研究综述

Review of Unconscious Face Recognition

摘要

无感人脸识别是指在用户无感知条件下自动地采集用户人脸信息以进行身份认证，它具有低交互、无接触、高度并行化的特点，适用于具有实时性需求的无感交互场景。无感人脸识别包括无感交互、目标提取和识别三个环节。本文分别从这三个环节对无感人脸识别技术进行了梳理，综述了人脸注册与人脸库构建技术，人脸图像无感采集技术，基于深度学习的多尺度人脸提取和识别技术的发展状况。介绍了现阶段无感人脸识别的应用场景与挑战，指出随着数据库构建技术、无感采集技术及基于深度学习的进一步发展及安全保障体系的构建，无感人脸识别技术将凭借其无感与并行的优势获得更广泛地应用。

Abstract

Unconscious face recognition is an identification method that automatically capture and identify face images under the user’s perception-free condition, including three stages of human-machine unconscious interaction, target extraction, and face recognition. Unconscious face recognition can realize low-interaction, contactless, and highly parallelized authentication, and is suitable for unconscious scenarios with real-time requirements. The contents and principles of multiple technologies are summarized, including face registration and database construction technologies which can improve the reliability of unconscious face recognition system, unconscious face image acquisition technologies which can reduce data redundancy, and multi-scale face extraction and recognition technology based on deep learning. Then the applications and challenges of unconscious face recognition at the current stage are analyzed. With the further development of the related technologies, unconscious face recognition technology will be widely applied in security, payment, and service fields by virtue of its advantages of unconscious and parallelism.

Graphical abstract

关键词

无感人脸识别 / 无感交互 / 自动图像采集 / 身份识别

Key words

unconscious face recognition / touchless interaction / automatic image collection / identification

0　 引 言

2001年，我国公安部门开始借助人脸识别技术防范和打击重大刑事犯罪。2008年，北京奥运会在鸟巢入馆口使用人脸识别技术检测身份。2017年，苹果手机推出面部解锁功能，同年，支付宝全球首次实现刷脸支付的商用，中国自此进入了吃穿住行都“看脸”的时代。当前，人脸识别系统已经广泛应用于金融、公安、交通、娱乐等众多领域，从小区楼栋大门的通行，到购物支付，再到犯罪嫌疑人的追踪，人脸识别遍布生活的方方面面。目前，基于人脸识别的身份验证方式大多需要用户配合并付出等待成本，为了使身份认证过程更加便利，针对人脸识别“无感化”的研究正在成为热点。

“无感”是指用户与人脸识别系统进行交互时，无需停留或正对数据采集设备。无感人脸识别是在用户无感知的情况下自动地采集用户人脸信息以进行身份认证。如图1所示，无感人脸识别包括无感交互、目标提取和识别三个环节，其中无感交互可分为人脸注册、人脸库构建、无感人脸图像采集。

无感人脸识别属于生物识别技术，是一种利用人脸生理特征和可能的行为特征进行身份识别的方法，相较于传统的身份识别技术，具有无媒介、适用范围广的优势。区别于虹膜识别、指纹识别等其他生物识别技术，无感人脸识别具有无接触性、低交互性的优点，能够在用户无感知条件下实现有效的身份认证，后疫情时代在具有卫生、安全需求的场景（如人流量大的公共环境）中具有极高的应用价值。此外，无感人脸识别具有“并行”识别的优势，摄像头所采集的区域图像即使包含多张人脸，也可同时展开目标提取与识别工作，区别于现有识别技术“单个采集，逐一识别”的限制。并行化采集与识别是无感人脸识别在提升身份认证效率上的最大优势。目前，无感人脸识别的大规模应用仍存在诸多问题，本文将阐述无感人脸识别技术的现状，指出现阶段无感人脸识别的应用与挑战，总结分析该技术的应用前景。

1　 无感人脸识别中的交互技术

无感人脸识别中的交互技术是指为人脸识别认证提供数据支持的用户信息采集与存储技术，涉及用户与智能手机、监控摄像头等设备间的交互，包括需要用户主动参与的人脸注册技术和在用户无感状态下进行的人脸库构建与图像采集技术。

1.1　人脸注册与人脸库构建

人脸注册是指用户主动为无感人脸识别系统提供人脸与身份信息，在人脸注册库中添加用户，为身份验证提供数据支持。

常见的人脸注册有两类，一是办理身份证件时需要拍摄人脸信息存储到国家数据库，二是在首次注册使用某些智能APP时会通过摄像头采集个人信息存储到企业数据库。受限于人脸注册设备的成本与对人脸注册过程便利性的需求，现有人脸注册技术通常基于二维人脸注册方法^[1]，该方法采集高清正脸或包含“一正两侧”的少数固定角度人脸图像作为识别基准。人脸注册时的光照环境、注册时长与传感设备等限制了人脸注册库的采集精度，文献[2]首先提出了人脸超分辨率方法，使用双通道卷积网络直接学习低分辨率人脸图像到高分辨率人脸图像的映射。Huang等^[3]在人脸超分辨率研究中引入了迭代式反向投影（iterative back projection，IBP），开发了SRCNN-IBP方法。随后，有研究者引入了空间注意力机制和通道注意力机制^[4，5]，对图像中感兴趣区域进行针对性增强，提升了人脸图像精度。

尽管已有大量研究可提升人脸数据精度，但现有人脸数据库中的信息仍基于用户的正面高清图像^[6]，在无感人脸识别系统中，无感采集到的待识别数据来自多角度人脸甚至是部分人脸，与人脸注册库中的数据差异性大。针对这一问题，有学者提出了三维人脸库构建方法^[7]，构建三维人脸库依赖于升级现有人脸注册设备与注册过程，包括基于无深度二维图像的三维人脸重建方法^[8]和基于深度摄像机、激光扫描仪等专业采集设备的三维人脸采集方法^[9，10]。

通过专业采集设备构建的三维高清人脸模型精度可达到亚毫秒级，但设备成本高昂，部署困难，所采集的高清三维人脸模型依赖特定的读取软件，难以直接应用到人脸识别系统中。

基于二维人脸重建的方法通过图像本身表达的信息或不同角度人脸图像中的标定点完成三维人脸重建，采集成本相对较低。例如，用户在固定设备中拍摄多角度高清二维人脸^[11]，也可获得三维人脸模型，但重建后的三维人脸模型精度波动大。文献[12]和文献[13]研究了基于单目人脸图像的三维人脸构建，文献[14]提出了从图像和视频中生成三维人脸库的方法。新一代人脸注册库应包含移动状态下带有运动模糊条件的真实人脸信息。不同于现有的二维人脸库，三维人脸库可通过投影方式获得某注册用户任意角度的二维人脸特征，视频传感器自动采集的数据一定被三维人脸库包含在内，可有效提高无感人脸识别准确率。多摄像头人脸识别依赖于同一区域内多个传感器设备对同一用户数据采集结果的组合，来自多个角度、不同距离的摄像头均可采集到部分二维人脸图像，经过图像对齐与转换操作后可得到与二维人脸库注册特征相接近的标准人脸图像。具体地，可将各角度人脸进行正脸化^[15]，然后使用传统的人脸识别技术对合成的正面人脸进行识别，或直接学习非正面人脸的特征进行识别^[16]。

构建三维人脸库后，无感人脸识别系统通过采集部分人脸信息与人脸数据库中的三维模型进行匹配认证。三维人脸库与多角度人脸识别技术的融入，能够降低无感人脸识别对自动化采集图像质量的要求，更具健壮性。尽管受限于人脸注册成本与识别成本，但该方案对无感人脸识别数据库构建具有参考意义。

1.2　无感化人脸图像采集技术

为了在识别过程中能够采集到高质量（人脸清晰且无遮挡）的图像，传统人脸识别系统需要用户主动配合，例如在门禁系统中，用户需正对人脸采集设备并维持一段时间。无感化人脸图像采集是指在无感交互的前提下实现人脸图像的自动化采集，包括视频流获取以及从视频流中获取包含人脸的帧两个步骤。

视频流获取依赖于监控摄像头、移动摄像头和视频传感器等数据采集设备，通过在无感人脸识别应用场景中部署采集设备来获取视觉信息，并通过数据编码压缩策略将原生传感数据转化为视频数据传输到智能分析设备或存储设备中。梁烨等^[17]研究了视频监控场景下监控摄像头最佳部署点位，通过风险熵评估部署点位的有效性，应用蚁群算法计算最优部署方案。张良等^[18]提出了面向轨道交通安防的监控点位设置原则和设置标准，以实现对交通场所行人信息准确无遗漏地采集。基于对视频不同区域的兴趣度差异，Zhang等^[19]提出了一种区域性失真优化的视频压缩编码系统，对视频背景信息进行高度压缩，同时保留感兴趣区域的高分辨率，降低了人脸视频流获取过程产生的数据量。

在采集到视频流后，摄像头中的AI芯片或与采集设备相连接的智能设备将从视频流中快速筛选出包含人脸信息的关键帧，在连续视频流中，一段时间内人脸信息可能保持稳定也可能发生突变。对视频流中的所有人脸信息都进行分析会导致大量冗余计算，周期性地截取关键帧进行分析则可能导致人脸漏检。Glimpse^[20]是一种基于像素差值的视频内容感知方法，过滤掉信息基本没有变化的冗余帧。FoggyCache^[21]采用数据缓存的方式保留一段时间内的人脸数据，在数据采集设备上缓存已经被识别的人脸的特征，当采集到新数据时，首先进行特征比对，仅选择新数据进行后续分析，降低后台计算压力。FilterForward^[22]部署了一个简单的卷积神经网络（convolutional neural networks, CNN）用于监控网络中的关键帧分类，这对无感人脸识别系统中视频帧的获取也具有参考意义。

视频流与人脸帧采集过程中的优化均依赖于目标人脸在拍摄区域内的空间与时间分布，面对整个拍摄空间内随机分布的行人，视频流难以进行压缩优化，否则会引起更高的计算成本；面对在连续时间内密集分布的行人，每一帧都可能是关键帧，因此也无法在时间维度上实现数据过滤，这是无感人脸图像采集技术无法突破的效率瓶颈。

2　 无感人脸识别中的目标提取

目标提取是指在无感人脸识别系统中对捕捉到的视频帧图像标定人脸区域，并将标定区域中的人脸作为待识别目标进行结果输出的过程。在无感人脸识别系统的目标提取阶段，需处理的图像中不仅包含人脸，还存在无关信息，目标提取阶段中人脸标定的目标是在标定出包含完整人脸的图像块的同时尽可能少地包含噪声。为了实现这一目标，不同人脸检测的方法中采取了不同的措施。

2.1　单阶段人脸目标提取算法

单阶段目标提取方法只对视频帧进行一次处理即可得到人脸区域，无感交互下采集到的人脸图像通常仅占据视频帧中少量区域，提升小尺度人脸目标的检测精度是面临的主要挑战。

Liu等^[23]最早提出了具有实用价值的单阶段目标检测（single shot detector,SSD）方法，通过大量应用卷积层和聚类锚框实现了感兴趣目标的快速定位与分类。Li等^[24]在SSD的基础上应用渐进锚损失函数提高了检测精度。针对小尺度人脸目标检测精度低的问题，研究者提出了尺度不变性、特征金字塔、上下文推理等方法。Zhang等^[25]提出了一种尺度均匀的人脸检测框架（single shot scale-invariant face detector,S³FD），能够很好地处理不同尺度的人脸。该框架采用比例补偿锚匹配策略提高小面孔的召回率，通过最大输出背景标签降低小尺度人脸的误检测率。Zhang等^[26]在S³FD的基础上提出了FaceBoxes，包含一种新的锚点致密化策略，使不同类型的锚点在图像上具有相同的密度，大大提高了小面孔的召回率。RetinaNet^[27]引入一个聚焦损失，解决了实例样本不平衡的问题，实现图像中背景和目标的平衡，提高了目标提取的精度。Najibi等^[28]通过读取CNN不同层的方式使人脸检测具有尺度不变性，PyramidBox^[29]和PyramidBox++^[30]通过制作特征金字塔的方法整合了深层和浅层特征，并利用这种联合特征来让网络获得多对不同尺度人脸的检测能力，取得了更好的小尺度人脸检测效果。Hu等^[31]通过对比检测小尺度人脸过程中三个因素（尺度不变性、图像分辨率、上下文推理）的影响，加强利用图像上下文信息，提出的新模型提升了对小尺度目标的提取能力。Zhang等^[32]提出了特征聚集网络（feature agglomeration networks，FANet），利用单个卷积神经网络固有的多尺度特征，将高层特征图的语义特征作为辅助信息传递到底层特征图的特征上，更好地实现小尺度人脸检测。

2.2　多阶段人脸目标提取算法

多阶段目标提取算法相比于单阶段检测法增加了对候选锚框的二次检验，提高了检测精度，但目标提取效率相对较低。

Girshick^[33]提出了一种基于候选人脸区域快速检测模块（fast RCNN）的双阶段检测算法，采取滑动窗口选取图像中的疑似人脸区域（region proposal network，RPN），再通过极大值抑制的方法得到最终人脸，这一方法不具备尺度不变性，容易漏检捕获的视频帧中的小尺度人脸。Cascade CNN^[34]使用卷积网络作为分类器，采用多个分类器级联的结构对人脸进行检测。Zhang等^[35]提出了多任务级联卷积网络（MTCNN），采用三阶段的检测网络，第一阶段可对任意尺寸的图像进行快速的区域过滤，后两个阶段进行更精细的人脸检测，并采用回归模型而不是分类模型获得人脸区域位置。Chen等^[36]提出了监督变换网络（supervised transformer network，STN），STN分为两个阶段，第一阶段使用RPN同时预测人脸区域候选框和人脸候选锚点，然后通过映射检测到的面部标志到典型位置，对候选框进行扭曲，从而更好地规范化面部模式，第二阶段使用CNN验证扭曲的候选框是否是有效的面孔。CMS-RCNN^[37]引入了外显体情景推理融入上下文信息，进行区域划分和可疑区域选取，对小尺度人脸具备更好的检测能力。Chi等^[38]为了解决图像中小尺度人脸问题提出了选择性细化网络（selective refinement network，SRN），在低级检测层中过滤掉大多数简单的非人脸区域，从高级检测层粗略调整人脸区域的位置和大小，并设计了一个感受野增强模块，以提供更多样化的感受野，更好地捕捉极端姿势的面部信息。此后，多篇论文^[39~42]从训练数据增强、改进的特征提取和训练监督、人脸区域选定、多尺度测试策略等方面对SRN进行了优化。

尽管现有的人脸提取方法在多尺度人脸检测上不断优化，但对于安检场景广角摄像头中拥挤且遮挡较为严重的小尺度人脸仍无法保证检测精度，改进人脸目标提取算法对小尺度人脸检测能力带来提升不够显著，更依赖于人脸采集设备的成本与采集环境。

2.3　其他人脸提取算法

Yang等^[43]提出了Faceness-Net，采用粗到精的工作流，借助多个基于深度卷积神经网络的分类器对人脸进行打分，然后根据每个人脸部位的得分进行综合分析得到疑似人脸区域，最后通过一个精细化的网络得到最终的人脸检测结果。Saha等^[44]提出了一种基于循环神经网络的非线性池化算子（RNNPool），该算子可以有效地聚集图像大块上的特征，经验评估表明，当RNNPool层应用于人脸检测等标准视觉任务时，可以有效地替换常见特征，提取主干网络中的多个块。Bai等^[45]提出了一个基于生成式对抗网络的框架，能够将模糊的小尺度人脸转换为清晰的高分辨率人脸，提高了小尺度面孔检测的精度，有效解决了在模糊图像中提取目标的问题。Zhang等^[46]提出了一种自动放缩人脸检测器（automatic and scalable face detector,ASFD），ASFD基于神经结构搜索技术实现了自动特征增强模块Auto-FEM，该模块可以实现有效的多尺度特征融合和上下文增强，使用基于距离的回归和基于边缘的多任务分类损失来预测准确的边界框。

相比于有感人脸识别，无感人脸识别的交互速度快、并行度高，但基于无感采集的海量数据提取人脸信息具有更高的时间成本。对于进行身份认证的用户而言，无感人脸识别在实时性上更具优势，但对于无感人脸识别服务商而言，无感人脸识别的实时性必须依赖于更加高效的人脸目标提取技术。

3　 无感人脸识别中的目标识别技术

无感人脸识别中目标识别主要分为人脸预处理、人脸特征提取和人脸匹配三个阶段。人脸预处理是为了降低标定人脸区域中的噪声与干扰，增强人脸信息。人脸特征提取对人脸进行特征建模，将人脸图像映射到一个相同身份人脸特征相近，不同身份人脸特征相离的特征空间。人脸匹配阶段将待识别人脸与已有人脸库进行匹配得到最可能的人脸身份。

3.1　人脸数据集

对于一个无感人脸识别系统，身份识别的准确程度是至关重要的，因此在应用无感人脸识别系统之前，需要验证其识别效果。而注册人脸和系统的应用是同步存在的，因此无法获取真正的用户数据进行验证，业内具有诸多公开的人脸数据集解决了这一困境。为了无感人脸识别系统应用环境更真实，数据集不只是包括正面图像，还具有头部姿态和人脸表情变化，以及改变照明因素等外部条件后的人脸图像。常用的数据集如表1所示。

3.2　人脸预处理

由于人脸目标提取阶段获得的人脸图像基于自动捕捉到的视频帧，提取得到的人脸区域不能保障人脸的质量，拍摄角度不一、人脸扭曲、人脸遮挡与光照等因素都会对人脸识别任务产生不良影响。

针对人脸扭曲和角度不一问题的主要预处理方式是人脸对齐。人脸对齐主要分为基于人脸特征点和不基于人脸特征点定位的方法。基于人脸特征点的方式需要先定位检测出的人脸的关键点（包括五官轮廓和人脸形状），根据对齐操作变化所需要的定位点数量的不同，人脸对齐所需的精准度和效率也不同。常用特征点数量有5点^[54，55]、29点^[56]、68点^[57]、98点^[58]、106点^[59]。在基于坐标回归^[54，60~62]或热图回归^[58，63~65]等方式定位人脸特征后，再根据定位好的特征点，按照特征点设定的位置关系，对人脸进行旋转扭曲，获得对齐人脸。不基于人脸特征点的方法将人脸的对齐过程整合进CNN中，不依赖于人脸特征点。Hayat等^[66]基于Spatial-TN（spatial transformer network）直接对人脸进行几何扭曲，并联合使用后续的人脸表征模块优化人脸对齐结果。万俊等^[67]出于对人脸变化复杂性的考虑，使用辅助手段提升Spatial-TN的变形能力，更好地实现人脸对齐。

人脸遮挡通常会导致人脸信息缺失，进而影响人脸识别精度。目前，针对部分遮挡的人脸图像，通常使用深度学习的方法进行数据处理或遮挡区域修复。Cheng等^[68]提出了一种双通道SSDA神经网络，通过无遮挡标签训练激活值作为有遮挡图像的训练标签，有效地消除了部分遮挡对人脸数据带来的影响。Ge等^[69]通过最近邻方法实现了遮挡人脸图像筛选，并基于面部区域以外的特征来还原人脸信息。Zhu等^[70]提出了GlomFace，通过构建面部各部分之间的层次关系协助进行人脸识别，提高了遮挡人脸识别的鲁棒性。

光照强度弱会导致人脸信息过少，Chen^[71]提出了一种编解码器结构的图像重建技术，直接在传感器原始数据上进行像素级重建，实现了弱光环境下正常照度的RGB图像采集。Xu等^[72]基于信噪比设计注意力模块，采用新的自注意模型实现了弱光图像增强。与数据库人脸光照差异大会影响人脸特征对比结果，技术人员严格按照人脸检测相关标准和要求，科学控制光照因素，以实现对人脸信息的有效识别和检测。

3.3　人脸特征提取

随着AlexNet^[73]对图像分类精度的大幅度提升，CNN开始广泛应用于计算机视觉领域，使用CNN进行人脸特征提取也逐渐成为了主流。人脸特征提取阶段以预处理后的人脸图像为输入，通过特征提取网络得到人脸特征。表达能力越强的网络架构越能表示出丰富的人脸信息，对特征的抽象能力更强大。DeepID^[74]通过融合卷积层和上一层池化层的输出来增强特征表达。FaceNet^[75]采用局部多分支性网络结构融合多尺度的特征。为了更好地提取人脸特征，研究者针对人脸表示体系结构设计了特殊框架^[76~78]。人脸特征提取是人脸识别领域主要研究的内容，目前在实验环境下已实现高精度识别。表2为常用人脸特征提取模型在公开数据集LFW^[79]上进行人脸识别的精度结果（\mathrm{精度}=\frac{\mathrm{识别}\mathrm{结果}\mathrm{正确}\mathrm{的人}\mathrm{脸数}}{\mathrm{总的}\mathrm{识别}\mathrm{结果}\mathrm{人脸}\mathrm{数}}\times \mathrm{100}\mathrm{\%}）。

3.4　人脸匹配

人脸匹配是无感人脸识别的最后一个环节，通过计算人脸特征提取网络得到的特征与人脸特征库中特征的距离，将距离最为相近的身份作为识别结果。进行比对前，部分方法^[86，87]会将特征提取网络得到的人脸特征进行重映射，将原有的特征转换到新的特征空间，使得同一身份人脸分布更为接近，不同身份人脸分布更远，然后再计算人脸特征的间距。也可直接通过损失函数^[88~90]求解不同特征向量之间的距离，得到人脸之间的相似度，最终根据设定阈值得到待识别人脸的身份。损失函数为衡量特征向量间距的一种方式，有效的损失计算更有利于人脸特征的匹配。

4　 无感人脸识别的应用场景与面对的挑战

4.1　无感人脸识别的应用场景

从20世纪90年代起，人脸识别开始得到应用，到目前已经广泛应用于交通管理、金融支付、安全等领域。其中最为广泛的应用方式——刷脸支付，相较于使用人民币、信用卡或二维码的交易方式，因为具有无接触性、不易丢失的特点，保障了用户的财产安全、简化了交易的复杂程度。对于同样应用成熟的门禁系统领域，人脸识别验证通行的方式具备不可复制性，相对于传统的门禁卡出入方式更具备安全性。上述场景人脸识别任务量小，对任务没有并行处理的要求，无感人脸识别的无感化与并行化优势不明显。

无感人脸识别适合应用于人脸密集、精度要求高、具有卫生安全要求的应用场景，如体育场馆人员众多，身份复杂，活动频繁，针对赛事防疫需求，无感人脸识别可协助实现参与人员的无接触身份认证，保障赛事卫生安全。在已结束的北京2022冬奥会上，五棵松体育中心部署了一款亿像素阵列像感器光场相机^[91]，结合AI智能分析平台，实现了对所有场馆所有人员的无感识别。

城市轨道交通也引入了人脸识别技术，与单人通行闸机相结合实现身份验证，这种过闸方式需要待出站乘客站立在人脸采集设备的摄像范围中，在无其他人脸的干扰下进行身份识别，排队依次进行身份验证。城市轨道交通属于人流量大、任务量密集的公共场景，以武汉地铁为例，对历史过闸数据的统计情况显示（https://iwuhan.org/webapps/WuhanMetro），从2020年6月12日到2021年5月29日近一年时间内，平均每日客流量达到254.82万乘次，相当于武汉每天有近20%的常住人口通过地铁流动，最高日乘次量更是达到了431.37万。对于城市轨道交通这类任务量大，安全要求高且具有明显的人流高峰期的场景，过闸所需的支付与通行凭证必须不可复制、不易丢失，人流密集亟待加快通行速度，公共场所应避免人群密切接触性。相比于依次同行的普通人脸识别方式，无感人脸识别能够充分利用人脸识别便携、不易丢失、无接触、低交互、并行识别的优势，因此，无感人脸识别也适合应用于城市轨道交通中进行身份验证。

智慧城市与智慧社区是另一类适合部署无感人脸识别系统的场景。2018年，文献[92]创建了人脸综合识别追踪系统EvoFIT，该系统通过构建犯罪嫌疑人面部中心区域的一部分特征在监控视频流上的识别率接近60%，EvoFIT已被英国警方采纳使用。目前，“中国天网”工程已经建成了世界上最大的视频监控网络，视频镜头超过2 000万个，基于视频监控的人员身份鉴别与人员轨迹分析技术位居世界前列。相比于有感人脸识别系统，无感人脸识别更符合大规模视频监控器网络对低交互、并行化的要求，与“中国天网”相结合，无感人脸识别系统可充分发挥已部署视频监控器的硬件优势，极大地推动智慧城市建设。

4.2　无感人脸识别技术面临的挑战

从上一节中已应用无感人脸识别系统的场景可以看出，现有无感人脸识别技术大部分仍集中在面向监控摄像头的安防领域，通常起到简化安检流程协助识别特殊人员的作用，无感人脸识别技术距离大规模应用还需要解决识别可靠性较弱和计算成本高昂的问题。要解决这两个问题，无感人脸识别技术面临如下三个挑战：

1） 无感人脸采集数据与人脸注册库特征差异大。上文已分析过，由于现有人脸注册库仅包含用户正面高清图像的特征，与无感人脸识别系统采集到的自然通行状态的行人图像之间差距极大，导致了无感人脸识别精度难以保证，难以应用到移动支付这样对可靠性有严格要求的场景。人脸库增强技术和三维人脸库被认为是解决这一挑战的有潜力的方法，目前的三维人脸技术与三维协助的二维人脸识别技术已具备一定的实用性，但受限于三维人脸采集设备的高成本与高数据量，在人机交互部分仍主要是用二维人脸采集技术。随着三维相机的发展与普及，基于结构光技术的人脸采集技术将成为解决此挑战的关键，最新研究^[93]表明，毫米级精度的3维人脸采集流量已经可以降低到100 MB/s，这意味着3维相机已经具备大规模商用可能。

2） 无感人脸识别计算成本高。无感人脸识别的视频帧捕捉环节基于单个设备采集的视频流进行人脸图像筛选，无法过滤设备间的冗余数据。目标提取阶段对所有设备传入的全部图像进行检测，多传感设备相似的图像输入会造成计算资源和时间的浪费。上述两个环节中的计算冗余和数据通信冗余导致了资源浪费，提高了无感人脸识别系统的计算成本，使得无感人脸识别技术难以推广。研究如何过滤所采集的冗余人脸数据，提高资源利用率，是无感人脸识别大规模应用的关键。当前最新颖的冗余人脸过滤技术^[94]已经能够在不使用深度学习模型的相机芯片上过滤掉51%到97%的冗余帧，极大地降低了无感人脸识别视频帧捕捉与后续环节的计算成本。

3） 无感人脸识别因为具有“并行”识别的能力，相较于其他人脸识别更具备实时性，在应用人脸识别无感化时，需要更多的传感器设备采集数据，更多的计算设备一直提供算力支撑，而不同区域设备负载随时间变化巨大，导致了算力资源的浪费。因此，选择合适的设备部署方案，在无感人脸识别准确率、识别实时性和设备成本之间找到最佳权衡，是人脸识别无感化的第三大挑战。当前的计算卸载与资源分配技术已较为成熟，但大规模人脸采集器之间的负载均衡与计算调度仍是一个难题，需要在真实场景中不断测试与调整。

5　 结 语

自2014年人脸识别领域引入深度卷积神经网络以来，人脸识别算法的精度经过快速增长，目前虽已放缓了增长速度但在多个数据集上识别算法的精度都已超越了人类。

尽管由于真实场景中人脸图像获取受到人脸角度、行走速度、光线、遮挡物等多种因素的影响，无感人脸识别技术还有待提高，然而无感人脸识别以其自身无接触、低交互、高并行的特性具备极深的挖掘潜力和广阔的发展前景，同时智能计算与网络技术的发展为人脸识别无感化应用提供了适宜条件。可以预见，无感人脸识别在未来会成为大多数公共场所身份认证的方式，具有广阔的前景。在安全领域，无感人脸识别将在现有的监控视频基础上进一步加深应用，通过更高的识别精度和更高效的识别与检索速度发挥大规模视频监控器网络的作用，协助公安部门和社区工作人员维护社会安全。在支付领域，进一步提高可靠性，无感人脸识别将逐步替代刷卡、刷二维码或闸机刷脸等“单个采集，逐一识别”的低效率身份验证技术；减小计算冗余，降低高成本，无感人脸识别将广泛应用于超市购物、公共交通等场景，凭借无感化和并行化的优势提高效率。在服务领域，无感人脸识别技术将在用户无接触无感知条件下实现对用户身份的准确识别，比如酒店订房与网上预约信息自动关联以降低前台人员工作量和直接接触带来的疾病传播风险，通过人脸信息自动检索物品失主并定向完成失物归还等。在后疫情时代，戴口罩出行已成为社会共识，然而，目前公共场所部署的人脸识别设施大多需用户摘下口罩或结合证件完成身份认证过程，这一现状况源自常规人脸采集与识别技术对遮挡目标的不适用。无感人脸识别通过完善人脸库，优化采集技术等方法能够全方位提高对戴口罩行人的识别效果。

在无感人脸识别便利高效的特性下，也掩藏着隐私安全的缺陷，人脸识别的安全认证对象是人脸，人脸特征作为人的身份密钥，在人类成年后便不会变化，如果不法分子利用微型摄像头隐秘地采集人脸，人脸特征身份密钥容易被破解。此外，无处不在的人脸采集设备为消费者带来了隐私暴露的危机，令消费者担忧个人信息被滥用。解决此类问题需要在无感人脸识别所涉个人信息和数据安全等方面建立健全保障体系，需要相关机构对自身风险管控能力的重视与提升。广泛且安全地应用无感人脸识别这一无感交互的身份认证技术，仍需研究者与社会各界的努力，共同打造绿色安全的保障体系。

参考文献

[1] DING C X， TAO D C. A comprehensive survey on pose-invariant face recognition［J］. ACM Transactions on Intelligent Systems and Technology， 2016， 7（3）： 37. DOI：10.1145/2845089 .

[2] ZHOU E J， FAN H Q， CAO Z M， et al. Learning face hallucination in the wild［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2015， 29（1）： 3871-3877. DOI：10.1609/aaai.v29i1.9795 .

[3] HUANG D D， LIU H. Face hallucination using convolutional neural network with iterative back projection［C］//Biometric Recognition. Cham： Springer International Publishing， 2016： 167-175. DOI：10.1007/978-3-319-46654-5_19 .

[4] CHEN C F， GONG D H， WANG H， et al. Learning spatial attention for face super-resolution［J］. IEEE Transactions on Image Processing， 2021， 30： 1219-1231. DOI：10.1109/TIP.2020.3043093 .

[5] CHUDASAMA V， NIGHANIA K， UPLA K， et al. E-ComSupResNet： Enhanced face super-resolution through compact network［J］. IEEE Transactions on Biometrics， Behavior，and Identity Science， 2021， 3（2）： 166-179. DOI：10.1109/TBIOM.2021.3059196 .

[6] 王皓洁. 复杂场景下的动态实时人脸识别研究与实现［D］. 成都： 四川大学， 2021.

[7] WANG H J. Research and Implementation of Dynamic Real⁃Time Face Recognition in Complex Scenes ［D］. Chengdu： Sichuan University， 2021 （Ch）.

[8] SOLTANPOUR S， BOUFAMA B， JONATHAN WU Q M. A survey of local feature methods for 3D face recognition［J］. Pattern Recognition， 2017， 72： 391-406. DOI：10.1016/j.patcog.2017.08.003 .

[9] COSKER D， KRUMHUBER E， HILTON A. A FACS valid 3D dynamic action unit database with applications to 3D dynamic morphable facial modeling［C］//2011 International Conference on Computer Vision. New York： IEEE Press，2011： 2296-2303. DOI：10.1109/ICCV.2011.6126510 .

[10] HERNANDEZ M， CHOI J， MEDIONI G. Laser scan quality 3-D face modeling using a low-cost depth camera ［C］// Proceedings of the 20th European Signal Processing Conference. New York： IEEE Press， 2012： 995-1999.

[11] 张静， 吕柳， 闫爱民. 结构光三维成像技术研究进展［J］. 上海师范大学学报（自然科学版）， 2021， 50（4）： 391-401.

[12] ZHANG J， LÜ L， YAN A M. A review of structural light 3D imaging technology［J］. Journal of Shanghai Normal University （Natural Sciences）， 2021， 50（4）： 391-401 （Ch）.

[13] 傅泽华， 龚勋， 李天瑞. 二维及三维多模人脸数据库构建［J］. 数据采集与处理， 2017， 32（3）： 595-603. DOI：10.16337/j.1004-9037.2017.03.019 .

[14] FU Z H， GONG X， LI T R. 2D & 3D multi-modal face database［J］. Journal of Data Acquisition and Processing， 2017， 32（3）： 595-603. DOI：10.16337/j.1004-9037.2017.03.019（Ch ）.

[15] MALLIKARJUN B R， TEWARI A， OH T H， et al. Monocular reconstruction of neural face reflectance fields［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. New York： IEEE Press， 2021： 4789-4798. DOI：10.1109/CVPR46437.2021.00476 .

[16] FARAKI M， YU X， TSAI Y H， et al. Cross-domain similarity learning for face recognition in unseen domains［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. New York： IEEE Press， 2021： 15287-15296. DOI：10.1109/CVPR46437.2021.01504 .

[17] TEWARI A， SEIDEL H P， ELGHARIB M，et al. Learning complete 3D morphable face models from images and videos［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. New York： IEEE Press， 2021： 3360-3370. DOI：10.1109/CVPR46437.2021.00337 .

[18] HASSNER T， HAREL S， PAZ E， et al. Effective face frontalization in unconstrained images［C］//2015 IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE Press，2015： 4295-4304. DOI：10.1109/CVPR.2015.7299058 .

[19] LUO J， HU F， WANG R H. 3D face recognition based on deep learning［C］//2019 IEEE International Conference on Mechatronics and Automation. New York： IEEE Press，2019： 1576-1581. DOI：10.1109/ICMA.2019.8816269 .

[20] 梁烨， 张鸿洲， 李明源. 面向视频监控点位部署评估的基于风险熵改进蚁群算法［J］. 计算机应用研究， 2020， 37（S1）： 98-101.

[21] LIANG Y， ZHANG H Z， LI M Y. Improved ant colony algorithm based on risk entropy for camera deployment evaluation of video surveillance system［J］. Application Research of Computers， 2020， 37（S1）： 98-101 （Ch）.

[22] 张良， 袁鸿俊， 贾晓菲. 轨道交通安防集成平台及监控点位设置原则和标准［J］. 中国安防， 2021（3）： 108-112. DOI: 10.3969/j.issn.1673-7873.2021.03.023 .

[23] ZHANG L， YUAN H J， JIA X F. Principles and standards of rail transit security integrated platform and monitoring point setting［J］. China Security ＆ Protection， 2021（3）： 108-112 （Ch）. DOI: 10.3969/j.issn.1673-7873.2021.03.023 .

[24] ZHANG Z W， JING T， HAN J N， et al. Flow-process foreground region of interest detection method for video codecs［J］. IEEE Access，2017， 5： 16263-16276. DOI：10.1109/ACCESS.2017.2733219 .

[25] CHEN T Y H， RAVINDRANATH L， DENG S， et al. Glimpse： Continuous， real-time object recognition on mobile devices［C］//Proceedings of the 13th ACM Conference on Embedded Networked Sensor Systems. New York： ACM， 2015： 155-168. DOI：10.1145/2809695.2809711 .

[26] GUO P Z， HU B， LI R， et al. FoggyCache： Cross-device approximate computation reuse［C］//Proceedings of the 24th Annual International Conference on Mobile Computing and Networking. New York： ACM， 2018： 19-34. DOI：10.1145/3241539.3241557 .

[27] CANEL C， KIM T， ZHOU G， et al. Scaling video analytics on constrained edge nodes ［J］. Machine Learning and Systems， 2019，1：406-417.

[28] LIU W， ANGUELOV D， ERHAN D， et al. SSD： Single shot MultiBox detector［C］// Proceedings of the European Conference on Computer Vision―ECCV 2016. Cham： Springer International Publishing， 2016： 21-37. DOI：10.1007/978-3-319-46448-0_2 .

[29] LI J， WANG Y B， WANG C G， et al. DSFD： Dual shot face detector［C］//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. New York： IEEE Press，2019： 5055-5064. DOI：10.1109/CVPR.2019.00520 .

[30] ZHANG S F， ZHU X Y， LEI Z， et al. S3FD： Single shot scale-invariant face detector［C］//2017 IEEE International Conference on Computer Vision. New York： IEEE Press，2017： 192-201. DOI：10.1109/ICCV.2017.30 .

[31] ZHANG S F， ZHU X Y， LEI Z， et al. FaceBoxes： A CPU real-time face detector with high accuracy［C］//2017 IEEE International Joint Conference on Biometrics. New York： IEEE Press，2017： 1-9. DOI：10.1109/BTAS.2017.8272675 .

[32] LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection［C］//2017 IEEE International Conference on Computer Vision. New York： IEEE Press，2017： 2999-3007. DOI：10.1109/ICCV.2017.324 .

[33] NAJIBI M， SAMANGOUEI P， CHELLAPPA R， et al. SSH： Single stage headless face detector［C］//2017 IEEE International Conference on Computer Vision. New York： IEEE Press， 2017： 4885-4894. DOI：10.1109/ICCV.2017.522 .

[34] XU T， DU D K， HE Z， et al. PyramidBox： A context-assisted single shot face detector ［C］// Proceedings of the European Conference on Computer Vision. Berlin：Springer，2018：797-813. DOI: 10.1007/978-3-030-01240-3_49 .

[35] LI Z H， TANG X， HAN J Y， et al. PyramidBox++： High performance detector for finding tiny face［EB/OL］. 2019： arXiv： 1904.00386.

[36] HU P Y， RAMANAN D. Finding tiny faces［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE Press， 2017： 1522-1530. DOI：10.1109/CVPR.2017.166 .

[37] ZHANG J L， WU X W， HOI S C H， et al. Feature agglomeration networks for single stage face detection［J］. Neurocomputing， 2020， 380： 180-189. DOI：10.1016/j.neucom.2019.10.087 .

[38] GIRSHICK R. Fast R-CNN［C］//2015 IEEE International Conference on Computer Vision. New York： IEEE Press， 2015： 1440-1448. DOI：10.1109/ICCV.2015.169 .

[39] LI H X， LIN Z， SHEN X H， et al. A convolutional neural network cascade for face detection［C］//2015 IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE Press， 2015： 5325-5334. DOI：10.1109/CVPR.2015.7299170 .

[40] ZHANG K P， ZHANG Z P， LI Z F， et al. Joint face detection and alignment using multitask cascaded convolutional networks［J］. IEEE Signal Processing Letters， 2016， 23（10）： 1499-1503. DOI：10.1109/LSP.2016.2603342 .

[41] CHEN D， HUA G， WEN F， et al. Supervised transformer network for efficient face detection［C］//Computer Vision ―ECCV 2016. Cham： Springer International Publishing，2016： 122-138. DOI：10.1007/978-3-319-46454-1_8 .

[42] ZHU C C， ZHENG Y T， LUU K， et al. CMS-RCNN： Contextual multi-scale region-based CNN for unconstrained face detection［C］//Deep Learning for Biometrics. Cham： Springer International Publishing， 2017： 57-79. DOI：10.1007/978-3-319-61657-5_3 .

[43] CHI C， ZHANG S F， XING J L， et al. Selective refinement network for high performance face detection［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2019， 33： 8231-8238. DOI：10.1609/aaai.v33i01.33018231 .

[44] ZHANG F E， FAN X Y， AI G， et al. Accurate face detection for high performance［EB/OL］. 2019： arXiv： 1905.01585.

[45] ZHANG S F， ZHU R， WANG X B， et al. Improved selective refinement network for face detection［EB/OL］. 2019： arXiv：1905.06651.

[46] ZHANG Y D， XU X， LIU X T. Robust and high performance face detector［EB/OL］. 2019： arXiv： 1901.02350.

[47] ZHANG S F， CHI C， LEI Z， et al. RefineFace： Refinement neural network for high performance face detection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021， 43（11）： 4008-4020. DOI：10.1109/TPAMI.2020.2997456 .

[48] YANG S， LUO P， LOY C C， et al. Faceness-net： Face detection through deep facial part responses［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2018， 40（8）： 1845-1859. DOI：10.1109/TPAMI.2017.2738644 .

[49] SAHA O， KUSUPATI A， SIMHADRI H V， et al. RNNpool： Efficient non-linear pooling for ram constrained inference［C］// The Annual Conference on Neural Information Processing Systems. Virtual： MIT Press，2020：20473-20484.

[50] BAI Y C， ZHANG Y Q， DING M L， et al. Finding tiny faces in the wild with generative adversarial network［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York： IEEE Press，2018： 21-30. DOI：10.1109/CVPR.2018.00010 .

[51] ZHANG B， LI J， WANG Y B， et al. ASFD： Automatic and scalable face detector［EB/OL］. 2020： arXiv： 2003.11228. DOI: 10.1145/3474085.3475372 .

[52] JAIN V， LEARNED-MILLER E. FDDB： A benchmark for face detection in unconstrained settings［EB/OL］. ［2021-10-20］.

[53] YI D， LEI Z， LIAO S C， et al. Learning face representation from scratch［EB/OL］. 2014： arXiv： 1411.7923.

[54] YANG B， YAN J J， LEI Z， et al. Fine-grained evaluation on face detection in the wild［C］//2015 11th IEEE International Conference and Workshops on Automatic Face and Gesture Recognition. New York： IEEE Press，2015： 1-7. DOI：10.1109/FG.2015.7163158 .

[55] LIU Z W， LUO P， WANG X G， et al. Deep learning face attributes in the wild［C］//2015 IEEE International Conference on Computer Vision. New York： IEEE Press，2015： 3730-3738. DOI：10.1109/ICCV.2015.425 .

[56] YANG S， LUO P， LOY C C， et al. WIDER FACE： A face detection benchmark［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE Press，2016： 5525-5533. DOI：10.1109/CVPR.2016.596 .

[57] WANG F， CHEN L R， LI C， et al. The devil of face recognition is in the noise［C］//Computer Vision-ECCV 2018. Cham： Springer International Publishing， 2018： 780-795. DOI：10.1007/978-3-030-01240-3_47 .

[58] AN X， ZHU X H， GAO Y， et al. Partial FC： Training 10 million identities on a single machine［C］//2021 IEEE/CVF International Conference on Computer Vision Workshops（ICCVW）. New York： IEEE Press，2021： 1445-1449. DOI：10.1109/ICCVW54120.2021.00166 .

[59] SUN Y， WANG X G， TANG X O. Deep convolutional network cascade for facial point detection［C］//2013 IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE Press，2013 ： 3476-3483. DOI：10.1109/CVPR.2013.446 .

[60] ZHANG Z P， LUO P， LOY C C， et al. Facial landmark detection by deep multi-task learning［C］//Computer Vision-ECCV 2014. Cham： Springer International Publishing，2014： 94-108. DOI：10.1007/978-3-319-10599-4_7 .

[61] BURGOS-ARTIZZU X P， PERONA P， DOLLÁR P. Robust face landmark estimation under occlusion［C］//2013 IEEE International Conference on Computer Vision. New York： IEEE Press，2013： 1513-1520. DOI：10.1109/ICCV.2013.191 .

[62] ZHOU E J， FAN H Q， CAO Z M， et al. Extensive facial landmark localization with coarse-to-fine convolutional network cascade［C］//Proceedings of the 2013 IEEE International Conference on Computer Vision Workshops. New York： ACM， 2013： 386-391. DOI：10.1109/ICCVW.2013.58 .

[63] WU W Y， QIAN C， YANG S， et al. Look at boundary： A boundary-aware face alignment algorithm［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York： IEEE Press，2018 ： 2129-2138. DOI：10.1109/CVPR.2018.00227 .

[64] LIU， Y L， SHEN H， YUE S， et al. Grand challenge of 106-point facial landmark localization ［C］// The IEEE International Conference on Multimedia & Expo Workshops. New York： IEEE Press， 2019： 613-616. DOI: 10.1109/icmew.2019.00117 .

[65] LÜ J J， SHAO X H， XING J L， et al. A deep regression architecture with two-stage re-initialization for high performance facial landmark detection［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE Press，2017： 3691-3700. DOI：10.1109/CVPR.2017.393 .

[66] LIU H， LU J W， GUO M H， et al. Learning reasoning-decision networks for robust face alignment［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 42（3）： 679-693. DOI：10.1109/TPAMI.2018.2885298 .

[67] WU Y， HASSNER T， KIM K， et al. Facial landmark detection with tweaked convolutional neural networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2018， 40（12）： 3067-3074. DOI：10.1109/TPAMI.2017.2787130 .

[68] CHEN L S， SU H， JI Q. Face alignment with kernel density deep neural network［C］//2019 IEEE/CVF International Conference on Computer Vision（ICCV）. New York： IEEE Press，2019 ： 6991-7001. DOI：10.1109/ICCV.2019.00709 .

[69] KUMAR A， MARKS T K， MOU W X， et al. LUVLi face alignment： Estimating landmarks’ location， uncertainty， and visibility likelihood［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. New York： IEEE Press， 2020： 8233-8243. DOI：10.1109/CVPR42600.2020.00826 .

[70] LIU Z W， ZHU X Y， HU G S， et al. Semantic alignment： Finding semantically consistent ground-truth for facial landmark detection［C］//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. New York： IEEE Press，2019： 3462-3471. DOI：10.1109/CVPR.2019.00358 .

[71] HAYAT M， KHAN S H， WERGHI N， et al. Joint registration and representation learning for unconstrained face identification［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE Press，2017： 1551-1560. DOI：10.1109/CVPR.2017.169 .

[72] 万俊， 李晶， 常军， 等. 基于局部形状组合模型的人脸对齐［J］. 计算机学报， 2018， 41（9）： 2162-2174. DOI：10.11897/SP.J.1016.2018.02162 .

[73] WAN J， LI J， CHANG J， et al. Face alignment on local-shape-based combined model［J］. Chinese Journal of Computers， 2018， 41（9）： 2162-2174. DOI：10.11897/SP.J.1016.2018.02162（Ch ）.

[74] CHENG L L， WANG J J， GONG Y H， et al. Robust deep auto-encoder for occluded face recognition［C］//Proceedings of the 23rd ACM International Conference on Multimedia. New York： ACM， 2015： 1099-1102. DOI：10.1145/2733373.2806291 .

[75] GE S M， LI J， YE Q T， et al. Detecting masked faces in the wild with LLE-CNNs［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE Press， 2017： 426-434. DOI：10.1109/CVPR.2017.53 .

[76] ZHU C C， WAN X T， XIE S R， et al. Occlusion-robust face alignment using a viewpoint-invariant hierarchical network architecture［C］//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. New York： IEEE Press， 2022： 11102-11111. DOI：10.1109/CVPR52688.2022.01083 .

[77] CHEN C， CHEN Q F， XU J， et al. Learning to see in the dark［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York： IEEE Press，2018 ： 3291-3300. DOI：10.1109/CVPR.2018.00347 .

[78] XU X G， WANG R X， FU C W， et al. SNR-aware low-light image enhancement［C］//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. New York： IEEE Press， 2022： 17693-17703. DOI：10.1109/CVPR52688.2022.01719 .

[79] KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM， 2017， 60（6）： 84-90. DOI：10.1145/3065386 .

[80] SUN Y， CHEN Y H， WANG X G， et al. Deep learning face representation by joint identification-verification［C］//Proceedings of the 27th International Conference on Neural Information Processing Systems-Volume 2. New York： ACM， 2014： 1988-1996.

[81] SCHROFF F， KALENICHENKO D， PHILBIN J. FaceNet： A unified embedding for face recognition and clustering［C］//2015 IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE Press， 2015： 815-823. DOI：10.1109/CVPR.2015.7298682 .

[82] KANG B N， KIM Y， JUN B， et al. Attentional feature-pair relation networks for accurate face recognition［C］//2019 IEEE/CVF International Conference on Computer Vision（ICCV）. New York： IEEE Press，2019： 5471-5480. DOI：10.1109/ICCV.2019.00557 .

[83] 李倩玉， 蒋建国， 齐美彬. 基于改进深层网络的人脸识别算法［J］. 电子学报， 2017， 45（3）： 619-625. DOI: 10.3969/j.issn.0372-2112.2017.03.017 .

[84] LI Q Y， JIANG J G， QI M B. Face recognition algorithm based on improved deep networks［J］. Acta Electronica Sinica， 2017， 45（3）： 619-625 （Ch）. DOI: 10.3969/j.issn.0372-2112.2017.03.017 .

[85] 李照奎， 丁立新， 何进荣， 等. 基于图像分解的人脸特征表示［J］. 软件学报， 2014， 25（9）： 2102-2118. DOI：10.13328/j.cnki.jos.004651 .

[86] LI Z K， DING L X， HE J R， et al. Face feature representation based on image decomposition［J］. Journal of Software， 2014， 25（9）： 2102-2118. DOI：10.13328/j.cnki.jos.004651（Ch ）.

[87] HUANG G B， MATTAR M， BERG T， et al. Labeled faces in the wild： A database for studying face recognition in un-constrained environments ［C］// Workshop on Faces in Real⁃Life Images：Detection，Alignment，and Recognition. Marseille：Springer，2008.

[88] TAIGMAN Y， YANG M， RANZATO M， et al. DeepFace： Closing the gap to human-level performance in face verification［C］//2014 IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE Press， 2014： 1701-1708. DOI：10.1109/CVPR.2014.220 .

[89] LIU J T， DENG Y F， BAI T， et al. Targeting ultimate accuracy： Face recognition via deep embedding［EB/OL］. 2015： arXiv： 1506.07310.

[90] PARKHI O M， VEDALDI A， ZISSERMAN A. Deep face recognition［C］//Proceedings of the British Machine Vision Conference 2015. Swansea ： British Machine Vision Association， 2015： 1-12. DOI：10.5244/c.29.41 .

[91] LIU W Y， WEN Y D， YU Z D， et al. SphereFace： deep hypersphere embedding for face recognition［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE Press，2017： 6738-6746. DOI：10.1109/CVPR.2017.713 .

[92] DENG J K， GUO J， XUE N N， et al. ArcFace： additive angular margin loss for deep face recognition［C］//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. New York： IEEE Press， 2019： 4685-4694. DOI：10.1109/CVPR.2019.00482 .

[93] GUO Y D， ZHANG L， HU Y X， et al. MS-celeb-1M： A dataset and benchmark for large-scale face recognition［C］//Computer Vision-ECCV 2016. Cham： Springer International Publishing， 2016： 87-102. DOI：10.1007/978-3-319-46487-9_6 .

[94] CHEN D， CAO X D， WANG L W， et al. Bayesian face revisited： A joint formulation［C］//Computer Vision-ECCV 2012. Heidelberg： Springer， 2012： 566-579. DOI：10.1007/978-3-642-33712-3_41 .

[95] SUN Y， CHEN Y， WANG X， et al. Deep learning face representation by joint identification-verification ［C］// Proceedings of the Conference and Workshop on Neural Information Processing Systems. Montréal：MIT Press，2014：1988-1996.

[96] WANG F， CHENG J， LIU W Y， et al. Additive margin softmax for face verification［J］. IEEE Signal Processing Letters， 2018， 25（7）： 926-930. DOI：10.1109/LSP.2018.2822810 .

[97] WANG H， WANG Y T， ZHOU Z， et al. CosFace： Large margin cosine loss for deep face recognition［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York： IEEE Press，2018： 5265-5274. DOI：10.1109/CVPR.2018.00552 .

[98] ZHENG Y T， PAL D K， SAVVIDES M. Ring loss： Convex feature normalization for face recognition［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York： IEEE Press， 2018： 5089-5097. DOI：10.1109/CVPR.2018.00534 .

[99] 华凌，宋敏.“火眼金睛”助力冬奥精准防疫［N］. 科技日报， 2022-01-21（002）.

[100] HUA L， SONG M. “Piercing Eyes” Helps Winter Olympics Precise Epidemic Prevention［N］. Science and Technology Daily， 2022-01-21（002）（Ch）.

[101] MARTIN A J， PETER J B H， FROWD C D， et al. EvoFIT composite face construction via practitioner interviewing and a witness-administered protocol［C］//2018 NASA/ESA Conference on Adaptive Hardware and Systems （AHS）. New York： IEEE Press， 2018： 311-316. DOI：10.1109/AHS.2018.8541464 .

[102] GUTIERREZ-BARRAGAN F， INGLE A， SEETS T， et al. Compressive single-photon 3D cameras［C］//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. New York： IEEE Press， 2022： 17833-17843. DOI：10.1109/CVPR52688.2022.01733 .

[103] LI Y， PADMANABHAN A， ZHAO P， et al. Reducto： On-camera filtering for resource-efficient real-time video analytics［C］// Proceedings of the Annual Conference of the ACM Special Interest Group on Data Communication on the Applications， Technologies， Architectures， and Protocols for Computer Communication. New York：ACM，2020：359-376. DOI: 10.1145/3387514.3405874 .

基金资助

中铁第四勘察设计院集团有限公司科研计划课题(2020K177)