关于人脸识别算法对不同照明技术的鲁棒性研究

对于在正常照明技术下采集得到的人脸图像，现有的人脸识别算法如MTCNN算法、RetinaFace算法，已经能够取得相当高的人脸识别率。然而在某些特殊应用中，对于在特殊照明技术下采集得到的人脸图像，现有的人脸识别算法是否具有很好的鲁棒性，保持较高的人脸识别率，并没有确切的实验结果能够给出我们结论。本文收集了6 000多张在不同照明技术下得到的人脸图像作为我们的混合人脸数据库，并利用LBPH算法、卷积神经网络(CNN)、MTCNN算法、RetinaFace算法设计出了四种有效的人脸识别网络，分别对开源的WIDER FACE人脸数据库和我们的混合人脸数据库进行了测试。最终发现RetinaFace算法对于不同照明技术得到的人脸图像具有较好的鲁棒性。我们进一步利用深度学习标注工具对RetinaFace算法误判的人脸图像进行了标注，并将标注后的图像送入到RetinaFace人脸识别网络中重新训练，优化后的RetinaFace人脸检测模型得到了98.6%的人脸识别准确率，使得RetinaFace算法对不同光照条件的鲁棒性取得了进一步的提升。