基于概率加權(quán)AdaBoost與YCrCb顏色空間算法的人臉檢測(cè)系統(tǒng)

摘" 要：隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，人臉檢測(cè)已經(jīng)應(yīng)用到各個(gè)領(lǐng)域，但是依然存在在低光照和有遮擋等復(fù)雜背景下人臉檢測(cè)率低的問(wèn)題，針對(duì)這一問(wèn)題，文章提出了一種基于概率加權(quán)的AdaBoost與YCrCb顏色空間算法相結(jié)合的人臉檢測(cè)方法。文章使用Haar-like矩形特征作為人臉特征的提取算法，將概率加權(quán)的AdaBoost算法與改進(jìn)的YCrCb顏色空間算法相結(jié)合提高人臉檢測(cè)的檢測(cè)率。實(shí)驗(yàn)證明，在不同光照下、不同角度以及面部遮擋下的情況下，文章提出的算法可以在提高檢測(cè)率的同時(shí)，大幅度地降低計(jì)算的復(fù)雜度。

關(guān)鍵詞：人臉檢測(cè)；矩形特征；概率加權(quán)的AdaBoost；檢測(cè)率

中圖分類(lèi)號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2025）03-0079-06

Face Detection System Based on Probability-weighted AdaBoost and YCrCb Color Space Algorithm

MA Wenting， JIANG Nannan

（Harbin Huade University， Harbin" 150025， China）

Abstract： With the rapid development of computer technology， face detection has been applied to various fields， but there are still problems of low face detection rate in complex backgrounds such as low light and occlusion. Aiming at the problem， this paper proposes a face detection method based on probability-weighted AdaBoost and YCrCb color space algorithm. Haar-like rectangular features are used as the extraction algorithm for face features in this paper， and the probability-weighted AdaBoost algorithm is combined with the improved YCrCb color space algorithm to improve the detection rate of face detection. Experiments show that the algorithm proposed in this paper can greatly reduce the complexity of the calculation while improving the detection rate under the conditions with different light， different angles and face occlusion.

Keywords： face detection; rectangular feature; probability-weighted AdaBoost; detection rate

0" 引" 言

人臉檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)活躍的研究領(lǐng)域，人臉檢測(cè)技術(shù)已經(jīng)廣泛應(yīng)用于移動(dòng)支付、門(mén)禁、安檢等場(chǎng)景，給大眾生活帶來(lái)了便利的同時(shí)也引發(fā)了新的安全問(wèn)題[1]。在復(fù)雜環(huán)境中光照條件不穩(wěn)定，如強(qiáng)光、弱光、背光等，都可能導(dǎo)致人臉圖像特征不明顯[2-3]。從而影響檢測(cè)效果；人群、建筑物、樹(shù)木等遮擋物，以及光影變化、動(dòng)態(tài)物體等干擾因素，會(huì)直接影響人臉檢測(cè)的準(zhǔn)確性[4-5]。檢測(cè)率的高誤報(bào)可能影響用戶體驗(yàn)，引發(fā)安全隱患，提高人臉檢測(cè)的準(zhǔn)確度已經(jīng)是得到高度重視。目前，已經(jīng)發(fā)表了許多人臉檢測(cè)算法。

Majumder等人提出了應(yīng)用Haar級(jí)聯(lián)分類(lèi)器的進(jìn)行人臉識(shí)別的技術(shù)，通過(guò)使用來(lái)自全正面面部照片，從而提高人臉識(shí)別的檢測(cè)度[6]。針對(duì)人臉不同的面部表情，為了精準(zhǔn)識(shí)別，提出了一種利用深度學(xué)習(xí)技術(shù)進(jìn)行多模態(tài)面部表情識(shí)別的新方法，利用灰度共現(xiàn)矩陣（GLCM）從面部中提取顯著特征，利用多類(lèi)人工神經(jīng)網(wǎng)絡(luò)（MCANN）和Adaboost對(duì)人臉數(shù)據(jù)進(jìn)行數(shù)據(jù)集訓(xùn)練和特征分類(lèi)，區(qū)分?jǐn)?shù)據(jù)庫(kù)中的每一個(gè)獨(dú)特人臉[7]。同時(shí)，采用AdaBoost算法進(jìn)行人臉檢測(cè)的研究利用Haar-like模型來(lái)表征人臉器官，在仿真軟件中通過(guò)“積分圖”轉(zhuǎn)換來(lái)尋求Haarlike特征數(shù)值的快速計(jì)算。利用AdaBoost算法訓(xùn)練出一些具備人臉特性的弱分類(lèi)器，通過(guò)設(shè)置不同權(quán)重的方式，把性能最佳的弱分類(lèi)器群打造成為強(qiáng)分類(lèi)器[8]。以上方法可以在一定程度上提高人臉檢測(cè)技術(shù)的檢測(cè)率，但在復(fù)雜的背景下，依舊面臨著誤報(bào)率增加的挑戰(zhàn)。

本文提出了將計(jì)算機(jī)視覺(jué)庫(kù)OpenCV的人臉檢測(cè)和YCrCb（YUV）顏色空間算法相結(jié)合進(jìn)行人臉檢測(cè)，利用概率加權(quán)AdaBoost算法進(jìn)行人臉特征提取的Haar分類(lèi)器訓(xùn)練，通過(guò)提取檢測(cè)人臉的特征與訓(xùn)練分類(lèi)器中的數(shù)據(jù)進(jìn)行比較，提高人臉識(shí)別的檢測(cè)率。

1" YCrCb顏色空間算法

1.1" YCrCb顏色空間算法

YCrCb主要用于優(yōu)化彩色視頻信號(hào)的傳輸，壓縮視頻與圖像。與RGB視頻信號(hào)傳輸相比，其最大的優(yōu)點(diǎn)在于YCrCb不需要三個(gè)獨(dú)立的視頻信號(hào)同時(shí)傳輸，減少了頻寬的占用。其中“Y ”表示明亮度，也就是灰階值；而“U ”和“V ”表示的則是色度，作用是描述影像色彩及飽和度，用于指定像素的顏色?！癥 ”將RGB信號(hào)的特定部分疊加到一起，透過(guò)RGB輸入信號(hào)來(lái)建立?！癠 ”與“V ”則定義了顏色的色調(diào)和飽和度，分別用Cr與Cb來(lái)表示。Cr反映了RGB輸入信號(hào)紅色部分與其亮度值之間的差異。而Cb反映的是RGB輸入信號(hào)藍(lán)色部分與其亮度值之間的差異[9]。

大部分圖像是基于RGB空間，在RGB空間里亮度對(duì)人臉膚色影響特別大，使膚色點(diǎn)難以從非膚色點(diǎn)中分離出來(lái)，其為膚色區(qū)域的標(biāo)定帶來(lái)了難題。因此，RGB空間不適用于人臉檢測(cè)。若將RGB空間轉(zhuǎn)化為YCrCb空間，可以忽略Y（亮度）的影響，空間受亮度影響越小，膚色會(huì)類(lèi)聚越高。如果將三維的空間轉(zhuǎn)化為二維的CrCb，膚色點(diǎn)則會(huì)形成一定形狀。

1.2" YCrCb顏色空間算法的改進(jìn)

傳統(tǒng)的YCrCb算法，在光照強(qiáng)度Y為[70，200]時(shí)，Cr值和Cb的值隨著光照強(qiáng)度Y變化很小，聚類(lèi)性較強(qiáng)，表現(xiàn)出很強(qiáng)的穩(wěn)定性。然而，當(dāng)光強(qiáng)度Y大于200時(shí)，Cr的值逐漸變小并且趨近于零。該現(xiàn)象的產(chǎn)生是由于YCrCb顏色空間固有的性質(zhì)決定的，Y增大且趨向于255時(shí)，即圖像趨近于白色，此時(shí)像素點(diǎn)的RGB值為0xffffff，即R、G、B趨向于255，即R與Y的值、B與Y的值越接近，而Cr值和Cb值則為紅色分量、藍(lán)色分量與亮度的差值，因此，Cr值與Cb值也同樣趨近于0。如式（1）所示：

（1）

為了考察強(qiáng)光下，光照強(qiáng)度Y的變化與Cr、Cb的值的變化[10]，通過(guò)采集若干幅光照強(qiáng)度大于200的人臉樣本圖片，選取每幅樣本的固定位置的像素點(diǎn)，然后取其像素的RGB值，將其轉(zhuǎn)化為YCrCb顏色空間的Cr、Cb的值，然后繪制Cr、Cb的值隨光照強(qiáng)度Y變化的函數(shù)圖像。根據(jù)函數(shù)圖像擬合出Cr、Cb的值與光照強(qiáng)度Y的函數(shù)表達(dá)式。當(dāng)光照強(qiáng)度大于200時(shí)，YCrCb顏色空間的計(jì)算式（2）如下所示：

2" AdaBoost算法及其改進(jìn)

2.1" AdaBoost算法中的弱學(xué)習(xí)和強(qiáng)學(xué)習(xí)算法

AdaBoost算法中弱學(xué)習(xí)算法以及強(qiáng)學(xué)習(xí)算法，具體指的是分類(lèi)器。在學(xué)習(xí)之后辨識(shí)準(zhǔn)確率僅僅比隨機(jī)的推測(cè)學(xué)習(xí)略高，或者辨識(shí)的準(zhǔn)確率大于50%，可以認(rèn)為是弱學(xué)習(xí)算法；能在多項(xiàng)式的運(yùn)算中完成，并且學(xué)習(xí)之后精確率變得很高，則可以認(rèn)為是強(qiáng)學(xué)習(xí)算法。

在任務(wù)的構(gòu)造過(guò)程中，構(gòu)造強(qiáng)學(xué)習(xí)算法是非常困難的。Valiant發(fā)表了弱PAC學(xué)習(xí)算法論文，Kearns發(fā)表了強(qiáng)PAC學(xué)習(xí)算法概念，這兩種算法在算法機(jī)制上具有等價(jià)的關(guān)系，兩位研究學(xué)者證明了多個(gè)弱的學(xué)習(xí)分類(lèi)器如果能夠疊加起來(lái)那就能轉(zhuǎn)化為強(qiáng)學(xué)習(xí)分類(lèi)器。其算法的原理圖如圖1所示。

2.2" AdaBoost算法中的Haar特征

AdaBoost算法的設(shè)計(jì)，采用的是圖片的輸入的矩形特征，也叫Harr特征。因而，對(duì)AdaBoost辨識(shí)訓(xùn)練算法速度影響的因子，主要有兩方面是特征的提取和特征值的計(jì)算。面部的大部分特征是可以采用矩形特征簡(jiǎn)單的描繪，如圖2所示。

通過(guò)圖2表現(xiàn)的這幾個(gè)矩形特征，人臉的一些特征被表示出來(lái)。比如右邊一幅表示鼻梁兩側(cè)相對(duì)于鼻梁的顏色就比較深，中間一幅人臉圖像表示臉頰區(qū)域的顏色相對(duì)于眼睛區(qū)域的顏色就比較淺。由此可見(jiàn)，相對(duì)于單運(yùn)用像素點(diǎn)，使用矩形特征具有很大的優(yōu)越性，而且人臉的比對(duì)速度變得更快。

2.3" 概率加權(quán)的AdaBoost算法

和Viola-Jones方法一樣，本文使用了正樣本（裁剪臉部）和負(fù)樣本（無(wú)臉部的隨機(jī)圖像）構(gòu)成的訓(xùn)練數(shù)據(jù)，并使用類(lèi)Haar特征來(lái)構(gòu)建弱分類(lèi)器，在Adaboost算法中，權(quán)重被歸一化使得總的加權(quán)誤差和為1。正如Viola-Jones方法，弱分類(lèi)器被選作為“最好的弱分類(lèi)器”，其總加權(quán)誤差小于0.5。

假設(shè)給定模式xi，每個(gè)最好的弱分類(lèi)器?j提供?j（xi） ∈ {1，0}，最終選擇的最好的弱分類(lèi)器H的最終決策是H（xi），則最好的弱分類(lèi)器的加權(quán)和如下：

（3）

其中h1，h2，…，hm表示m個(gè)最好的弱分類(lèi)器，α1，α2，…，αm表示每個(gè)分類(lèi)決策的權(quán)重，hj對(duì)分類(lèi)的取值為1（yes）或者0（no），其結(jié)果是分類(lèi)器非線性決策（符號(hào)函數(shù)）的線性組合。

在原始的Adaboost方法中，兩個(gè)最好的弱分類(lèi)器具有相同的誤差，無(wú)論正或負(fù)樣本分類(lèi)的概率有多大，都會(huì)被賦予相同的權(quán)重。本文引入一個(gè)新的加權(quán)系統(tǒng)，最好的弱分類(lèi)器的選擇（“是”或“否”）的權(quán)重作為最好的弱分類(lèi)器在分類(lèi)正樣本和負(fù)樣本的能力。通過(guò)給予最好的弱分類(lèi)器更多的權(quán)重來(lái)降低誤報(bào)率。

假如輸入數(shù)據(jù)分類(lèi)效果比隨機(jī)數(shù)據(jù)效果好，則認(rèn)為其弱分類(lèi)是最好的弱分類(lèi)器。假定給定一個(gè)最好的弱分類(lèi)器的輸出中為假陽(yáng)性與假陰性的概率計(jì)算如式（4）所示：

（4）

其中，ETotal表示總誤差，EFP表示假陽(yáng)性誤差，EFN表示假陰性誤差，PFP表示假陽(yáng)性錯(cuò)誤概率，PFN表示假陰性錯(cuò)誤概率。用計(jì)算的概率來(lái)建立一個(gè)考慮誤差和概率來(lái)加權(quán)每個(gè)分類(lèi)器選擇的新的加權(quán)算法。實(shí)際上，具有相同誤差但具有不同分類(lèi)概率的兩個(gè)分類(lèi)器將有不同的權(quán)重，因?yàn)樵跒榉诸?lèi)器分配權(quán)重時(shí)考慮了概率。則權(quán)重則可以為：

（5）

其中，εt表示一個(gè)分類(lèi)器在t階段的總誤差。新alpha被稱為“alpha的概率”，計(jì)算式如下：

（6）

本文提出的alpha與假陽(yáng)性誤差概率成反比，當(dāng)給定的分類(lèi)器具有較高的假陽(yáng)性錯(cuò)誤差時(shí)，其權(quán)重會(huì)降低；反之亦然。最好的弱分類(lèi)器產(chǎn)生高PFP，就會(huì)給它一個(gè)相對(duì)較小的權(quán)重，從而產(chǎn)生一個(gè)強(qiáng)大的分類(lèi)器，減少誤報(bào)的數(shù)量。當(dāng)分類(lèi)器產(chǎn)生PFN增加時(shí)，式（6）中乘法符號(hào)項(xiàng)的分子值減小，降低了提出的alpha的權(quán)重。alpha的概率在更新權(quán)重是允許從錯(cuò)誤分類(lèi)的圖像再次更新。根據(jù)式（6）提出的alpha將總是大于原始的alpha。因此，本文所提出的方法可以使錯(cuò)分樣本的權(quán)重相對(duì)較高，提高最好的弱分類(lèi)器的準(zhǔn)確性。其算法步驟如下：

步驟1：輸入數(shù)據(jù)。訓(xùn)練樣本為（x1，y1），（x2，y2），…，（xn，yn），令y ∈ {1，0}分別用來(lái)標(biāo)記正樣本和負(fù)樣本。

步驟2：初始化權(quán)重。，其中m，l分別表示正樣本與負(fù)樣本數(shù)量。

步驟3：訓(xùn)練T輪。具體如下：

1）規(guī)范第t階段的權(quán)重w：

（7）

2）根據(jù)加權(quán)誤差選擇最好的弱分類(lèi)器?t（）：

（8）

（9）

3）計(jì)算正樣本i的假陽(yáng)性誤差，i=1，…，P：

（10）

4）計(jì)算負(fù)樣本i的假陰性誤差，i=1，…，N：

（11）

5）計(jì)算弱分類(lèi)器分類(lèi)概率：

（12）

6）計(jì)算alpha：

（13）

7）更新權(quán)重：

（14）

步驟4：輸出的強(qiáng)分類(lèi)器H（x）：

（15）

其中，表示概率權(quán)重，?t（）表示第t階段的弱分類(lèi)器。

3" 基于概率加權(quán)AdaBoost與YCrCb顏色空間算法

3.1" 訓(xùn)練樣本提取

本文采用YCrCb顏色空間算法對(duì)檢測(cè)樣本進(jìn)行預(yù)處理，其目的是為了提高檢測(cè)速度及其基于概率加權(quán)的AdaBoost算法的誤檢率。

本算法采用的檢測(cè)樣本為Wider Face數(shù)據(jù)集，在trains訓(xùn)練集中共有158 989張圖片，39 496個(gè)人臉用于驗(yàn)證集，這些人臉在尺度、姿態(tài)、光照、表情、遮擋方面都有很大的變化范圍。首先對(duì)人臉面部的一些特性進(jìn)行提取，并將其存儲(chǔ)起來(lái)。本文使用的是開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)OpenCV分類(lèi)器[11]，目前OpenCV僅支持三種特征的訓(xùn)練檢測(cè)，分別為HAAR、LBP、HOG。進(jìn)行數(shù)據(jù)訓(xùn)練操作前，在數(shù)據(jù)集中選擇部分人臉圖片作為訓(xùn)練集，根據(jù)正樣本與負(fù)樣本進(jìn)行處理，圖例如圖3所示。

正樣本圖片是由訓(xùn)練集的170張人臉圖片組成，將正樣本的圖片進(jìn)行大小歸一化處理，處理成30×30的灰度圖像樣本進(jìn)行保存。并將jpg替換為jpg 1 0 0 30 30，圖片包含了一個(gè)正樣本目標(biāo)，矩形區(qū)域?yàn)? 0 30 30，這里由于我們的正樣本只有一個(gè)目標(biāo)，而且已經(jīng)大小歸一化為30×30的圖像，獲取供訓(xùn)練的vec文件，如圖4所示。

負(fù)樣本由網(wǎng)上隨機(jī)的200張非人臉圖片形成一個(gè)集合。將負(fù)樣本進(jìn)行歸一化處理，并將其灰度化保存，灰度化的目的是提高運(yùn)算效率，由于原始圖片的信息量過(guò)大，而灰度的信息足夠滿足識(shí)別的需要，如果灰度化的信息量過(guò)大，可以采用二值化。

3.2" 訓(xùn)練算法

本文采用的是Haar分類(lèi)器，Haar分類(lèi)器比較常用的矩形特征如圖5所示。

將預(yù)處理的樣本圖像進(jìn)行處理，換而言之，提取灰度的Haar-like特征，利用積分圖的概念是特征探測(cè)探測(cè)器在圖像不同尺度下的特征計(jì)算都十分迅速，表征圖像可以選用矩形特征。正常規(guī)格30×30的檢測(cè)器中的矩形特征數(shù)量已經(jīng)超過(guò)211 111個(gè)，恰當(dāng)?shù)木匦翁卣骺梢酝ㄟ^(guò)特定算法來(lái)進(jìn)行篩選，將分類(lèi)器合并成強(qiáng)分類(lèi)器是這個(gè)算法的核心。此后，本文采用基于概率加權(quán)的AdaBoost算法對(duì)樣本進(jìn)行訓(xùn)練，獲得對(duì)應(yīng)的特征以及提取位置，其目的是減少檢測(cè)時(shí)間。

3.3" 級(jí)聯(lián)分類(lèi)器

級(jí)聯(lián)（cascade）的級(jí)數(shù)是由樣本數(shù)量有一定關(guān)聯(lián)的，適當(dāng)?shù)募?jí)數(shù)可以降低虛警率，提高檢出率。級(jí)聯(lián)結(jié)構(gòu)應(yīng)該在建立一個(gè)分類(lèi)器時(shí)被注意，人臉圖像中的人臉可以用來(lái)進(jìn)行快速估計(jì)較可能出現(xiàn)的區(qū)域，進(jìn)而能對(duì)其進(jìn)行重點(diǎn)的關(guān)注。前期做的是使用cvHaarDetectObject（）函數(shù)，利用Haar特征，其中包括邊緣特征、線特征以及中心環(huán)繞特征，樣例被級(jí)聯(lián)boosted分類(lèi)器進(jìn)行訓(xùn)練。

如圖6所示，通過(guò)前面正負(fù)樣本的準(zhǔn)備，利用OpenCV中opencv-traincascade，exe進(jìn)行訓(xùn)練，通過(guò)執(zhí)行命令為：opencv_haartraining.exe -vec pos.vec -bg neg＼neg.txt -h 30 -w 30 -mem 800 -npos 170 -nneg 200 -mode all -data xml進(jìn)行訓(xùn)練。

4" 實(shí)驗(yàn)測(cè)試與分析

為了測(cè)試基于概率加權(quán)的AdaBoost算法的人臉識(shí)別的可行性與有效性。首先，對(duì)單個(gè)人臉和多個(gè)人臉進(jìn)行個(gè)體識(shí)別。單個(gè)人臉與多個(gè)人臉檢測(cè)的辨識(shí)結(jié)果和辨識(shí)時(shí)間分別如圖7所示。

在不同關(guān)照下、不同角度以及面部遮擋下等復(fù)雜情況中，同時(shí)進(jìn)行多個(gè)人臉的檢測(cè)，檢測(cè)結(jié)果如圖8所示。

基于概率加權(quán)的AdaBoost算法的人臉識(shí)別可以準(zhǔn)確地檢測(cè)到人臉，為了進(jìn)一步測(cè)試本文提出算法的有效性，在Wider Face數(shù)據(jù)庫(kù)與ORL數(shù)據(jù)集進(jìn)行對(duì)本文提出的算法進(jìn)行測(cè)試。ORL數(shù)據(jù)集由英國(guó)劍橋大學(xué)ATamp;T實(shí)驗(yàn)室創(chuàng)建，包含40人共400張面部圖像，部分志愿者的圖像囊括了姿態(tài)、表情和面部飾物的變化，其中訓(xùn)練樣本為234張。Wider Face數(shù)據(jù)庫(kù)隨機(jī)抽取400張具有不同光照與表情的彩色人臉圖片作為測(cè)試樣本，檢測(cè)結(jié)果如表1所示。

本文提出的基于概率加權(quán)的AdaBoost算法與YCrCb顏色空間算法相結(jié)合的人臉識(shí)別的方法不僅可以較為精準(zhǔn)的識(shí)別圖片樣本中的人臉，且相比于傳統(tǒng)的AdoBoost算法具有較高地檢測(cè)率。本文算法的檢測(cè)率高達(dá)98.41%，比傳統(tǒng)的AdoBoost算法的檢測(cè)率高出將近6%，檢測(cè)時(shí)間僅為傳統(tǒng)算法的1/8。通過(guò)對(duì)檢測(cè)結(jié)果的分析，本文提出的算法可以在提高檢測(cè)率的同時(shí)，降低計(jì)算的復(fù)雜度。

5" 結(jié)" 論

本文提出了基于概率加權(quán)的AdaBoost與YCrCb顏色空間算法人臉檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)，使用Haar矩形特征算法進(jìn)行人臉特征的提取，通過(guò)概率加權(quán)的AdaBoost算法對(duì)人臉圖像樣本進(jìn)行訓(xùn)練，將弱的分類(lèi)器組合成更強(qiáng)的分類(lèi)器，之后將訓(xùn)練的數(shù)據(jù)存入XML文件中，然后將待檢測(cè)的樣本提取特征后與訓(xùn)練的數(shù)據(jù)進(jìn)行比對(duì)，之后比較計(jì)算直方圖值的大小。本文提出的基于概率加權(quán)的AdaBoost與YCrCb顏色空間算法的人臉識(shí)別方法更加有效地提高了人臉識(shí)別的檢測(cè)率。

當(dāng)然，人臉識(shí)別的準(zhǔn)確率和訓(xùn)練樣本的多少和質(zhì)量有密切的聯(lián)系，通過(guò)增加正負(fù)樣本的數(shù)量可以提高檢測(cè)的準(zhǔn)確率。在某些特殊場(chǎng)合進(jìn)入的人員，可以專(zhuān)門(mén)的對(duì)其人員的圖像進(jìn)行采集和訓(xùn)練，這樣對(duì)特殊人群的訓(xùn)練也能提高人臉識(shí)別的準(zhǔn)確率。

參考文獻(xiàn)：

[1] 王春東，李泉，付浩然，等.具有對(duì)抗魯棒性的人臉活體檢測(cè)方法 [J].計(jì)算機(jī)科學(xué)，2024，51（S1）：987-993.

[2] 楊晨皓.基于復(fù)雜卷積神經(jīng)網(wǎng)絡(luò)的混合場(chǎng)景人臉識(shí)別研究與實(shí)現(xiàn) [J].電子世界，2022（2）：157-158+161.

[3] 楊彥青，宋星.不同光照強(qiáng)度變化下融合深度學(xué)習(xí)的人臉識(shí)別技術(shù)研究 [J].自動(dòng)化與儀器儀表，2023（4）：49-52+57.

[4] 張拓.基于多路徑融合的人臉識(shí)別算法研究 [J].智能計(jì)算機(jī)與應(yīng)用，2024，14（7）：64-70.

[5] 孫金龍，吳振寧，肖仲喆，等.關(guān)于人臉識(shí)別算法對(duì)不同照明技術(shù)的魯棒性研究 [J].電子器件，2022，45（5）：1123-1128.

[6] SHAMRAT F M J M，MAJUMDER A，ANTU P R，et al. Human Face Recognition Applying Haar Cascade Classifier [C]//Pervasive Computing and Social Networking.Singapore：Springer，2022：143-157.

[7] YAN P，CHEN C. A Helmet Wearing Detection Algorithm Based on Face Localization [C]//2022 International Conference on Big Data， Information and Computer Network （BDICN）.Sanya：IEEE，2022：88-92.

[8] 楊衍宇，魏為民，張運(yùn)琴.一種改進(jìn)的雙流Faster R-CNN圖像篡改識(shí)別模型 [J].計(jì)算機(jī)應(yīng)用與軟件，2023，40（12）：189-194.

[9] 肖俊杰.基于YOLOv3和YCrCb的人臉口罩檢測(cè)與規(guī)范佩戴識(shí)別 [J].軟件，2020，41（7）：164-169.

[10] 楊磊.基于AdaBoost的人臉檢測(cè)算法 [J].山西大同大學(xué)學(xué)報(bào)：自然科學(xué)版，2023，39（3）：12-17.

[11] 何祥芝，涂海寧，劉建勝.基于OpenCV的人臉黑頭識(shí)別算法 [J].南昌大學(xué)學(xué)報(bào)：工科版，2024，46（1）：111-116.

作者簡(jiǎn)介：馬文亭（1993—），女，漢族，黑龍江哈爾濱人，講師，碩士，研究方向：計(jì)算機(jī)應(yīng)用、網(wǎng)絡(luò)安全；姜楠楠（1989—），女，漢族，黑龍江哈爾濱人，副教授，碩士，研究方向：計(jì)算機(jī)應(yīng)用。