周书田，颜 信，谢镇汕

(电子科技大学格拉斯哥学院 成都 611731)

随着越来越多的摄像采集与监控设备被部署，视频中人脸识别的需求大幅上升。这些系统迫切地需要可靠与准确的人脸识别。与静态配合式人脸识别[1-3]不同的是，视频中的人脸识别往往是非受限的，即捕捉姿势、图像质量等在帧间都会呈现巨大的变化。一方面，帧间信息可以形成信息互补，并通过多帧对人脸进行更加准确的识别；另一方面，帧间部分低质量，如运动模糊、极端采集角度及低分辨率的图像，又会干扰视频人脸识别的结果。如果直接使用静态人脸识别方法，那么这些低质量帧将会带来误识别。因此如何对帧之间的信息进行有效汇聚，从而形成更加鲁棒的视频人脸特征表达，成为一个关键问题。

目前对视频中进行人脸识别最流行的方法是将视频人脸图像帧表示为无序的特征向量[4-8]，并把各帧的特征向量进行汇聚成为视频级特征。验证时，对视频级特征进行相似性检索即可。常见汇聚的方式有平均汇聚[6]、最大池化汇聚与注意力机制汇聚[7]。但这些方式需要对所有视频帧进行特征提取，消耗了大量的计算资源，并不高效。因此近来，视频识别领域提出了如3D 卷积[8]等新颖的视频分析框架，可以有效地对连续帧信息进行捕捉，但3D 卷积同样会引入巨大的计算量。

本文首先比较了基于2D 卷积网络与不同帧间汇聚的方法，并介绍了一种在视频中使用3D 分解卷积的连续帧人脸识别方法。……