胡渲

（四川大学视觉合成图形图像技术国防重点学科实验室计算机技术系，成都610041)

0 引言

人脸识别，就是计算机根据人脸的特征判断人物身份。传统人脸识别技术的核心是根据人脸图像的各个像素分布情况计算得到描述个体身份的特征描述子，使用这些特征描述子来进行身份匹配。随着深度学习的兴起，人脸识别领域得到了长足的发展，深度学习使得人脸识别相比传统方法的速度和准确率都有很大的提升。深度学习的主要优势是它们可以利用大量的数据进行训练，在训练的过程中逐渐适应不同的情况，学习到表征这些数据的最佳特征。虽然深度学习方法比传统方法更能够应对复杂的外部环境，但是依然做不到完全忽视各种变化的场景。非限制条件下的人脸识别存在人物姿态不固定、表情变化多、光照条件复杂和面部容易有遮挡物等情况，对人脸识别存在巨大挑战。

基于以上背景，为了将人脸识别应用到非限制条件下，本文提出基于特征融合的MTCNN[1]人脸检测算法，结合VGG-16[2]添加Inception[3]结构的人脸识别网络设计了一套动态人脸识别系统，并利用KCF[4]跟踪算法减轻客户端GPU 压力。

1 MTCNN与特征融合

1.1 MTCNN介绍

MTCNN 中的MT 代表多任务学习，在同一个任务中同时进行“识别人脸”、“边框回归”与“人脸关键点识别”。在工程实践中，MTCNN 是一种检测速度和准确度都很优秀的算法。MTCNN 利用三层级联架构，同时实现图像中人脸检测和人脸关键点定位。

如图1 所示，MTCNN 由三个网络组成：P-Net、RNet 和O-Net。……