陶施帆，李玉峰，黄煜峰，蓝晓宇

（沈阳航空航天大学电子信息工程学院，沈阳 110136）

0 概述

随着图像处理技术的迅速发展，人脸检测逐渐应用到人们日常生活的各个方面，如刷脸支付、刷脸乘车等。然而在特定场景中，在面部受到遮挡、或是人脸比较密集等情况下，检测成功概率将会大幅下降。因此，如何在信息不完整的特殊情况下实现高效、精准的人脸检测是一个亟需解决的问题。特别是随着国内防疫工作常态化，在部分复工复学的学校及企业中，利用人脸检测技术对出入人员进行身份核验能够有效提高工作效率。因此，研究提高戴口罩人员的检测概率是一个重要的研究课题［1］。

近年来，随着深度学习技术的快速发展，在目标检测算法的基础上涌现出了大量人脸检测的智能算法。在人脸检测方面，DDFD（Deep Dense Face Detector）［2］是一种基于AlexNet 进行微 调改进的深度学习网络模型，该模型不需要姿态或者关键点标注，能够用一个单一的模型抓取各个方向上的人脸，对各种姿势有很强的抵抗能力，但偏转角度、姿势的变换越大，准确度就会越低。CascadeCNN［3］是对经典的Viola-Jones［4］方法的深度卷积网络实现，构建一种级联结构来检测从粗糙到精细的面部特征。Face R-CNN［5］基于Faster R-CNN［6］框架进行人脸检测，在原有的R-CNN 结构中加入了中心损失函数，在训练阶段将图片经过不同尺度缩放，可以更好地检测小尺寸图片。UnitBox［7］提出一个新的交并比（Intersection over Union，IoU）损失函数，代替常用的L2 损失函数，提高了人脸检测精度。虽然人脸检测技术已经取得了极大进步，但是对有遮挡的人脸进行检测效果仍不尽如人意，因为没有关于遮挡部分的先验知识，遮挡部分可以在面部图像的任何位置，或者可以是任何大小或形状。……