协作学习环境中基于视频的快速人脸识别

人脸识别是计算机视觉中的经典问题，已取得显著进展。然而，在数字视频中，人脸识别因遮挡、姿态与光照变化以及人物进出场景而变得复杂。本论文的目标是开发一种适用于大型数据集的数字视频快速人脸识别方法。论文引入了若干方法来解决视频人脸识别的相关问题。首先，为应对姿态与光照变化问题，为每名学生关联一组人脸原型。其次，为加速处理，采用采样、K-means 聚类及二者结合来减少每名学生的人脸原型数量。第三，以不同帧率处理视频。第四，论文提出使用活动集以应对遮挡并排除在慢速人脸运动视频帧上的人脸识别应用。第五，论文开发了群体人脸检测器，用于识别协作学习组内学生，同时拒识组外人脸检测。第六，论文引入人脸 DeID 以保护学生身份。第七，论文使用数据增强来扩充训练集规模。不同方法通过多目标优化组合，以保证整体方法保持快速且不牺牲精度。为测试该方法，论文构建了 AOLME 数据集，包含 138 名学生人脸（81 名男生、57 名女生），年龄 10 至 14 岁，主要为拉丁裔学生。与基线方法相比，最终优化方法实现了快速识别时间且人脸识别精度显著提升。仅使用人脸原型采样时，所提方法准确率达 71.8%，而基线系统为 62.3%，同时运行速度快 11.6 倍。