戴口罩多人脸识别系统研究.pdf

1、摘要院 针对新冠疫情及流感流行时期传统的人脸识别系统无法准确识别戴口罩人脸的问题，设计了一个口罩遮挡情况下的多人脸识别系统。该系统利用 CLAHE算法对人脸图像进行预处理，通过 Dlib 库与 Dnn模块定位人脸特征点，并对戴口罩人脸进行检测与识别，基于 ResNet残差网络训练与质心追踪算法等技术提高检测效率。实验结果表明：本文所设计的戴口罩人脸识别系统成功率高，检测速度快，在多人脸识别应用中更能显示其优势。关键词院 人脸识别曰Dlib 库曰Dnn 模块曰ResNet 残差网络曰质心追踪算法中图分类号院 TP391.41文献标识码院 A文章编号院 2095 原 0926（圆园23）02 原

2、园园07 原 园7Research on multi-face recognition system with masksWU Jiabao1袁 ZHANG Yunxi1袁2袁 LIU Qiang1袁 LIU Jia1袁2渊 1.School of Automation and Electrical Engineering袁Tianjin University of Technology and Education袁Tianjin 300222袁China曰 2.Tianjin Key Laboratory of Information Sensing and Intelligent Cont

3、rol袁Tianjin University of Technology andEducation袁Tianjin 300222袁 China 冤Abstract院 In the epidemic period of the COVID-19 and influenza袁 traditional facial recognition systems can not accu鄄rately identify faces wearing masks袁 and therefore袁 a multi-face recognition system is designed to solve this p

4、roblem.The face image is preprocessed by the CLAHE algorithm.By employing Dlib library and Dnn module,facial featurepoints were located袁 and the faces wearing masks were detected and recognized.The detection efficiency is improvedbased on ResNet residual network training and centroid tracking algori

5、thm.Experiments show that the mask recognitionsystem designed in this project has a high success rate and fast detection speed袁 which can show its advantages in multi-face recognition applications.Key words院 face recognition曰 Dlib library曰 Dnn module曰 ResNet residual network曰 centriod tracking algor

6、ithm戴口罩多人脸识别系统研究吴家宝1，张运喜1，2，刘强1，刘佳1，2（1.天津职业技术师范大学自动化与电气工程学院，天津300222；2.天津市信息传感与智能控制重点实验室，天津300222）收稿日期院 2023-04-11基金项目院 天津市自然科学基金资助项目（20JCQNJC00370）；天津市研究生科研创新项目（2022SKYZ304）；教育部产学合作协同育人项目（202002040003）.作者简介院 吴家宝（1996），男，硕士研究生，研究方向为图像检测与识别.通信作者院 张运喜（1982），男，博士，硕士生导师，研究方向为非线性系统控制、图像识别等，.人脸识别技术是对摄像头采

7、集的视频流或图像判断是否存在人脸，对图像或者视频的每一帧进行人脸位置的追踪，并对比人脸数据库中的特征值以实现身份的识别技术。为了保障社会的安全性，身份认证广泛应用于各种场景，而人脸识别系统的应用为人们身份验证提供了便利。而疫情和流感的流行，人们出行时戴口罩已经成为生活中的惯例。但是，戴口罩导致了人脸的部分区域被遮挡，人脸信息显示不完整，这给传统的人脸识别技术带来了很大的阻碍。传统的人脸识别主要应用于购物支付、火车检票、门禁出入、打卡考勤等，需要人脸识别系统具备较高的准确率：同时，大多人脸识别终端为性能有限的嵌入式系统，当遇到识别人数较多的情景，则需要保证人脸识别的时间不能过长。传统的人脸识别系

8、统并不能有效地识别戴口罩的第 33 卷第 2 期圆园23 年 6 月天 津 职 业 技 术师 范 大 学 学 报允韵哉砸晕粤蕴 韵云 栽陨粤晕允陨晕 UNIVERSITY OF TECHNOLOGY AND EDUCATIONVol.33No.2Jun.2023DOI：10.19573/j.issn2095-0926.202302002天 津 职 业 技 术 师范 大 学 学 报第 33 卷人脸，同时同一帧检测多张人脸必然耗费较高的资源，导致人脸识别效率下降。因此，检测并识别戴口罩的多人脸技术是当前十分重要的技术。潜在部分检测（latent part detection，LPD）使用检测网络定

9、位未遮挡的人脸区域，将其裁剪出来替换原始图像参与模型的训练，在识别过程中排除口罩的干扰1。动态特征学习（dynamic feature learning，DFL）通过将未遮挡部分的人脸与完整人脸的特征信息进行配比，从而进行人脸的身份识别2。动态图形表示（dynamic graphrepresentation，DGR）创建人脸的图特征并从图中去除掉口罩遮挡部分的图特征，来消除口罩对人脸识别的干扰3。本文主要针对戴口罩的人脸设计一个识别系统，在满足戴口罩人脸识别准确率的同时，降低识别时间，提高识别效率。1人脸图像预处理算法设计人脸识别所需的图像信息通过摄像头获取，生活中场景获取的图像，一般存在亮度

10、不均、图像模糊、人脸偏移等问题6，因此需要先进行图像的预处理操作，使得采集的图像更有利于对人脸图像的特征提取，提高人脸识别的准确度。直方图均衡化（histogram equa-lization，HE）是一种简单有效的常用图像预处理方法，但当图像亮度过高或过低时，HE 算法无法得到理想的预处理效果。而对比度受限的适应性直方图均衡化（contrastlimitedadaptivehistogramequalization，CLAHE）算法在 HE 算法基础上进行了改进，进一步提升图像的对比度，抑制背景噪声，实现对局部特征的增强，对处理人脸细节方面，具有很好的效果。本文将采用 HE 和 CLAHE

11、两种算法对图像进行预处理，并通过实验对比分析两种算法的预处理效果。常见的图像直方图分布如图 1 所示。根据不同灰度值的像素分布情况，图像可能会出现偏暗、偏亮、亮度过于集中等问题，以上所有问题都可能导致人脸细节丢失，影响到人脸检测、人脸识别的成功。因此，在进行人脸检测、识别之前需要进行图像预处理的操作。14 00012 00010 0008 0006 0004 0002 00000300100200灰度值（b）偏暗图像14 00012 00010 0008 0006 0004 0002 00000300100200灰度值（c）偏亮图像14 00012 00010 0008 0006 0004 0

12、002 00000300100200灰度值（d）亮度过于集中图像图 1常见图像直方图分布14 00012 00010 0008 0006 0004 0002 00000300100200灰度值（a）正常图像HE 算法的主要思想是将一幅图像的直方图分布通过累积分布函数变成近似均匀分布，从而增强图像的对比度。为了将原图像的亮度范围进行扩展，通过映射函数将原图像的像素值均衡映射到新直方图中，算法流程设计如下：（1）统计原始灰度图像的每一个像素，计算得到图像的灰度直方图。（2）计算每个灰度值在图像中所有像素的概率分布 pk，其中pk=nknk=0，1，2，255（1）式中：k 为灰度值，目前常用的灰度

13、值范围为 0255；nk为灰度值为 k 的像素值总数；n 为像素值总数。（3）计算灰度直方图的累积分布函数 Sk。Sk=kj=0移Pkk=0，1，2，255（2）式中：j 为初始值 0；k 为灰度值，灰度值范围为 0255；Pk为像素的概率分布。8第 2 期图 2直方图裁剪（a）原图像直方图（b）CLAHE 算法裁剪后的直方图（4）通过累积分布函数 Sk伊 255，计算均衡化处理的图像灰度值。（5）将均衡化得到的灰度值映射到原来像素坐标的灰度值。通过 HE 算法预处理的图像各像素点的分布直方图动态范围比较小，图像的清晰度和间隙会得到提升，但如果原图的像素数过小或被遮挡，造成图像的细节信息缺失、

14、像素点多灰度等级过度强化，可能造成局部对比度过度增强，导致背景噪声放大。考虑利用 CLAHE 算法对图像进行预处理。CLAHE算法是一种改进版的直方图均衡化，通过加入对比度增幅受限制技术，可以有效地抑制图像噪声的放大和局部对比度的过增强5。算法流程设计如下：（1）将原始图像分割为 m 伊 n 个大小相等、形状相同且不重叠的子图像。（2）分别统计每个子图像的直方图 h（x）。（3）计算直方图的剪切幅值 TT=NxNyM+C 伊 NxNy-NxNyM蓸蔀（3）式中：Nx和 Ny分别表示子图像行数和列数；M 表示子图像中所包含的灰度级数；C 表示裁剪系数。（4）分别裁剪每个子图像的灰度直方图，如图

15、2 所示，并将超过最大幅值的像素个数均匀分配到每个灰度级上6。（5）对每个子图像裁剪后的直方图进行均衡化处理，并通过双线性插值算法消除块状效应，得到最终图像7。2口罩遮挡情况下的人脸检测与识别2.1 Dnn模块戴口罩人脸检测传统的人脸检测算法并不能实现戴口罩的人脸检测，该环节需要基于深度学习完成戴口罩人脸检测，前期已完成基于深度学习框架 Caffe 训练的模型，因此通过 Opencv-Dnn 模块推理功能实现戴口罩人脸的检测功能。加载定义 Caffe 模型框架的 prototxt 文件和预训练好的的各图层权重的 caffemodel 文件；进行图像预处理，将输入给模型的图像构建为一个四维的Bl

16、ob，调整图片大小为 300 伊 300，三通道分别减去均值；将完成预处理的图像输入到神经网络模型中执行一次前向传播，得到的输出进行处理后可得到可视图像，人脸检测完成。2.2 人脸特征点提取与识别人脸特征点是人脸上具备明确语义的坐标位置，如眼睛、眉毛、鼻子、嘴巴等，特征点的位置信息能够表达人脸的形状、角度、比例等关键信息，但不能完全参照人脸特征的分布用于识别。因此，需要将获得的特征点的坐标位置与人脸图像进行匹配对齐，再经过如 CNN、Res-34 等网络模型进行编码，训练得到人脸特征向量以进行相似度匹配的识别。传统的卷积神经网络中，通过堆叠卷积层和下采样层来构建网络，但是随着网络深度的不断增加

17、，就会出现梯度消失或梯度爆炸、退化等问题，而 ResNet的出现解决了这些问题8。ResNet 残差网络是一种卷积神经网络，通过使用残差块和跳跃连接、数据的预处理以及在网络中使用 BN 层缓解梯度消失或梯度爆炸问题；使用残差结构，随着网络的加深，效果不但没有变差，反而变得更好，有效地减轻退化问题；残差结构能够减少网络参数与运算量。本文根据 Dnn 模块检测出的人脸矩形找到人脸中普遍存在的 68 个特征点9，其中 117 标记人脸部轮廓，1827 标记眉毛，2836 标记鼻子，3748 标记眼睛，4968 标记嘴巴10。对于戴口罩人脸的检测，因口罩遮挡住人的鼻子嘴巴等特征点，因此只截取人脸部轮廓

18、、眉毛、眼睛作为后续人脸识别的特征点。如图 3所示，提取戴口罩人脸的特征点并标记出来，将截取的特征点加载到 ResNet 网络训练模型中提取到 128维特征向量。128 维特征向量提取后，通常以计算特征向量的距离来衡量人脸相似程度，并以此维根据判别两张人脸是否属于同一人。常用的特征向量距离的计算方法有欧式距离和余弦距离11。为了提高算法的速度，本文使用的是较为简单的欧式距离。吴家宝袁等院 戴口罩多人脸识别系统研究9天 津 职 业 技 术 师范 大 学 学 报第 33 卷（a）人脸特征点分布图（b）提取戴口罩人脸特征点图 3人脸特征点位置采用欧氏公式直接计算特征向量之间的距离dist（A，B）=

19、ni=1移（Ai-Bi）2姨（4）式中：dist 为向量 A 和 B 之间的绝对距离；Ai为向量中 A 的第 i 项；Bi为向量中 B 的第 i 项；n 为向量的维度。欧氏距离计算的是两个特征向量之间的绝对距离，距离越小，特征越相似。3质心追踪算法传统的人脸识别算法对视频流的每一帧图像都进行人脸识别操作，耗费较多的计算机资源，对于视频流中已知的人脸，只需要识别一次，后续对其进行追踪标记便可以极大地降低资源的浪费。本文选取质心追踪算法以降低算法的计算量，提升视频的每秒传输帧数（FPS）12。质心追踪算法示意如图 4 所示。Y1、Y2 分别为上一帧的人脸位置，X1、X2 分别为当前帧的人脸位置，根

20、据先验知识认为上一帧人脸质心与当前帧人脸质心位置最近，因此将 X2 与 Y2 建立联系，X1 与 Y1 建立联系14。质心追踪算法流程如下：（1）对于视频流中第一次出现的目标人脸，进行人脸检测和识别，并给目标人脸编号，每一帧图像都计算人脸质心位置，质心位置计算式为（X，Y）=x1+x22，y1+y22蓸蔀（5）通过人脸检测已获取人脸的位置的 x 轴方向的左边界坐标 x1，右边界坐标 x2，y 轴方向的上边界坐标y1，下边界坐标 y2，通过式（5）计算即可得到人脸位置的质心坐标（X，Y）。（2）若视频流中人脸数量不变，则对上一帧的人脸质心坐标与当前帧人脸质心坐标进行欧式距离的计算，并通过比较取欧

21、式距离最小的上一帧和当前帧人脸质心坐标建立联系。（3）更新现有人脸的质心坐标。质心跟踪算法的前提是：对于给定的目标，在后续的视频帧出现，而且在第 N 帧和第 N+1 帧中的质心欧氏距离要小于不同目标之间的欧式距离。因此，根据欧氏距离最小的原则，将连续帧中人脸框的质心联系起来，实现目标追踪。（4）当新增一个人脸时，给新增人脸标记一个ID，然后存储这个新人脸的质心坐标，从步骤（2）开始，对视频流中的每一帧计算质心的欧式距离，并不断地更新质心坐标。（5）若视频流中人脸在后续的帧中消失，则注销消失目标的 ID。4实验设计与验证本设计实验基本过程：通过摄像头采集视频流数据；对采集的视频流数据进行 CLA

22、HE 算法预处理，增强人脸特征，并对光线不好的图像设计一组对照实验，通过实验数据展现 CLAHE 算法的预处理效果；通过 Dnn 模块进行人脸检测并标记出人脸在图像中的位置；提取人脸图像中脸部轮廓、眉毛、眼睛的特征点，并将特征点的位置信息与原始图像输入 ResNet 残差网络，输出人脸 128 维的特征向量：对比实时视频流与人脸特征库中的特征向量，并输出人脸标签；人脸识别过程对是否基于质心追踪算法设置一组对照实验，分别统计人脸数量为 1、2、3 时的人脸识别视频图 4质心追踪算法示意图Y2X2Y2X210第 2 期流每秒显示帧数，并对照每秒显示帧数的变化情况，展示基于质心追踪算法的人脸识别的效

23、果。4.1 图像预处理日常环境中会遇到强光照射的情况，人脸可能会处于背光的角度，导致脸部黑暗细节不明显，因此在进行人脸特征提取前需要对图像进行预处理操作13，将人脸细节增强。选定一个强光照射的环境并包含一张人脸的照片，通过实验对比展示原图、全局直方图均衡化（HE）、限制对比度自适应直方图均衡化（CLAHE）的结果，自适应直方图均衡化设置颜色对比度的阈值为 2，网格大小设定为 8 伊 8。本文所设计的系统是根据人脸原始图像进行人脸检测与识别，而原始的彩色图像分为红（R）、绿（G）、蓝（B）3 个颜色通道14。因此，图像预处理实验的第一步就是将原始彩色图像拆分为红（R）、绿（G）、蓝（B）3个通道

24、图像，然后利用 CLAHE 算法分别对 3 个通道图像进行预处理，预处理结果如图 5 所示。通过图 5 可以看出，经过预处理后的 3 个颜色通道图像的直方图较为均衡。将 3 个通道图像合并成彩色图像，即完成了图像预处理过程。为了验证 CLAHE算法的优势，本文还利用 HE 算法对同一张图像按以上步骤进行了图像预处理，图像原图、经 HE 算法处理后图像和经 CLAHE 算法处理后图像的直方图如图 6所示，原图和经两种预处理后的图像对比结果如图 7所示。根据图 6 和图 7 的结果可以看出，原图整体偏暗，像素点主要集中在像素值 25150 的范围内；经HE 算法预处理后的图像，整体像素值分布较均匀

25、了，但却增加了背景的对比度，降低了人脸的对比度，致使人脸细节变少了，不利于后期进行人脸监测与识30 00025 00020 00015 00010 0005 0000025050200灰度值（a）R-颜色通道15010030 00025 00020 00015 00010 0005 0000025050200灰度值（b）G-颜色通道15010030 00025 00020 00015 00010 0005 0000025050200灰度值（c）B-颜色通道150100图 5CLAHE 算法处理的 RGB 三通道直方图30 00025 00020 00015 00010 0005 0000025

26、050200灰度值（a）原图直方图150100025050200灰度值（b）HE 算法处理的直方图15010030 00025 00020 00015 00010 0005 0000图 6图像直方图025050200灰度值（c）CLAHE 算法处理的直方图15010030 00025 00020 00015 00010 0005 0000吴家宝袁等院 戴口罩多人脸识别系统研究11天 津 职 业 技 术 师范 大 学 学 报第 33 卷别；经 CLAHE 算法预处理后的图像，像素值较均匀地分布在全部动态范围内，且局部对比度得到了提高，人脸细节更加明显，视觉效果优于 HE 算法预处理结果。因此，本

27、文后续的人脸检测与识别实验是在经CLAHE 算法进行图像预处理的基础上进行的，它可以有效抑制背景噪声的放大，同时也能增强脸部的局部特征信息。在进行图像预处理过程中，为降低背景噪声对图像的影响，作者尝试过对采集的图片先进行降噪处理，但是实验结果表明，进行降噪处理后，图片中人脸的部分细节也会随着降噪而丢失一部分，导致后期识别成功率的降低。因此，本文在进行图像预处理时，只选用 CLAHE 算法作为图像预处理方法，这样不仅可以有效抑制图像噪声的放大，还可以增强脸部的局部特征，有助于后续实现人脸的检测与识别。4.2 人脸检测与识别通过系统的人脸图像采集功能获取多张人脸图像并存储到人脸数据库中，对人脸数据

28、库中的图像信息进行 Dnn 模块戴口罩的人脸检测，将图像中的人脸标记出坐标位置，并输入给人脸特征点检测模块，基于改进后的特征点检测算法只提取戴口罩人脸的脸部轮廓、眉毛、眼睛的特征点并标记出坐标点，将特征点的信息与原始图像导入 ResNet 残差网络，可以得到128 维的特征向量，计算多张人脸的平均特征向量并导入到人脸特征库中。人脸特征库创建完成后，通过摄像头的视频流实时进行人脸识别。按照上述步骤提取视频流中每一帧人脸的特征向量，计算其与人脸数据库中的特征向量的欧式距离，并标记人脸名称。图 8 为对摄像头采集的视频流进行戴口罩多人脸的识别结果，在较为复杂的背景下，能够同时检测到视频流中 2 个戴

29、口罩的人脸并标记出人脸框，同时检索人脸数据库中的特征向量，准确匹配到人脸的名称“person_3”、“person_4”并标记在人脸框的下方，通过后续实验中的质心追踪算法标记追踪的人脸“Face_1”、“Face_2”。4.3 质心追踪算法验证上述人脸识别准确率虽然达到了预期，但是该算法对视频流每一帧都进行人脸识别导致系统资源浪费，且当多个人进行人脸识别时会造成识别时间过长、效率降低的情况。因此，本文通过质心追踪算法缩短其识别时间，提高识别效率。本文分别选取人脸数1、2、3 时进行人脸识别，并每隔 10 s 获取视频流的画面每秒传输帧数（FPS），共记录 10 次，重复上述实验10 次取平均值

30、，实验结果如图 9 和图 10 所示。图 9 中，人脸数为 1 时，视频流的每秒传输帧数维持在 2 左右；人脸数为 2 时，视频流每秒传输帧数降至 1.2 左右；人脸数在 3 时，每秒传输帧数降至 0.8以下。人脸数为 1、2、3 时的平均每秒传输帧数分别为2.039、1.128、0.763。随人脸数的增加，计算机对视频流的每一帧进行人脸识别，负载较大，因此视频流每秒（a）原图（b）HE 算法处理的图像（c）CLAHE 算法处理的图像图 7图像预处理结果图 8戴口罩多人脸识别结果12第 2 期传输帧数大幅降低，在多人脸识别情况下出现卡顿、识别效率低等缺点，不能适用于实际应用中戴口罩多人脸识别的

31、情形。由图 10 可知，人脸数分别为 1、2、3 的三种情境下视频流的 FPS 均在 1014 s 范围内波动，相较于图 9中所示传统的人脸识别算法视频流的 FPS 提高了十几倍。另外，基于质心追踪算法的人脸识别算法，在人脸数为1、2、3 时的平均视频流每秒传输帧数分别为 12.830、11.631、12.399。这表明，该识别算法的效率在人脸数量增加时没有明显变化，不会出现随人脸数的增加导致 FPS 大幅下降的情况。因此，本文所设计的基于质心追踪算法的多人脸识别系统具有更高的识别效率。5结语本文设计并实现了基于 Dlib 库与质心追踪算法的人脸识别系统。系统通过 Dnn 模块对图像中的戴口罩

32、人脸进行检测，对标记出的戴口罩人脸，通过 Dlib模块提取人脸特征值，并只保留脸部轮廓、眉毛、眼睛，将其作为后续人脸识别的特征点，以缩短检测时间，提高人脸识别的准确度，将特征点的像素坐标基于 ResNet 残差网络训练得到 128 维特征向量，对比特征向量之间的欧氏距离完成人脸识别，使用质心追踪算法提高人脸识别的检测效率，使视频流帧数得到极大提高。实验结果表明，本文所设计的戴口罩多人脸识别系统在保证准确率的情况下，识别时间较传统的人脸识别方法明显缩短。随着本系统的不断测试和改进，未来将在门禁、考勤、金融支付、公共安防等多领域得到广泛应用。参考文献：1 HALPERINA，DISTEFANO T

33、H，CHIANG S.Latent open de-fect detection using phase-sensitive nonlinearity detectiontechnique J.IEEE Transactions on Components，Packaging，andManufacturingTechnology：PartB，1995，18（2）：358-365.2 WANG Z，NIE F P，WANG R，et al.Local structured featurelearningwithdynamicmaximumentropygraph J.PatternRe-cogn

34、ition，2021，111：107673.3 REN M，WANG Y L，SUN Z N，et al.Dynamic graph repre原sentation for occlusion handling in biometrics J.Proceed原ings of the AAAI Conference on Artificial Intelligence，2020，34（7）：11940-11947.4 张庆辉，张媛，张梦雅.有遮挡人脸识别进展综述 J.计算机应用研究，2023，4（4）：1-10.5 霍冠群，陆金波，罗圣翔.基于 CLAHE 和改进 ZNCC 的图像拼接研究 J.

35、激光与光电子学进展，2022，59（12）：226-234.6 张铮，王孙强，熊盛辉，等.结合小波变换和 CLAHE 的图像增强算法 J.现代电子技术，2022，45（3）：48-51.7 文海琼，李建成.基于直方图均衡化的自适应阈值图像增强算法 J.中国集成电路，2022，31（3）：38-42，71.8 左栋，杨明远.基于 ResNet50 网络特征融合的人脸识别技术研究 J.电脑与信息技术，2023，31（1）：22-24.9 王秀，周枫晓，刘保罗，等.基于 Dlib 库的驾驶员疲劳驾驶检测系统 J.物联网技术，2021，11（12）：26-29.10高燕飞，张晋芳.基于 Dlib 与

36、OpenCV 的人脸识别考勤平台 J.信息与电脑，2022，34（5）：156-158.11陈奕文.基于形态模型关键点的戴口罩人脸识别方法研究 D.重庆：重庆理工大学，2022.12吴静雯，李小龙，梁向阳.基于 YOLOv5 与目标追踪算法的戴口罩人脸识别系统 J.现代信息科技，2023，7（6）：61-64.13姚立平，潘中良.一种多算法融合的人脸识别方法研究 J.光电子援 激光，2019，30（9）：960-967.14曹玉涛，吴爱弟.基于小波分析和复矩阵稀疏表示的人脸识别方法 J.天津职业技术师范大学学报，2021，31（1）：62-66.本文引文格式：吴家宝，张运喜，刘强，等.戴口罩多

37、人脸识别系统研究 J.天津职业技术师范大学学报，2023，33（2）：7-13.WU J B，ZHANG Y X，LIU Q，et al.Research on multi-facerecognition system with Masks J.Journal of Tianjin Univer-sity of Technology and Education，2023，33（2）：7-13.2.52.32.11.91.71.51.31.10.90.710100t/s2030405060709080人脸数 1人脸数 2人脸数 3图 9传统的人脸识别 FPS 实验结果161514131211109810100t/s2030405060709080人脸数 1人脸数 2人脸数 3图 10基于质心追踪算法的人脸识别 FPS 实验结果吴家宝袁等院 戴口罩多人脸识别系统研究13