頭部向肩膀左右傾斜15度以上就能躲過人臉識別系統是真的嗎?

謝邀！

假的。（多圖）

按文章作者的意願，「頭部左右傾斜15度以上」只能躲避其所用APP中的人臉檢測模塊，大抵觀察，其所用APP中的人臉檢測演算法只能適應用正臉（frontalface），而非多視角穩固的人臉檢測（InvariantMulti-ViewFaceDetection[1]），而如今諸多開放的人臉檢測SDK或多或少地實現些成果：

人臉檢測只是人臉辨認體系中的一步，固然黑白常緊張的一步；反人臉檢測（躲開人臉檢測）也只是反人臉辨認的一種本領，在特定場景下是見效的，但「頭部左右傾斜15度以上」的「本領」是達不到這結果的，為什麼呢？是否有更有效的要領呢？你和我來探究一下：

1、人臉辨認的一樣平常進程

起首，你和我必要相識人臉辨認的一樣平常進程，如圖2：

圖2.人臉辨認一樣平常進程圖2.人臉辨認一樣平常進程

可以看不出，人臉檢測是入口，檢測失敗則後續辨認無從談起；人臉檢測一樣平常也包括了人臉關鍵點檢測(FacialLandmarkDetection)，檢測告成後的預處理懲罰是根據人臉關鍵點將人臉擺正、對齊，將人臉圖像規定在只包括五官的部分，固然也大概包括對光照的處理懲罰；

辨認進程則雷同一樣平常圖像（模式）分類，大概是提取某種特性（用於表現人臉圖像的數學向量，是對人臉圖像舉行特定的運算得到，如得到矩陣特性值即為一種要領），選擇某種分類要領（傳統神經網路及DeepLearning要領與此有別）。

那麼，影響人臉辨認的因素實際上可包括影響人臉檢測的因素和影響特性提取的因素：

影響人臉檢測的因素有：光照、人臉姿態、遮擋程度；

影響特性提取的因素有：光照、年齡、心情、遮擋程度；

以是，反人臉檢測是反人臉辨認最直觀的要領，題主所引用VEDO中用到的反人臉檢測的要領莫過於從影響人臉檢測的因素及人臉檢測原理入手，這裡留在下一節講。

同樣的原理，粉碎影響特性提取的因素在理論上也是可以到達反人臉辨認的結果。

2、人臉檢測及反人臉檢測

2.1人臉檢測

根本上，相識了該演算法，利用OpenCV自帶的分類器[5]，便可實現正臉的檢測；但對付圖像中人臉的其他姿態，則有較高的漏檢率，這也便是為何題主及其引文將場景設為「頭部左右傾斜15度以上」，著實還可以為「頭部向下俯或向上仰15度以上」或「頭部向左或向右偏15度以上」，只不過「頭部左右傾斜15度以上」偽裝或躲避鏡頭的意圖不算太明顯罷了。

人臉在空間中的旋轉有三種[6]，即繞程度軸旋轉（俯仰）、繞垂直軸旋轉（搖蕩）和繞視平面法向軸旋轉（傾斜），如圖3所示：

圖3.人臉在空間中的旋轉

也即roll,yaw,pitch，細緻圖1結果中的紅框，對應如圖4：

圖4.人臉在空間中的旋轉圖4.人臉在空間中的旋轉

也便是說，美滿的人臉檢測演算法，是要適應肯定多視角的，如[6]思量的姿態範疇為搖蕩[-90°,+90°]，傾斜[-45°,+45°]和俯仰[-20°,+20°]。更多的結果如下：

2.2反人臉檢測

相識了人臉檢測的原理及影響人臉檢測的因素，反人臉檢測好像有頭緒了，當你和我只是孕育產生了這些動機的時間，有人已經實行多時。

A、基於VJ人臉檢測原理的反人臉檢測

B、基於光照滋擾因素的反人臉辨認

日本東京國立信息研究院傳授ISAOECHIZEN研發出了天下首款反面部辨認的眼鏡，通過眼鏡上的11組近紅外環形燈，可以美滿制止被攝像頭的面部辨認步伐抓取信息。[7]

3、針對特性提取的反人臉辨認

特性提取要領繁多[9][10][11]，要在這個層面上到達反人臉辨認，好像難以做到，除非獲知該辨認體系大概利用的特性提取要領，即便云云，魯棒的特性應該具備肯定的穩固性，比如光照、年齡、雜訊等的影響，要做到粉碎性，需具備肯定的專業水準。

4、總結

5、參考