-----------

人脸检测算法检测人脸时，通常都忽略了耳朵信息。 

而在生活中，用眼睛识别人脸时，尤其是侧脸，都会（下意识地）利用到耳朵信息。

本文的研究证明了： 在侧脸检测算法中，如果考虑了耳朵特征，将能够增加人脸检测算法的准确率。

-----------

论文信息 （2017年5月17日录用， 2018年3月在电子学报正式刊出）

电子学报-耳朵信息对侧脸检测的影响研究-2018 Vol. 46 (3) 646-651.pdf

王弯弯，张重生(*通讯作者)，耳朵信息对侧脸检测的影响研究. 电子学报, Vol. 46 (3): 646-651，2018. (EI期刊). 2017年5月17日录用. 2018年3月出版.

http://www.ejournal.org.cn/CN/volumn/current.shtml

------------

摘要：

如何准确地检测和定位图像中的人脸是人脸检测领域的关键问题．为了进一步提高人脸检测器的性能，常见的方法是增加训练数据集或采用更鲁棒的人脸特征表示，而训练人脸检测器的一个基础工作是：为训练图像中的人脸标注边界框．但标注的人脸边界框是否应该包含耳朵信息，以及对训练出的侧脸检测器性能的影响尚未被研究．本文的实验结果表明：在侧脸数据集上训练人脸检测器时，如果人脸边界框包含耳朵信息，基于ＤＰＭ方法训练得到的侧脸检测器使侧脸检测的准确率降低1.9％，召回率提高6.3％．而基于Voila&Jones和Fast R-CNN 方法训练得到的侧脸检测器使准确率分别提高6.8％和4.4％，召回率分别提高14.9％和12.9％．这说明包含耳朵信息训练出的侧脸检测模型，有助于提高侧脸检测率．

总结：

本文的大量实验表明，基于侧脸数据集训练人脸检测器时，包含耳朵的人脸边界框能够提高训练出的人脸检测器的性能．本文训练出的６个侧脸检测器的侧脸检测率都远远高于Face++、CNN_D和于仕琪方法．通常训练一个人脸检测器的样本都是几万张、甚至几百万张．本文的主要目的验证耳朵信息对训练出的人脸检测器性能的影响，使用的正样本训练集仅有2500张图像，这也导致了训练出的侧脸检测器准确率较低．总之，本文的研究对于自然场景下的侧脸检测研究和应用具有一定的参考价值和借鉴意义.