数学建模——判断照片中的人物是否佩戴眼镜

人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流. 首先判断其是否存在人脸 , 如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。给定一些戴眼镜和不戴眼镜的照片，试建立合适的模型完成以下问题：

1. 读取图像，选取适当的模型识别人类脸部特征，比如眼睛部位、嘴巴部位等（不要使用MATLAB中现成的工具包）；
2. 将所给文件中戴眼镜和不戴眼镜的前100个（A001-A100，B001-B100）作为测试样本，选取适当的特征建立数学模型，判断该照片中的人物是否配带眼镜，并对剩余的样本进行自动识别，给出识别结果及识别正确率。
3. 建立数学模型，尝试对附件3戴眼镜正面人物图像，去掉其眼镜的正面人物图像，并选择至少5个附件1中的图像进行试验。
4. 请考虑人脸识别在哪些领域有何种应用，比如在线人脸认证系统，交通肇事者人脸识别有哪些研究课题，尝试写一个研究课题的技术框架模型（不超过2页）

论文题目：基于Resnet和Gan的眼镜图片识别与消除

摘       要：

本文针对人脸识别佩戴眼镜的相关问题，主要采取基于Resnet和Gan模型，从而对人脸面部特征的读取及眼镜识别与消除，并对人脸识别技术在人脸认证领域进行课题研究与技术框架的展现。

问题1：本文对于图像处理中识别人类脸部特征，采用基于Haar特征的Cascade级联分类器这一思路出发。采用其核心思想，对一个由大量戴眼镜与不戴眼镜的人像图片样本构成的训练集，基于Haar特征选取特征并运用到训练集图片中，结合Cascade分类器，由最初Haar特征的弱分类器不断调整权重值，进行误差值对比并选出分类最好的阈值，以此构造强分类器。将特征分成不同的阶段，各阶段应用特征直至所有阶段的检测通过，获取人像特征区域并对特征器官进行矩形拟合，最终完成人体脸部特征提取。

问题2：本文对于人类脸部是否戴眼镜的判断这一问题，采用深度残差网络模型进行求解。本文基于传统的Resnet网络模型，将网络模型中残差块的基础卷积替换为空洞卷积，提取佩戴眼镜的人像图片更多的细节特征来实现算法高精度，构造改进的Resnet34网络模型。通过所给文件中戴眼镜和不戴眼镜的前100个作为训练样本，采用缩放裁剪、水平翻转等方式对图像数据增加，最后将其余样本代入进行仿真实验。最终实验结果，不戴眼镜的辨识准确率达97.8%，戴眼镜的辨识准确率达98.1%。

问题3：本文基于生成对抗网络(DA-GAN)先对样本的面部进行预测后，构建肖像眼镜移除网络模型，对人像进行眼镜及投射阴影的移除处理。本文在传统的掩码预测阶段采用多步设置的基础上进一步创新，选择先利用De-Shadow Net对眼镜所投射的阴影进行移除处理后，再利用De-Glass网络对眼镜进行移除处理，以此实现眼镜的消除。

问题4：本文针对人脸认证邻域的课题研究技术的核心思想为：用yolov5模型训练celerba数据集训练出目标检测模型，再通过tensort框架优化yolo网络，在推理阶段到定位目标区域结果的基础上加速其推理过程，tensort硬件能加速实现实时的人脸识别，从而完成对人像区域的自动检测。

关键词：Haar特征；Cascade级联；Resnet网络模型；生成对抗网络；眼镜识别与消除；