改進LDP結(jié)合幾何特征融合的人臉表情識別

成亞麗，秦飛龍，李政文

(1.成都工業(yè)學院 大數(shù)據(jù)與人工智能學院，四川 成都 611730；2.電子科技大學成都學院 文理系，四川 成都 611730)

0 引 言

人臉表情識別在情感計算、監(jiān)控和機器人控制等領域都得到了廣泛應用[1,2]。在計算機視覺處理中，人臉表情主要是根據(jù)不同表情下由面部肌肉運動引起的不同面部特征來描述，因此一個有效的特征描述符是表情識別的關鍵。然而，在不同的光照條件和人臉姿勢下會產(chǎn)生不同的噪聲，導致人臉像素點無法很好地區(qū)分開，因此構(gòu)造一種對這些變化具有魯棒性的穩(wěn)定描述符具有一定的困難[3]。

針對上述問題，學者進行了大量研究。現(xiàn)有常用的描述人臉特征方法主要分為兩種[4-9]：①基于幾何特征的方法；②基于外觀特征的方法。基于幾何特征的方法考慮不同面部組件(如嘴、眼睛、眉毛等)的形狀和位置，以表征面部結(jié)構(gòu)。然而，這種方法嚴格依賴于精確對齊的面部坐標，這在面部外觀和成像條件發(fā)生變化時是很難做到的。另一方面，基于外觀特征的方法并不嚴格依賴于面部組件的位置，因為它們描述了面部外觀，又可分為全局外觀和局部外觀。

基于全局外觀的方法試圖通過應用基于投影技術生成一個全局描述符來表示整個人臉的外觀，常用的有2D PCA、LDA和ICA等。然而，由于這種方法旨在以全局方式表示圖像，因此不適合描述不同面部表情的精細外觀變化。與其不同的是，基于局部外觀的方法采用局部編碼策略來發(fā)現(xiàn)由不同表情變化引起的面部微觀紋理或邊緣信息，比基于全局外觀的方法有更好的識別效果。傳統(tǒng)的局部外觀方法有局部二值模式(LBP)、Sobel、Prewitt、Roberts和Kirsch邊緣算子等。

近些年，局部方向模式(local directional pattern，LDP)等基于局部邊緣的描述子用于表情識別[10,11]，其關鍵是描述面部圖像上微觀邊緣的局部特征。這種方法通過應用Kirsch掩模在像素的局部鄰域內(nèi)測量不同方向上的邊緣響應，并對具有顯著Kirsch響應的3個方向進行編碼，來表示各種微觀層次的紋理圖案。然而，Kirsch算子只考慮3×3局部鄰域，因此在該區(qū)域中存在的強度失真或噪聲可能影響Kirsch響應計算，導致形成錯誤的LDP模式[12]。此外，LDP也會在沒有邊緣的平坦區(qū)域產(chǎn)生編碼，如果一些隨機噪聲紋理僅出現(xiàn)在這些區(qū)域中，這可能導致不一致的紋理特征。

目前，也有一些學者對LDP進行了改進。例如，文獻[13]提出了一種對噪聲更具魯棒性的局部方向模式來描述人臉。文獻[14]通過將圖像方向信息和強度信息相結(jié)合來進行編碼，以提高識別率。文獻[15]通過對分塊中獲得的LDP進行X-OR運行，形成一種精簡型編碼方法稱為DR-LDP。不過這些方法都沒有考慮到LDP在平坦區(qū)域會產(chǎn)生偽邊緣編碼的情況。

本文針對傳統(tǒng)LDP會產(chǎn)生偽特征碼和對局部鄰域噪聲敏感的問題，提出了一種改進型LDP局部描述子(ILDP)，用于在不同類型的紋理(如邊緣、彎曲邊緣和角狀紋理)上生成清晰編碼，并構(gòu)建了一種人臉表情識別方法，其主要創(chuàng)新點為：

(1)對傳統(tǒng)LDP進行改進。首先，在LDP計算過程中對邊緣梯度信息進行對數(shù)變換并進行積累，以此來抑制少樣本的噪聲信息。然后，在LDP編碼階段，使用梯度閾值方法來區(qū)分面部結(jié)構(gòu)中的顯著特征區(qū)域和無特征的平坦區(qū)域，避免產(chǎn)生無用編碼。從而使LDP方法具有更強的分辨能力和魯棒性，能夠更好地表示人臉局部結(jié)構(gòu)。

(2)將ILDP提取的局部外觀特征與主動表觀模型(active appearance mode，AAM)提取的全局幾何特征相結(jié)合，均衡人臉特征集的整體和細節(jié)表示能力，進一步提高人臉表情識別準確率。

在JAFFE和BU-3DFE兩個公共數(shù)據(jù)集上的實驗結(jié)果表明，提出的方法能夠有效提高表情的識別率，降低了對噪聲的敏感性。

1 提出的人臉表情識別方法框架

1.1 方法框架

本文提出的人臉表情識別方法共分為4個部分，分別是基于改進型LDP(ILDP)的局部外觀特征提取，基于AAM的幾何特征提取，特征融合與主成分分析(PCA)特征降維，基于SVM的人臉表情特征分類。整個方法基本流程如圖1所示。

圖1 提出的人臉表情識別方法流程

在提出的方法中，ILDP是本文方法的重點。由于傳統(tǒng)LDP存在容易受噪聲像素影響和編碼不穩(wěn)定的情況，為此本文通過3個措施對其進行了改進，即利用Sobel算子代替Kirsch掩模來更好地提取圖像中的梯度信息，利用一個log函數(shù)來減弱噪聲點的影響，利用一個閾值判斷來避免在平坦區(qū)域進行邊緣特征編碼。

通過本文提出的ILDP可以提取出有效的人臉局部外觀特征。然而，如果僅使用外觀特征，當遇到光照、外圍環(huán)境變化等因素時，會影響識別精度。所以本文在此基礎上還融入了全局幾何特征，即通過AAM模型來提取人臉幾何特征。然后將兩種特征進行融合，并通過PCA來對特征集進行降維，最終構(gòu)建人臉的高效特征集。

1.2 特征提取與特征融合

1.2.1 ILDP局部外觀特征提取

本文通過提出的ILDP來提取人臉局部外觀特征，這將在第2章中詳細描述。

1.2.2 AAM幾何特征提取

本文使用經(jīng)典AAM模型[16]提取人臉幾何特征。AAM模型算法主要分為兩個部分，首先是模型建立，其次為匹配標定。AAM模型采用統(tǒng)計分析方法建立先驗模型，包含人臉的形狀信息和紋理信息。模型分為4個步驟建立：①標注訓練圖片；②形狀對齊；③形狀和紋理建模；④建立混合模型。

首先采用Procruste分析方法對人臉圖像進行歸一化和人類對齊操作。

然后，將人臉的形狀模型與紋理模型相結(jié)合，形成一個統(tǒng)計模型進行特征點定位，從而提取人臉的幾何特征。形狀變化包含特征點之間的有向圖，紋理包含亮度、色彩等信息。得到的形狀模型和紋理模型分別表示如下

(1)

(2)

其中，s0是平均形狀，si是正交基，bi為形狀參數(shù)。A0(x)是平均紋理，Ai(x)是正交基，ai表示紋理參數(shù)。

最后，在得到人臉圖像的形狀模型和紋理模型后，將兩個模型通過權重參數(shù)進行聯(lián)合，并去除它們之間的相關性，得到最終的外觀模型。AAM幾何特征提取的詳細步驟可參見文獻[16]的描述。

1.2.3 特征融合

我們將ILDP提取的局部外觀特征集表示為HATLDP，將AAM提取的幾何特征集表示為HAMM，通過一個權重λ將ILDP和AAM特征進行加權融合，那么總特征集表示為

HALL=λHATLDP+(1-λ)HAMM

(3)

1.3 特征降維

本文在特征提取的基礎上，通過經(jīng)典的PCA算法來進行頻繁特征選擇，將最終獲得的頻繁特征表示為HALL-F。對于一個表情來說，不同個體與該表情相關的面部成分都是相似的。這就是說，在面部圖像中，特定表情的面部模式比噪聲模式出現(xiàn)的頻率更高。因此，一個人臉可以由頻繁出現(xiàn)的特征來表示，而其它不太頻繁的特征可以省略。

PCA是特征降維的一種有效方法，其將高維的數(shù)據(jù)映射到低維，并期望在所投影的維度上數(shù)據(jù)的方差最大。假設X是已經(jīng)中心化(Z-score)過的數(shù)據(jù)矩陣，每列一個樣本(每行一個特征)；樣本點xi在新空間中的超平面上的投影是：WTxi；若所有樣本點的投影能夠盡可能分開，則表示投影之后的點在各個維度上的方差應該最大化，那么投影樣本點的各個維度方差的和表示為

(4)

從而可以得到PCA的最優(yōu)目標函數(shù)是

s.t.WTW=I

(5)

2 提出的改進型LDP算法(ILDP)

2.1 傳統(tǒng)LDP算法及其缺陷

LDP通過比較圖像中某個像素在不同方向上的邊緣響應值，為像素分配一個8位二進制編碼來獲取模式。LDP通常鄰域大小設置為3×3，然后將一個中心像素分別與8個Kirsch算子進行卷積運算，獲得8個3×3的邊緣響應值矩陣，記為|mi|(i=0,1,…,7)，邊緣響應值反映在不同方向上邊的重要性。然后選取絕對值最大的k個數(shù)作為主要特征，并且將這k位編碼為1，其余位編碼為0，表示為

(6)

圖2描述了LDP的編碼過程，圖3列舉了k=3時的一個LDP編碼示例。

圖2 LDP的編碼過程

圖3 LDP編碼示例(k=3)

然而，傳統(tǒng)LDP描述子存在以下2個缺陷：

(1)傳統(tǒng)LDP在編碼過程中會受到像素局部鄰域變化的影響，微小的位置變化和噪聲點在很大程度上會影響描述子提取特征的穩(wěn)定性。

(2)臉部的平坦區(qū)域不包含與面部表情分析相關的有意義特征，然而傳統(tǒng)LDP描述符也會在平坦區(qū)域中編碼非邊緣特征，從而產(chǎn)生不確定的隨機特征碼。這些編碼可能會與邊緣編碼相似，從而影響了人臉特征表示的準確性。

圖4描述了LDP在不同種類的圖像區(qū)域上產(chǎn)生相同編碼的例子。

圖4 不同區(qū)域產(chǎn)生相同LDP編碼的例子

2.2 提出的改進型LDP算法

為解決上述分析中傳統(tǒng)LDP存在的問題，本文利用局部鄰域邊緣信息的統(tǒng)計特性，提出了局部顯著方向模式來生成魯棒特征。還提出了一種機制來避免在平面區(qū)域生成像素的模式碼。此外，還利用了一種特征選擇機制來選擇一些重要特征，從而獲得更好的分類效果。

2.2.1 改進型LDP編碼過程

由于面部表情的不同，嘴、鼻子、眼睛和眉毛等不同面部成分的形狀會隨著面部運動而變化。正確編碼這些面部特征的變化是區(qū)分不同表情的關鍵。基于邊緣的模式提取器試圖對這些邊緣的方向和強度進行編碼。圖像梯度能有效地表示邊緣的強度和方向，因此可以用來編碼局部形狀結(jié)構(gòu)。另外，由于圖像梯度的方向?qū)庹兆兓膊惶舾校虼嘶谔荻鹊倪吘夗憫鼙挥脕硖崛D像特征。

如前所述，在用于提取圖像局部梯度/邊緣信息的LDP方法中，其編碼方案利用了Kirsch掩模的邊緣響應。由上文討論可知，使用Kirsch掩模的局部形狀表示存在一些問題。因此，本文利用著名的Sobel算子代替Kirsch掩模來提取圖像中的梯度信息。

為了計算ILDP碼，首先得到梯度幅度(M)和方向(θ)

θ=tan-1(Gy/Gx)

(7)

式中：Gx和Gy分別是對圖像(I)應用水平和垂直Sobel算子得到的響應

(8)

梯度方向和幅度分別代表邊緣的方向和強度。因此，基于幅度加權累積的相鄰像素梯度方向信息(稱為方向梯度直方圖HOG)可以表示該鄰域中出現(xiàn)的紋理形狀。采用HOG的概念來描述局部結(jié)構(gòu)的形狀。將梯度方向量化為q方向，即每個方向覆蓋360/q度。

在HOG中，在第i個bin(量化方向)中的累積計算為

(9)

式中：p是鄰域R中的像素，θ(p)和M(p)分別是p處的梯度方向和幅度。

2.2.2 噪聲像素影響的抑制

HOG沿不同方向累積梯度幅度來表示邊緣結(jié)構(gòu)的強度。但是，局部區(qū)域可能包含與外觀變化無關的強度變化，例如噪聲。在這種情況下，區(qū)域中的一些噪聲像素可能對相應直方圖中的累積運算提供不良貢獻，導致包含噪聲梯度的直方圖可能比用來表示實際外觀變化的其它直方圖的權重更大，從而導致混淆噪聲邊緣和實際形狀的有效邊緣。

為避免這個問題，本文利用對數(shù)函數(shù)和適當?shù)泥徲虼笮頊p少噪聲像素的影響。

首先，對梯度幅度值應用一個log函數(shù)，通過改變式(9)中的Δ函數(shù)將其累積到直方圖中，形成方向變化直方圖(histogram of directional variations，HDV)，表示為

(10)

式中：HDV累積了梯度幅度的對數(shù)。注意，M在[0～255]范圍內(nèi)，即梯度幅度的對數(shù)被量化為最接近的整數(shù)。對數(shù)運算符在這里不會產(chǎn)生任何負值，較小(接近0)的梯度幅度表示平面信息(即缺少面部特征)。由于本文采用了閾值判斷來區(qū)分平坦和邊緣區(qū)域，所以梯度幅度不會為0，這將在下一節(jié)中介紹。

其次，我們發(fā)現(xiàn)從一個大的鄰域區(qū)域計算HDV和HOG時可能會導致特征表征性能的降低，為此選擇一個合適的領域大小對于表情識別來說非常關鍵。為此，通過相關實驗驗證了在不同的LDP編碼局部鄰域大小(3×3、5×5 和7×7)下，ILDP算法在JAFFE數(shù)據(jù)集上的性能，算法識別率見表1。

表1 不同LDP編碼局部鄰域大小下的表情識別率/%

根據(jù)表1結(jié)果發(fā)現(xiàn)，較小鄰域區(qū)域可以得到更好的結(jié)果。這主要有兩個原因：①鄰域越大，編碼的特征尺度就越高。當鄰域設置為3×3時，其考慮了8個鄰居像素進行編碼，而設置為5×5時則需要考慮16個鄰居像素，導致特征維數(shù)的成倍增加，為后續(xù)特征分類帶來負擔且影響性能；②當鄰域過大時，局部細節(jié)特征就無法準確獲取，導致諸如微觀邊緣結(jié)構(gòu)特征等細節(jié)的丟失。這也是經(jīng)典LBP、LDP編碼都采用3×3鄰域的原因。

2.2.3 基于閾值機制的平坦區(qū)域消除

為解決傳統(tǒng)LDP在臉部的平坦區(qū)域仍然有可能產(chǎn)生與邊緣區(qū)域相似的編碼，形成非邊緣特征的問題。本文引入一個閾值(τ)，僅為梯度幅度(M)超過該閾值的像素生成ILDP碼。

如果像素處的梯度幅度小于τ，則在代碼生成的初始階段直接指定默認的ILDP代碼。對于梯度幅度超過τ的像素，ILDP根據(jù)像素領域特征結(jié)構(gòu)找到兩個重要的邊緣方向，即主(dir1)和次(dir2)梯度方向來探索局部鄰域。然后將兩個方向進行連接，生成ILDP代碼，表示如下

(11)

可以在一些邊緣模式中僅提取一個有效方向，例如在HDV中僅累積一個方向的理想邊緣，雖然這種邊緣可能只存在于人臉圖像中的高對比度區(qū)域。為了對這樣的邊緣模式進行編碼，將主方向累加了兩次。因此，ILDP成為一個從0到63的6位代碼。另外，默認代碼不具備任何重要信息，因為它們表示無特征區(qū)域。

對于閾值τ，需要根據(jù)面部圖像中邊緣像素數(shù)量與像素總數(shù)的比率來設定。當閾值τ設置較大時，會導致產(chǎn)生較少的特征而無法正確描述面部外觀。另一方面，當閾值τ設置較小時，產(chǎn)生的特征有可能會包括噪聲和弱邊緣，這些與外觀表示沒有顯著關系。根據(jù)多次實驗結(jié)果分析，當閾值τ設定為圖像中所有邊緣像素梯度幅度平均值的70%時，效果最佳。

該編碼方案產(chǎn)生類似于傳統(tǒng)LDP描述符的特征數(shù)量，但對由噪聲和位置變化引起的干擾更加穩(wěn)定。傳統(tǒng)LDP方法在不同情況下對相同邊緣結(jié)構(gòu)會生成不同的編碼，這清楚地表明編碼原始強度或基于掩碼的邊緣響應不能很好地表示實際形狀信息。相比之下，本文方法中，從基于累積的方向變化直方圖的局部統(tǒng)計信息中提取顯著方向，可以對無噪聲和有噪聲的圖像區(qū)域生成相同的代碼，避免了噪聲的干擾。

3 實驗及分析

3.1 實驗設置

在基準數(shù)據(jù)集JAFFE、BU-3DFE和Yale上，將本文方法與現(xiàn)有的最新方法進行了性能比較分析。JAFFE數(shù)據(jù)集一共有213張圖像，選取了10名日本女學生，每個人做7種表情，分別為生氣、厭惡、恐懼、高興、中性、難過和驚訝。BU-3DFE數(shù)據(jù)庫由3D數(shù)據(jù)中建模的2D圖像構(gòu)成，也提供了相同的7種典型表情，其中每種表情包括4種不同的強度級別。該數(shù)據(jù)庫包括100名受試者，其中56%為女性，44%為男性。樣本在年齡和民族上也各不相同，這使得BU-3DFE在實踐中具有挑戰(zhàn)性。Yale數(shù)據(jù)集常用于人臉識別，其中包含了不同光照、姿態(tài)和表情的圖像，本文手動從中選擇了4種表情的圖像，用于驗證算法在不同光照條件下的性能。圖5分別介紹了兩個數(shù)據(jù)集中的一些示例。

圖5 數(shù)據(jù)集中的一些表情圖像示例

在預處理階段，將所有圖像歸一化為150×110像素，然后對圖像進行特征提取。此外，為了分析各種方法在受到噪聲和位置變化干擾時的準確率，在圖像樣本加入了噪聲。所有算法都是通過python3.0進行編程實現(xiàn)，運行平臺為Intel core i5@2.67 GHz處理器和8 GB RAM的計算機。

3.2 JAFFE數(shù)據(jù)集上的結(jié)果

這里我們執(zhí)行3個實驗，首先在JAFFE數(shù)據(jù)集上評估提出的ILDP和特征融合的表情識別方法的有效性。對7種表情識別的混淆矩陣如圖6所示。可以看到，本文方法獲得了平均95.8%的識別率，具有很高的成功率。

圖6 本文方法在JAFFE數(shù)據(jù)集上識別結(jié)果

然后，為了驗證本文采用的改進LDP和特征融合是否對提高識別率有促進作用，將本文提出的表情識別方法(即ILDP+AAM)與傳統(tǒng)LDP和單獨ILDP方法進行比較，識別準確率見表2。

表2 JAFFE上人臉表情識別準確率/%

可以看到，當只采用傳統(tǒng)LDP方法時識別率只有89.97%，而采用改進后的ILDP時，識別率提高了約4個百分點。這是因為ILDP提高了對噪聲像素的抑制能力，且通過閾值判斷來識別平坦和邊緣區(qū)域，使其編碼更加準確地反映真實表情特征。另外，在進一步融合AAM特征后，識別率得到進一步提高達到95.8%，說明幾何特征的融入能夠避免僅僅利用局部外觀特征的不足，使得到的特征集能夠更全面地描述人臉表情。

接著，將本文方法與現(xiàn)有的幾種先進方法進行比較，對比方法分別為文獻[13]提出的噪聲魯棒的LDP方法，文獻[14]提出的方向-強度信息結(jié)合編碼的LDP方法，文獻[15]提出的精簡型編碼的DR-LDP方法。

為了體現(xiàn)本文方法對噪聲像素的抑制能力，在圖像中加入了不同量級的噪聲。為生成有噪聲點的圖像，對每個圖像添加具有零均值和兩個隨機標準差范圍(0.08-0.16和0.16-0.32)的隨機高斯噪聲，識別結(jié)果見表3。可以看出，在有噪聲點時，各種方法的識別率都有所下降。但ILDP比其它現(xiàn)有方法有更好的效果，驗證了本文對梯度幅度值應用log函數(shù)后再累計的操作具有有效性。另外，AAM幾何特征的融入能夠進一步提高識別性能。

表3 不同噪聲等級下，JAFFE數(shù)據(jù)集上的識別準確率/%

3.3 BU-3DFE數(shù)據(jù)集上的結(jié)果

與JAFFE數(shù)據(jù)集上的實驗一樣，我們先進行本文方法的驗證實驗，然后再進行對比分析。

本文方法在BU-3DFE數(shù)據(jù)集上的表情識別混淆矩陣如圖7所示。可以看到，本文方法的平均識別率為76.5%，與JAFFE數(shù)據(jù)集相比較低。這是因為BU-3DFE數(shù)據(jù)集中的表情強度都不同，且圖像人物的外形差異也很大，導致有些不屬于同一類的表情看上去很相似，給識別帶來了難度。

圖7 本文方法在BU-3DFE數(shù)據(jù)集上識別結(jié)果

然后，對采用的改進LDP和特征融合進行驗證，識別準確率見表4。可以看到，與JAFFE數(shù)據(jù)集上的結(jié)果一致，ILDP能夠明顯改善傳統(tǒng)LDP的性能，融入AAM特征后可以進一步提高識別率。只不過由于BU-3DFE數(shù)據(jù)集上圖像之間的巨大變化，可能會產(chǎn)生任意的編碼，導致特征的模糊性，因此總體精度要比JAFFE數(shù)據(jù)集低很多。

表4 BU-3DFE數(shù)據(jù)集上的人臉表情識別準確率/%

最后，對BU-3DFE數(shù)據(jù)集上的圖像加入噪聲，不同方法的識別結(jié)果見表5。同樣可以看到，本文方法對噪聲的抵抗能力最強，而傳統(tǒng)LDP幾乎沒有噪聲抑制能力，識別率受噪聲的影響很大。

表5 不同噪聲等級下，BU-3DFE數(shù)據(jù)集上的識別準確率/%

3.4 Yale數(shù)據(jù)集上的結(jié)果

Yale數(shù)據(jù)集主要用來驗證在不同光照條件下，算法對人臉表情的識別性能。本文方法的表情識別混淆矩陣如圖8所示。可以看到，由于該實驗中的表情類別數(shù)量較少，所以整體識別率都比較高。在這4類表情中，除了高興和驚訝兩類存在相對較大的分類錯誤外，其它的識別率都很高。這也說明了本文方法提取的外觀和幾何特征的結(jié)合能夠很好地克服光照變化帶來的影響，使識別準確率對光照變化不敏感。

圖8 本文方法在Yale數(shù)據(jù)集上識別結(jié)果

最后，將不同方法在Yale數(shù)據(jù)集上進行實驗，識別結(jié)果見表6。這里不添加噪聲，主要用來驗證不同方法對光照變化的抑制能力。同樣可以看到，與現(xiàn)有方法相比，本文方法取得了最好的結(jié)果，其對光照變化的抵抗能力也最強。

表6 Yale數(shù)據(jù)集上的識別準確率/%

3.5 計算時間比較

人臉表情識別方法的計算時間也是一項重要指標，在滿足識別準確性條件下，識別時間盡可能最短，才能更好地適應一些實時應用。

從數(shù)據(jù)集中隨機選擇100張圖像，應用上述對比方法進行人臉特征提取和識別，記錄從每張圖像中提取特征向量長度和完成識別所需的平均時間，結(jié)果見表7。可以看到傳統(tǒng)LDP計算8個方向的信息，所以特征長度較大，但由于計算不復雜，所以計算時間不長。文獻[15]方法的特征長度最小，是因為該方法將分塊特征進行運算整合，構(gòu)建了一種精簡特征集。本文方法的特征長度也不大，是因為本文雖然結(jié)合了ILDP和AAM特征，但在融合特征之后采用了PCA算法進行降維，精簡了特征集維度，所以識別過程所需的時間也不是很長。

表7 各種方法的特征長度及表情識別時間/ms

4 結(jié)束語

本文提出一種改進型局部顯著方向模式(ILDP)，通過融入log函數(shù)和平坦區(qū)域閾值判斷，解決了人臉表情識別中的噪聲點和偽編碼問題。另外，將ILDP提取的特征與AAM幾何特征進行結(jié)合，進一步提高了人臉識別準確率。

然而，融合后的模型在一定程度上增加了運行時間，在不影響模型準確率的前提下，未來會進一步優(yōu)化該模型，從而提高該模型的執(zhí)行效率。