本文提出了一种基于遮挡和深度学习特征的可靠方法来解决口罩蒙面等遮挡因素下的人脸识别问题，并使用预训练的卷积神经网络提取眼睛和前额区域特征以及使用多层感知器分类识别。实验结果表明该方法有较高的识别性能。

May, 2021

本文提出了一种使用实时口罩检测来增强人脸识别系统的现有数据集的方法，并利用 MaskTheFace 工具创建大量实时口罩数据集以及使用处理后的数据集提高了 FACENET 及在实际数据集 MFR2 上的识别率。

Aug, 2020

本文对现代人脸检测算法面临的挑战进行了阐述，着重研究了一类子问题：检测戴口罩的人脸。文章回顾了当前的最先进人脸检测器和专门针对戴口罩人脸识别的算法，并评估了一组代表性的检测器在检测戴口罩人脸问题上的表现，并讨论了影响表现的可能因素。

May, 2023

面罩脸部识别（MFR）是生物识别中的关键领域，尤其是全球 COVID-19 疫情导致广泛戴口罩。本综述论文对具有面罩的个体识别和检测中的挑战和进展进行了全面分析，这一领域由于需要适应新的社会规范而发生了创新的变化。通过深度学习技术的先进和面蒙面识别（FMR）以及面部去蒙面（FU）代表着重要的研究领域。这些方法解决了由完全到部分遮挡面部特征所带来的独特挑战。我们综合审查了针对 MFR、FMR 和 FU 开发的各种基于深度学习的方法，突出了它们的独特挑战和应对方法。此外，我们还探讨了专门用于评估 MFR 研究性能的基准数据集和评估指标。该综述还讨论了研究人员在这一领域面临的重大障碍，并提出了未来进一步发展更稳健有效的面罩脸部识别系统的方向。本文为研究人员和从业者提供了宝贵的资源，洞察了面对全球卫生危机及其后果时面部识别技术的演变景观。

May, 2024

本研究使用 Flickr-Faces-HQ 和 SpeakingFaces 数据集对戴口罩与不戴口罩的人脸识别进行比较，发现在疫情边境检查场景下，口罩会导致 36.78％的性能下降，但使用跨光谱深度学习方法可将性能下降降至 1.79％。

Jan, 2022

利用深度学习创建了一个实时检测视频和图像中口罩的模型，该研究旨在提高安全性，特别是敏感区域，通过图像预处理、图像裁剪和图像分类三个阶段来识别带口罩的人脸，并通过网络摄像头或闭路电视摄像机进行持续监控，如果发现没有戴口罩的人，则触发安全警报。

Nov, 2023

通过 AI 技术的计算机视觉系统识别戴口罩人群的情感，提出了一个新的挑战。本研究提出了一种能够识别不同面具人群情感的面部情感识别系统，并采用了一种新的数据增强技术来改善模型的性能。通过对四种面具类型的每张面部图像进行训练，评估了四个卷积神经网络（Alexnet，Squeezenet，Resnet50 和 VGGFace2）的效果。实验结果显示，与单面具模式相比，我们的模型在多面具模式下的效果更好。其中，VGGFace2 网络在使用 JAFFE 数据集时的人员相关模式的准确率最高，为 97.82%，人员独立模式的准确率为 74.21%。然而，我们使用 UIBVFED 数据集评估了我们的模型。Resnet50 在人员相关模式下表现出了优越的性能，准确率分别为 73.68% 和 59.57%。此外，我们采用了精确度、敏感度、特异性、AUC、F1 值和混淆矩阵等指标来详细衡量我们系统的效率。此外，还使用了 LIME 算法来可视化 CNN 的决策策略。

Dec, 2023

本文提出一种深层级联多任务框架，通过三层深度卷积神经网络的分级设计，在对人脸和人脸特征区域进行预测的粗到细的过程中，利用其中的内在相关性以提高人脸检测和特征点定位的性能，在学习过程中还采用一种新型的在线困难样本挖掘方法，能够自动提高性能而无需手动样本选择。

Jan, 2022

本文提出了三种不同类型的口罩脸识别数据集，以提高口罩脸识别技术的识别性能，并开发了多粒度口罩脸识别模型，其准确率可达 95％，超过行业报道的结果。

Mar, 2020

本文章研究口罩对面部识别的影响，并搭建了一个生成口罩面部的自动化工具，建立了新的 Masked LFW（MLFW）库。通过实验发现，与原始图像比较，先进的面部识别模型在 MLFW 上的识别准确率下降了 5％-16％。

Sep, 2021