基于人臉分塊近似對稱性預處理的人臉識別算法研究

吳凌云

（河南藝術職業學院，河南 鄭州 451464）

近些年來，人臉識別的要求得到了不斷的提升，需要對非限制場景下實現人臉識別，由于其光照、姿勢以及表情等多個因素的影響，因此需要提升非限制場景下的人臉識別。針對于此種現象，出現了一種人臉近似對稱性預處理的人臉識別方式，根據其人臉左右的近似對稱，在梯度下降迭代算法的情況下，實現對半張臉的對稱恢復，提升識別率。

1 基于分塊的有遮擋人臉識別算法

在本文當中的人臉識別算法當中，對一張人臉的圖像進行切割，在切割當中分為四個區域，分別為左眼、右眼、鼻子和嘴巴這四個區域，在對每一個區域的分析當中需要對各自區域所包含的特點進行分析和判斷，如果出現了殘缺或者遮擋的部分，可根據其區域特點來進行融合，實現對整體人臉的得出。在分析的過程當中可以利用到二分類器，來對遮擋區域的特點進行分析和匯總。在本文當中主要的算法提取可以分為幾個步驟，預處理、人臉分塊、特征提取、遮擋判別、特征融合和相似度匹配[1]。

首先，在預處理當中，包含了人臉檢測、人臉特征點定位、幾何歸一化、光照歸一化以及數據集擴展。本文當中利用一種由粗到精的自編碼網絡定位人臉特征點，在人臉特征點定位的結果上實現幾何的歸一化處理，利用直方圖的方式來對人臉的圖像光照進行均衡化的歸一。（圖1）

圖1 特征點定位圖

其次，對于人臉的分塊本文利用CFAN 算法來進行定位，從人臉圖像當中進行裁切出四個人臉區塊當中，對于圖像來說，需要保持在256×256 大小的范圍內進行切割，切割的過程當中主要對左眼和右眼區域進行分塊處理，在處理的過程當中可以根據給定出的關鍵點來作為中心點的位置進行分析切割，可以切割出64×64 大小的區塊，其中每一塊區域都有自己的區域坐標，眼睛、鼻子以及嘴巴的裁切區域分別為［(xeye－32，yeye－32)，(xeye+32，yeye+32)］、［(xlmouse－8，ylmouse+32)，(xrmouse+8，yrmouse+32)］ 以 及［(xlmouse－8，ylmouse+32)，(xrmouse+8，yrmouse+32)］，在此種方式下，對于人臉圖像的切割可以實現完整信息的保留和分析，裁切的四個區塊可以作為分塊的人臉原圖進行輸入到數據庫當中，以此來當做后續數據庫的特征提取和遮擋判別的依據[2]。

另外，在特征融合和相似度檢測的過程當中，需要將每一個人臉區塊的特征歸一化，從而使得區域對總體特征的貢獻度相似。對于各部分的特點按照順序來實現有序拼接，從而可以實現對一個人臉特點的生成。在本文當中，主要對人臉區塊當中出現的被遮擋部位為主要的研究模型，對于其人臉的區塊特點進行相似度的檢測和分析，在本文當中需要利用兩邊都沒有出現遮擋區塊的部分來進行特單相似度的區分和對比。

最后，在SRC 方式算法過程當中，需要對訓練樣本來全體進行一個矩陣分析，矩陣用X=[X1,X2...Xc]來表示，其中矩陣當中的Xi∈Rm×ni 可以對第i 類別的樣本進行表示。在測試樣本的表達過程當中，可以利用y∈Rm 表示樣本，在矩陣表達式當中，利用β 來對其中關聯到的系數向量做出表示。也就是說，i類當中的y 可以表達為y≈Xiβi。對于SRC 算法來說，需要在范數標準化的基礎上實現對虛擬圖像所有的樣本來實現集中獲取，對于所有的訓練樣本在范數正則測試的過程當中，需要對每一個類別當中出現的殘差進行計算分析，從而對其作出結果的判斷，在此種范式規劃下可以實現對測試樣本的分配處理和分析。

2 實驗結果

第一，在對存在區域遮擋部分的人臉進行判斷的過程當中，需要充分的在數據庫當中進行人臉數據的抽取，在本文當中主要對1000 張人臉圖像信息來劃分為6 個區塊，也就是六千張分塊信息，對于背景數據的采集過程，需要包含真實被遮擋的人臉區域分布圖像信息，也就是需要實現左眼右眼或者鼻子嘴巴等多個區塊部位的比較。在區塊比較的過程當中存在的差距相對較小，因此對于其進行分類訓練的過程當中，需要將對稱的圖像信息進行合并成為一個類別進行區分和比較。對于真實背景圖和存在遮擋部分的人臉區塊部分一共有1000 張,在實驗使用的圖片方面需要選擇其中的4800 張圖片和背景800 張圖片,其中每一個人臉區塊1200 張和剩余背景的200 張可以作為測試使用。在測試的過程當中，需要借助于fine-tune 方法和Hard Negative Mining 方式在二分類器的基礎上實現良好測試。如果人臉區塊的分辨率足夠清晰, 可以對局部的人臉區塊進行模型的判斷,以此來實現對遮擋區域的精準判斷分析。（圖2）

圖2 原始圖像與恢復右鼻區塊后的圖像

第二，如果區塊當中存在遮擋的部分，需要利用局部遮擋的人臉識別方式。在本文的實驗當中，利用38 個人總共2432 張人臉圖像信息來進行實驗，數據信息方面的圖像當中包含了多個表情和多個角度的情況狀態。對于人臉信息圖像來說，可以利用每個人的36 張沒有人臉信息圖像來進行分析。對于其沒有特征的圖像信息和原始的人臉圖像信息進行對比分析之后，可以保證兩只眼睛保持在對準狀態下，對于其人臉的面部區域可以進行裁切成為256×256 像素圖像來進行研究。對于標準化之后的圖像信息，需要實現人臉圖像的區塊遮擋分析，利用二分類器來對人臉區域當中的遮擋類型進行區分?；謴偷玫降娜四樋梢栽赟RC 的算法下進行分類實驗，其實驗結果如表1 所示。

表1 眼睛、嘴巴、鼻子遮擋一類區塊中的識別率對比

從表1 當中可以看出，在本文算法當中，遮擋眼睛區塊、嘴巴區塊、鼻子區塊的識別率分別為95.4、96.6、97.6，三種算法相比較，本文算法在識別效果方面相對良好，在SRC 算法和RSC算法基礎上，對于圖像識別的過程當中會存在遮擋部位辨識度受到影響，利用近似對稱的方式來對人臉信息進行恢復處理，在恢復之后的人臉信息之后存在圖像失真的現象，在辨識度方面會受到一定程度的影響。在文本算法當中，需要在小塊的基礎上實現人臉區域的完整性恢復。

第三，對于很多的區塊部分存在遮擋現象，需要從數據庫當中篩選出單人36 張單人人臉圖像當中的8 張來進行實驗分析，并且還要篩選出具備遮擋部分的圖像信息進行分析，如表2 所示。在表2 當中，計算的方式主要是根據MTCNN 算法方式來進行計算，其中需要人工輔助的方式來對圖像的定位操作進行實現。其最終的實驗結果和其三種方式進行對比的情況下，得出了表2。

表2 眼睛、嘴巴、鼻子遮擋兩類區塊各一個的識別率對比（%）

由此可知，對于大面積的人臉區塊遮擋來說，本文算法的識別率相比較其他的算法，識別率相對較高。遮擋區域的增加，如果遮擋部分為半張人臉的情況下，其SRC 和RSC 算法下的識別準確率都有所下降，且下降的速率很快，近似對稱性的預處理方面可以對半張人臉進行恢復，因此在識別的準確率方面沒有較大變化，在遮擋區塊增加的情況下其識別的準確率有所下降，但是最終的算法在識別率方面相對較高。在遮擋3 個區塊的時候，類似于近似對稱新預處理方式，因此識別準確率方面也保持相似。

綜上所述，利用特征點的定位來實現人臉分塊，實現對人臉遮擋之后利用區塊近似對稱預處理的方式做出恢復，此種算法在單個區塊遮擋的輕快下具備較高程度的辨識程度。但是在很多的區塊遮擋情況下，識別的準確率有所下降。利用人臉分塊近似對稱預處理的算法，可以實現對人臉識別技術的提升。