基于人臉分塊近似對稱性預(yù)處理的人臉識(shí)別算法研究

吳凌云

（河南藝術(shù)職業(yè)學(xué)院，河南 鄭州 451464）

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

1 基于分塊的有遮擋人臉識(shí)別算法

在本文當(dāng)中的人臉識(shí)別算法當(dāng)中，對一張人臉的圖像進(jìn)行切割，在切割當(dāng)中分為四個(gè)區(qū)域，分別為左眼、右眼、鼻子和嘴巴這四個(gè)區(qū)域，在對每一個(gè)區(qū)域的分析當(dāng)中需要對各自區(qū)域所包含的特點(diǎn)進(jìn)行分析和判斷，如果出現(xiàn)了殘缺或者遮擋的部分，可根據(jù)其區(qū)域特點(diǎn)來進(jìn)行融合，實(shí)現(xiàn)對整體人臉的得出。在分析的過程當(dāng)中可以利用到二分類器，來對遮擋區(qū)域的特點(diǎn)進(jìn)行分析和匯總。在本文當(dāng)中主要的算法提取可以分為幾個(gè)步驟，預(yù)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(yù)處理當(dāng)中，包含了人臉檢測、人臉特征點(diǎn)定位、幾何歸一化、光照歸一化以及數(shù)據(jù)集擴(kuò)展。本文當(dāng)中利用一種由粗到精的自編碼網(wǎng)絡(luò)定位人臉特征點(diǎn)，在人臉特征點(diǎn)定位的結(jié)果上實(shí)現(xiàn)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(jìn)行均衡化的歸一。（圖1）

圖1 特征點(diǎn)定位圖

其次，對于人臉的分塊本文利用CFAN 算法來進(jìn)行定位，從人臉圖像當(dāng)中進(jìn)行裁切出四個(gè)人臉區(qū)塊當(dāng)中，對于圖像來說，需要保持在256×256 大小的范圍內(nèi)進(jìn)行切割，切割的過程當(dāng)中主要對左眼和右眼區(qū)域進(jìn)行分塊處理，在處理的過程當(dāng)中可以根據(jù)給定出的關(guān)鍵點(diǎn)來作為中心點(diǎn)的位置進(jìn)行分析切割，可以切割出64×64 大小的區(qū)塊，其中每一塊區(qū)域都有自己的區(qū)域坐標(biāo)，眼睛、鼻子以及嘴巴的裁切區(qū)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(shí)現(xiàn)完整信息的保留和分析，裁切的四個(gè)區(qū)塊可以作為分塊的人臉原圖進(jìn)行輸入到數(shù)據(jù)庫當(dāng)中，以此來當(dāng)做后續(xù)數(shù)據(jù)庫的特征提取和遮擋判別的依據(jù)[2]。

另外，在特征融合和相似度檢測的過程當(dāng)中，需要將每一個(gè)人臉區(qū)塊的特征歸一化，從而使得區(qū)域?qū)傮w特征的貢獻(xiàn)度相似。對于各部分的特點(diǎn)按照順序來實(shí)現(xiàn)有序拼接，從而可以實(shí)現(xiàn)對一個(gè)人臉特點(diǎn)的生成。在本文當(dāng)中，主要對人臉區(qū)塊當(dāng)中出現(xiàn)的被遮擋部位為主要的研究模型，對于其人臉的區(qū)塊特點(diǎn)進(jìn)行相似度的檢測和分析，在本文當(dāng)中需要利用兩邊都沒有出現(xiàn)遮擋區(qū)塊的部分來進(jìn)行特單相似度的區(qū)分和對比。

最后，在SRC 方式算法過程當(dāng)中，需要對訓(xùn)練樣本來全體進(jìn)行一個(gè)矩陣分析，矩陣用X=[X1,X2...Xc]來表示，其中矩陣當(dāng)中的Xi∈Rm×ni 可以對第i 類別的樣本進(jìn)行表示。在測試樣本的表達(dá)過程當(dāng)中，可以利用y∈Rm 表示樣本，在矩陣表達(dá)式當(dāng)中，利用β 來對其中關(guān)聯(lián)到的系數(shù)向量做出表示。也就是說，i類當(dāng)中的y 可以表達(dá)為y≈Xiβi。對于SRC 算法來說，需要在范數(shù)標(biāo)準(zhǔn)化的基礎(chǔ)上實(shí)現(xiàn)對虛擬圖像所有的樣本來實(shí)現(xiàn)集中獲取，對于所有的訓(xùn)練樣本在范數(shù)正則測試的過程當(dāng)中，需要對每一個(gè)類別當(dāng)中出現(xiàn)的殘差進(jìn)行計(jì)算分析，從而對其作出結(jié)果的判斷，在此種范式規(guī)劃下可以實(shí)現(xiàn)對測試樣本的分配處理和分析。

2 實(shí)驗(yàn)結(jié)果

第一，在對存在區(qū)域遮擋部分的人臉進(jìn)行判斷的過程當(dāng)中，需要充分的在數(shù)據(jù)庫當(dāng)中進(jìn)行人臉數(shù)據(jù)的抽取，在本文當(dāng)中主要對1000 張人臉圖像信息來劃分為6 個(gè)區(qū)塊，也就是六千張分塊信息，對于背景數(shù)據(jù)的采集過程，需要包含真實(shí)被遮擋的人臉區(qū)域分布圖像信息，也就是需要實(shí)現(xiàn)左眼右眼或者鼻子嘴巴等多個(gè)區(qū)塊部位的比較。在區(qū)塊比較的過程當(dāng)中存在的差距相對較小，因此對于其進(jìn)行分類訓(xùn)練的過程當(dāng)中，需要將對稱的圖像信息進(jìn)行合并成為一個(gè)類別進(jìn)行區(qū)分和比較。對于真實(shí)背景圖和存在遮擋部分的人臉區(qū)塊部分一共有1000 張,在實(shí)驗(yàn)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(gè)人臉區(qū)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(dāng)中，需要借助于fine-tune 方法和Hard Negative Mining 方式在二分類器的基礎(chǔ)上實(shí)現(xiàn)良好測試。如果人臉區(qū)塊的分辨率足夠清晰, 可以對局部的人臉區(qū)塊進(jìn)行模型的判斷,以此來實(shí)現(xiàn)對遮擋區(qū)域的精準(zhǔn)判斷分析。（圖2）

圖2 原始圖像與恢復(fù)右鼻區(qū)塊后的圖像

第二，如果區(qū)塊當(dāng)中存在遮擋的部分，需要利用局部遮擋的人臉識(shí)別方式。在本文的實(shí)驗(yàn)當(dāng)中，利用38 個(gè)人總共2432 張人臉圖像信息來進(jìn)行實(shí)驗(yàn)，數(shù)據(jù)信息方面的圖像當(dāng)中包含了多個(gè)表情和多個(gè)角度的情況狀態(tài)。對于人臉信息圖像來說，可以利用每個(gè)人的36 張沒有人臉信息圖像來進(jìn)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(jìn)行對比分析之后，可以保證兩只眼睛保持在對準(zhǔn)狀態(tài)下，對于其人臉的面部區(qū)域可以進(jìn)行裁切成為256×256 像素圖像來進(jìn)行研究。對于標(biāo)準(zhǔn)化之后的圖像信息，需要實(shí)現(xiàn)人臉圖像的區(qū)塊遮擋分析，利用二分類器來對人臉區(qū)域當(dāng)中的遮擋類型進(jìn)行區(qū)分。恢復(fù)得到的人臉可以在SRC 的算法下進(jìn)行分類實(shí)驗(yàn)，其實(shí)驗(yàn)結(jié)果如表1 所示。

表1 眼睛、嘴巴、鼻子遮擋一類區(qū)塊中的識(shí)別率對比

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

第三，對于很多的區(qū)塊部分存在遮擋現(xiàn)象，需要從數(shù)據(jù)庫當(dāng)中篩選出單人36 張單人人臉圖像當(dāng)中的8 張來進(jìn)行實(shí)驗(yàn)分析，并且還要篩選出具備遮擋部分的圖像信息進(jìn)行分析，如表2 所示。在表2 當(dāng)中，計(jì)算的方式主要是根據(jù)MTCNN 算法方式來進(jìn)行計(jì)算，其中需要人工輔助的方式來對圖像的定位操作進(jìn)行實(shí)現(xiàn)。其最終的實(shí)驗(yàn)結(jié)果和其三種方式進(jìn)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(qū)塊各一個(gè)的識(shí)別率對比（%）

由此可知，對于大面積的人臉區(qū)塊遮擋來說，本文算法的識(shí)別率相比較其他的算法，識(shí)別率相對較高。遮擋區(qū)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(shí)別準(zhǔn)確率都有所下降，且下降的速率很快，近似對稱性的預(yù)處理方面可以對半張人臉進(jìn)行恢復(fù)，因此在識(shí)別的準(zhǔn)確率方面沒有較大變化，在遮擋區(qū)塊增加的情況下其識(shí)別的準(zhǔn)確率有所下降，但是最終的算法在識(shí)別率方面相對較高。在遮擋3 個(gè)區(qū)塊的時(shí)候，類似于近似對稱新預(yù)處理方式，因此識(shí)別準(zhǔn)確率方面也保持相似。

綜上所述，利用特征點(diǎn)的定位來實(shí)現(xiàn)人臉分塊，實(shí)現(xiàn)對人臉遮擋之后利用區(qū)塊近似對稱預(yù)處理的方式做出恢復(fù)，此種算法在單個(gè)區(qū)塊遮擋的輕快下具備較高程度的辨識(shí)程度。但是在很多的區(qū)塊遮擋情況下，識(shí)別的準(zhǔn)確率有所下降。利用人臉分塊近似對稱預(yù)處理的算法，可以實(shí)現(xiàn)對人臉識(shí)別技術(shù)的提升。