淺談部分遮擋下的人臉識別技術(shù)研究

摘要：本文從新冠肺炎疫情防控的應用場景引出了計算機視覺領(lǐng)域中的人臉識別技術(shù)，指出了部分遮擋下人臉識別存在的困難與挑戰(zhàn)，概述了部分遮擋下人臉識別技術(shù)的研究進展以及深度學習在部分遮擋人臉識別技術(shù)中的應用。

關(guān)鍵字：部分遮擋；人臉識別；計算機視覺；深度學習

一、引言

隨著新冠病毒的全球擴散，為了防控新冠肺炎疫情和新冠病毒感染，越來越多的人選擇戴上口罩出行。在一些人流量較大的場所中，則要求所有人戴上口罩才能進入。而在一些需要人臉識別的場景下，例如人流量較大的火車站、機場等場所的非人工通道，人們不得不摘下口罩，等待機器進行人臉識別。在這一過程中，極大地增加了感染新冠病毒的風險和概率。因此，部分遮擋下的人臉識別技術(shù)成為解決這一問題的關(guān)鍵。

人臉識別是計算機視覺領(lǐng)域長期被研究的一項任務。隨著深度學習的興起以及卷積神經(jīng)網(wǎng)絡的出現(xiàn)，研究者們提出了眾多經(jīng)典網(wǎng)絡模型，如AlexNet[1]、VGG[2]、GoogLeNet[3]、ResNet[4]等，推動了人臉識別技術(shù)的發(fā)展，先后出現(xiàn)了DeepFace[5]、DeepID[6]、FaceNet[7]等人臉識別模型，顯著提升了人臉識別的精度和性能，從而使得人臉識別被廣泛應用于安保、監(jiān)控、信息安全等領(lǐng)域。然而，部分遮擋的面部存在人臉信息缺失，會嚴重影響人臉特征的提取，進而導致識別精度的大幅下降。如何提升部分遮擋下的人臉識別精度成為計算機視覺領(lǐng)域的一大挑戰(zhàn)。

二、部分遮擋下人臉識別技術(shù)的研究進展

部分遮擋下的人臉識別對于人臉識別系統(tǒng)甚至是人類來說都是巨大的挑戰(zhàn)，使用可見的部分面部進行人臉識別，可在一定程度上緩解面部遮擋識別問題。

2008年，Hyun Jun Oh等人[8]提出了一種1-NN（nearest neighbor）監(jiān)督閾值分類器，用于主成分分析子空間中每塊人臉碎片的遮擋檢測，然后應用選擇性局部非負矩陣分解方法去選擇與無遮擋區(qū)域相對應的特征用于識別。實驗結(jié)果表明，該方法相較于傳統(tǒng)的方法，如主成分分析、局部非負矩陣分解方法等，具有更高的識別率。

2011年，Zhaohua Chen等人[9]和Rui Min等人[10]提出了一種新的方法，首先使用主成分分析和改進的支持向量機的方法檢測遮擋部分，然后采用基于塊的加權(quán)局部二進制模式只處理非遮擋臉部區(qū)域。

2014年，A Morelli Andrés等人[11]提出了一種基于壓縮感知進行遮擋檢測的人臉識別算法，該算法在識別過程中通過排除遮擋區(qū)域提取識別信息。

2016年，Yizhang Xia等人[12]基于深度學習設計了一種檢測遮擋的多任務卷積神經(jīng)網(wǎng)絡，該網(wǎng)絡有四個特定區(qū)域的遮擋檢測任務，分別對左眼、右眼、鼻子和嘴巴被遮擋的概率進行預測，而對特定區(qū)域進行預測限制了遮擋的靈活性，會在一定程度上限制系統(tǒng)的性能。

2018年，Weitao Wan等人[13]提出了一種MaskNet模型，并將其插入卷積神經(jīng)網(wǎng)絡模型中，該模型會對臉部非遮擋部分的隱藏單元設置更高的權(quán)重，對臉部遮擋部分的隱藏單元設置更低的權(quán)重，實驗結(jié)果表明MaskNet模型在遮擋人臉識別中可以有效改進卷積神經(jīng)網(wǎng)絡模型的魯棒性。

2019年，Lingxue Song等人[14]提出了一種成對差分連體網(wǎng)絡，利用掩膜學習策略構(gòu)建被遮擋的面部模塊與被破壞的特征元素之間的對應關(guān)系。實驗結(jié)果表明，該算法在合成和真實遮擋人臉數(shù)據(jù)集上的性能顯著優(yōu)于現(xiàn)有的系統(tǒng)。

綜上所述，深度學習被越來越多地用于部分遮擋的人臉識別，通過改進卷積神經(jīng)網(wǎng)絡可進一步提升算法的性能和識別精度。

三、結(jié)束語

部分遮擋下的人臉識別技術(shù)面臨諸多挑戰(zhàn)，在識別精度和識別性能上還有很大的進步空間，將深度學習用于部分遮擋的人臉識別有望獲得新的突破。部分遮擋下的人臉識別技術(shù)在新冠肺炎疫情防控中具有重要作用，應用范圍很廣，具有很大的應用前景，發(fā)展部分遮擋下的人臉識別技術(shù)具有重要意義。

作者單位： 羅億 中國民用航空飛行學院

參? 考? 文? 獻

[1]Krizhevsky A， Sutskever I， Hinton G. ImageNet Classification with Deep Convolutional Neural Networks[J]. Advances in neural information processing systems， 2012，25（2）.

[2]Simonyan K， Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Computer ence， 2014.

[3]Szegedy C， Liu W， Jia Y， et al. Going Deeper with Convolutions[J]. 2014.

[4]He K， Zhang X， Ren S， et al. Deep Residual Learning for Image Recognition： IEEE Conference on Computer Vision & Pattern Recognition， 2016[C].

[5]Taigman Y， Yang M， Ranzato M， et al. DeepFace： Closing the Gap to Human-Level Performance in Face Verification： IEEE Conference on Computer Vision & Pattern Recognition， 2014[C].

[6]Sun Y， Wang X， Tang X. Deep Learning Face Representation from Predicting 10，000 Classes： IEEE Conference on Computer Vision & Pattern Recognition， 2014[C].

[7]Schroff F， Kalenichenko D， Philbin J. FaceNet： A Unified Embedding for Face Recognition and Clustering[J]. 2015.

[8]Oh H J， Lee K M， Lee S U. Occlusion invariant face recognition using selective local non-negative matrix factorization basis images[J]. Image & Vision Computing， 2008，26（11）：1515-1523.

[9]Chen Z， Xu T， Han Z. Occluded face recognition based on the improved SVM and block weighted LBP： International Conference on Image Analysis & Signal Processing， 2011[C].

[10]Min， Rui， Hadid， et al. Improving the recognition of faces occluded by facial accessories[J]. IEEE， 2012：442-447.

[11]Andres A M， S. Padovani M T， Jacobo-Berlles J. Face recognition on partially occluded images using compressed sensing[J]. Pattern Recognition Letters， 2014，36（jan.15）：235-242.

[12]Xia Y， Zhang B， Coenen F. Face occlusion detection based on multi-task convolution neural network[J]. 2015 12th International Conference on Fuzzy Systems and Knowledge Discovery （FSKD）， 2016，12thInternationalConferenceonFuzzySystemsandKnowledgeDiscovery（FSKD）.

[13]Wan W， Chen J. Occlusion robust face recognition based on mask learning： 2017 IEEE International Conference on Image Processing （ICIP）， 2018[C].

[14]Song L， Gong D， Li Z， et al. Occlusion Robust Face Recognition Based on Mask Learning With Pairwise Differential Siamese Network， 2019[C]. IEEE， 2019.

基金項目：部分遮擋下的人臉識別技術(shù)研究（項目編號：QJ2021-090）。

中國民航飛行學院科研基金（ZJ2022-003，JG2022-27，J2020-060）；四川省通用航空器維修工程技術(shù)研究中心資助課題（GAMRC2021YB08）。

羅億（1992.06-），女，漢族，四川廣漢，碩士研究生，講師，研究方向：人臉識別技術(shù)。