浅谈部分遮挡下的人脸识别技术研究

摘要：本文从新冠肺炎疫情防控的应用场景引出了计算机视觉领域中的人脸识别技术，指出了部分遮挡下人脸识别存在的困难与挑战，概述了部分遮挡下人脸识别技术的研究进展以及深度学习在部分遮挡人脸识别技术中的应用。

关键字：部分遮挡；人脸识别；计算机视觉；深度学习

一、引言

随着新冠病毒的全球扩散，为了防控新冠肺炎疫情和新冠病毒感染，越来越多的人选择戴上口罩出行。在一些人流量较大的场所中，则要求所有人戴上口罩才能进入。而在一些需要人脸识别的场景下，例如人流量较大的火车站、机场等场所的非人工通道，人们不得不摘下口罩，等待机器进行人脸识别。在这一过程中，极大地增加了感染新冠病毒的风险和概率。因此，部分遮挡下的人脸识别技术成为解决这一问题的关键。

人脸识别是计算机视觉领域长期被研究的一项任务。随着深度学习的兴起以及卷积神经网络的出现，研究者们提出了众多经典网络模型，如AlexNet[1]、VGG[2]、GoogLeNet[3]、ResNet[4]等，推动了人脸识别技术的发展，先后出现了DeepFace[5]、DeepID[6]、FaceNet[7]等人脸识别模型，显著提升了人脸识别的精度和性能，从而使得人脸识别被广泛应用于安保、监控、信息安全等领域。然而，部分遮挡的面部存在人脸信息缺失，会严重影响人脸特征的提取，进而导致识别精度的大幅下降。如何提升部分遮挡下的人脸识别精度成为计算机视觉领域的一大挑战。

二、部分遮挡下人脸识别技术的研究进展

部分遮挡下的人脸识别对于人脸识别系统甚至是人类来说都是巨大的挑战，使用可见的部分面部进行人脸识别，可在一定程度上缓解面部遮挡识别问题。

2008年，Hyun Jun Oh等人[8]提出了一种1-NN（nearest neighbor）监督阈值分类器，用于主成分分析子空间中每块人脸碎片的遮挡检测，然后应用选择性局部非负矩阵分解方法去选择与无遮挡区域相对应的特征用于识别。实验结果表明，该方法相较于传统的方法，如主成分分析、局部非负矩阵分解方法等，具有更高的识别率。

2011年，Zhaohua Chen等人[9]和Rui Min等人[10]提出了一种新的方法，首先使用主成分分析和改进的支持向量机的方法检测遮挡部分，然后采用基于块的加权局部二进制模式只处理非遮挡脸部区域。

2014年，A Morelli Andrés等人[11]提出了一种基于压缩感知进行遮挡检测的人脸识别算法，该算法在识别过程中通过排除遮挡区域提取识别信息。

2016年，Yizhang Xia等人[12]基于深度学习设计了一种检测遮挡的多任务卷积神经网络，该网络有四个特定区域的遮挡检测任务，分别对左眼、右眼、鼻子和嘴巴被遮挡的概率进行预测，而对特定区域进行预测限制了遮挡的灵活性，会在一定程度上限制系统的性能。

2018年，Weitao Wan等人[13]提出了一种MaskNet模型，并将其插入卷积神经网络模型中，该模型会对脸部非遮挡部分的隐藏单元设置更高的权重，对脸部遮挡部分的隐藏单元设置更低的权重，实验结果表明MaskNet模型在遮挡人脸识别中可以有效改进卷积神经网络模型的鲁棒性。

2019年，Lingxue Song等人[14]提出了一种成对差分连体网络，利用掩膜学习策略构建被遮挡的面部模块与被破坏的特征元素之间的对应关系。实验结果表明，该算法在合成和真实遮挡人脸数据集上的性能显著优于现有的系统。

综上所述，深度学习被越来越多地用于部分遮挡的人脸识别，通过改进卷积神经网络可进一步提升算法的性能和识别精度。

三、结束语

部分遮挡下的人臉识别技术面临诸多挑战，在识别精度和识别性能上还有很大的进步空间，将深度学习用于部分遮挡的人脸识别有望获得新的突破。部分遮挡下的人脸识别技术在新冠肺炎疫情防控中具有重要作用，应用范围很广，具有很大的应用前景，发展部分遮挡下的人脸识别技术具有重要意义。

作者单位： 罗亿 中国民用航空飞行学院

参  考  文  献

[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.

基金项目：部分遮挡下的人脸识别技术研究（项目编号：QJ2021-090）。

中國民航飞行学院科研基金（ZJ2022-003，JG2022-27，J2020-060）；四川省通用航空器维修工程技术研究中心资助课题（GAMRC2021YB08）。

罗亿（1992.06-），女，汉族，四川广汉，硕士研究生，讲师，研究方向：人脸识别技术。