淺談部分遮擋下的人臉識別技術研究

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域中的人臉識別技術，指出了部分遮擋下人臉識別存在的困難與挑戰，概述了部分遮擋下人臉識別技術的研究進展以及深度學習在部分遮擋人臉識別技術中的應用。

關鍵字：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成為解決這一問題的關鍵。

人臉識別是計算機視覺領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網絡的出現，研究者們提出了眾多經典網絡模型，如AlexNet[1]、VGG[2]、GoogLeNet[3]、ResNet[4]等，推動了人臉識別技術的發展，先后出現了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、監控、信息安全等領域。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域的一大挑戰。

二、部分遮擋下人臉識別技術的研究進展

部分遮擋下的人臉識別對于人臉識別系統甚至是人類來說都是巨大的挑戰，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域相對應的特征用于識別。實驗結果表明，該方法相較于傳統的方法，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局部二進制模式只處理非遮擋臉部區域。

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網絡，該網絡有四個特定區域的遮擋檢測任務，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網絡模型中，該模型會對臉部非遮擋部分的隱藏單元設置更高的權重，對臉部遮擋部分的隱藏單元設置更低的權重，實驗結果表明MaskNet模型在遮擋人臉識別中可以有效改進卷積神經網絡模型的魯棒性。

2019年，Lingxue Song等人[14]提出了一種成對差分連體網絡，利用掩膜學習策略構建被遮擋的面部模塊與被破壞的特征元素之間的對應關系。實驗結果表明，該算法在合成和真實遮擋人臉數據集上的性能顯著優于現有的系統。

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，通過改進卷積神經網絡可進一步提升算法的性能和識別精度。

三、結束語

部分遮擋下的人臉識別技術面臨諸多挑戰，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，發展部分遮擋下的人臉識別技術具有重要意義。

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。