部分遮挡人脸识别研究进展.docVIP

部分遮挡人脸识别研究进展 　　摘 要：文章针对部分遮挡人脸识别问题研究进行了综述，总结了人脸识别存在的主要困难，详细分析了部分遮挡人脸识别的主要方法，如图像修复法、局部特征法、鲁棒估计法、稀疏表示法和非负判别式字典学习法，指出了各类方法的主要思想和其中代表性方法，分析了存在的问题以及未来的发展趋势。 　　关键词：部分遮挡；人脸识别；局部特征；鲁棒估计；稀疏表示 　　人脸识别包括人脸检测、特征提取和分类器设计等基本步骤，是典型的生物特征识别技术之一。目前已在金融、教育、医疗、旅游和安防等众多领域得到了广泛的应用。 　　近年来，人脸识别技术已经取得了重大进展，但仍然面临诸多困难，比如光照的变化、表情的变化、姿态的变化、年龄的变化和部分遮挡，如图1所示。 　　针对表情变化、光照变化、姿态变化和年龄变化等问题，研究人员已经分别进行了深入的研究。然而部分遮挡问题却一直没有引起研究人员足够的重视。现有算法对被遮挡人脸的识别率急剧下降，即使是在严格控制的实验室环境下的遮挡人脸识别问题都一直未得到很好的解决。另一方面，遮挡人脸识别问题又广泛存在于实际应用中，如图2所示。人们日常生活戴的墨镜、帽子、围巾等遮挡物成为导致现有人脸识别算法失败的主要因素。 　　总之，遮挡已经成为人脸识别技术进一步广泛应用的主要障碍之一，研究对遮挡鲁棒的人脸识别算法有着重要的理论意义和应用价值。 　　1 部分遮挡人脸识别方法 　　目前的部分遮挡人脸识别方法大致可以分为4类：图像修复法、局部特征分析法、鲁棒估计法和稀疏表示法。 　　1.1图像修复法 　　部分遮挡即相对整个人脸而言，遮挡只占一小部分。图像修复法[5-7]正是基于这样的事实，利用图像信息的冗余性，通过未被遮挡人脸区域的像素值去修复遮挡区域，然后利用恢复后的图像进行识别。这类方法的优点是能够使修复后的区域与整体人脸图像灰度信息一致，不足的是无法恢复遮挡区域的纹理特征。另一方面，此类方法是基于单张图像内已有的冗余信息进行修复的，若双眼区被完全遮挡，则图像内无相关冗余信息，因而无法从图像其他区域找到合适的图像模式来填充遮挡的眼睛区域。因此，基于图像修复的方法能有效解决小面积遮挡人脸识别问题，且需要手动标记遮挡区域，这显然不适合大规模的自动人脸识别。事实上，实际中遮挡类型多样复杂，无法预测。 　　1.2局部特征法 　　局部特征法的基本思想是减弱或丢弃遮挡区域在识别中的作用。与图像修复法不同，它不是试图去恢复被遮挡区域。此类方法同样是基于遮挡为局部性的事实，通过对未遮挡局部区域赋予大的权重值，对被遮挡区域赋予小权重值，或者完全舍弃其对应部分的特征，达到消除遮挡影响的目的。典型的方法如局部非负约束的矩阵分解（Local Non-negative Matrix Factorization，LNMF）。实际中，因遮挡导致的重构误差并不服从高斯分布，因此对大面积遮挡很敏感。为此，Oh[9]等提出了改进的局部特征学习法。具体做法是，先将图像分为互不相连的子块，然后利用主成分分析法检测各子块是否被遮挡，据此选择与遮挡无关的基底张成新的投影空间，在新的投影空间上进行人脸识别，实现消除遮挡影响的目的。类似的工作，如Martinez等则是先将人脸划分为多个子块，提出了一种取代传统投票机制的概率权重确定方法。Tan[ll]等在各人脸子块的基础上，通过学习组织映射神经网络来提取特征，实现减弱遮挡影响的目的。整体来看，上述几种算法都是基于图像子块，根据子块是否受影响再作进一步的处理。该方法只对局部集中遮挡有效，如果遮挡分散在整个人脸，如网状遮挡即各个子块中都存在遮挡时，图像分块的方法无法再通过调节权重来消除遮挡的影响。另外实际中遮挡物形状各异、大小不一，同时子块划分方案对结果影响也很大。为此，研究人员提出了提取或增强局部特征的方法来减弱遮挡的影响。如，Zhang等为了减少遮挡对算法的影响，在已有的Gabor=值模式[13]基础上，通过无遮挡局部区域与待评测局部区域之间的局部Gabor=值特征散度来预测遮挡发生的概率，并利用此概率对特征加权，从而达到减弱遮挡的影响。该方法基于以下假设，即遮挡区域直方图分布与对应遮挡物的区域直方图分布之间存在差异。如果遮挡物颜色与人脸肤色相近时（如人脸被手遮挡），该方法性能将受到影响。局部特征法对特定类型的遮取得较好效果，但并未从根本上将遮挡从人脸图像中移除。另外，实际中遮挡类型复杂，仅靠“风险均衡或转移”的思想无法应对所有情况。还存在以下问题值得研究，如遮挡区域检测、未受遮挡区域局部特征有效融合、权重设定等。 　　1.3鲁棒估计法 　　上述两种方法都存在不足，如图像修复法在眼睛、嘴巴等重要部位缺失时无法由单张的人脸图像得到恢复，而局部特征法则是减弱或舍弃遮挡区域，导致相应的判别特