基于扩展的PCANet的有遮挡人脸识别方法.pdfVIP

高技术通讯2025年第35卷第2期:134-144

doi:10.3772/j.issn.1002-0470.2025.02.003

基于扩展的PCANet的有遮挡人脸识别方法①

②∗∗∗∗∗③∗∗∗∗

秦娥卢天宇李卫锋刘银伟朱娅妮李小薪

∗

(浙江工业大学计算机科学与技术学院杭州310023)

∗∗

(浙江华通云数据科技有限公司杭州310013)

∗∗∗

(杭州电子科技大学计算机学院杭州310018)

摘要针对有遮挡人脸识别问题,本文将现有的卷积神经网络(convolutionalneuralnet-

works,CNN)模型与主成分分析模型(principalcomponentanalysisnetwork,PCANet)相结

合,提出了扩展的PCANet(extendedPCANet,xPCANet)模型。为了有效消除人脸图像中

可能包含的遮挡信息造成的影响,通常需要充分利用网络的底层特征并构建尽可能丰富

的特征。PCANet的2个不足在于:(1)由于正交性约束,各卷积层的滤波器高度相似,降

低了滤波器响应的多样性;(2)在进行模式图编码时,对特征图进行了二值化处理,并采

用了跨度较大的编码方式,从而丢弃了过多的信息。为了使PCANet能够更好地适配现

有的CNN模型,在PCANet模型中引入了2个稠密连接:(1)在各卷积层之间引入了稠

密连接,以充分利用底层卷积层提取的特征,并尽可能降低卷积层之间滤波器的相

似性;(2)在PCANet的模式图编码阶段引入了加权稠密编码,以充分利用卷积层输出的

特征生成更多的模式图。这2种稠密连接或编码方案都会进一步提升PCANet最终输出

的柱状图特征的维度,并生成更为丰富的特征。在受控环境和有真实遮挡的人脸数据集

(增强现实(AR)人脸数据集)、非受控环境和有模拟遮挡的数据集(LFW和CFP)、非受

控环境和有真实遮挡的数据集(MFR2和PKU-Masked-Face)上的实验结果表明,所提扩

展的PCANet模型能够有效处理实物遮挡和因光照引发的遮挡,也可以作为前沿方法的

有效补充,提升前沿方法的遮挡鲁棒性。

关键词有遮挡人脸识别;主成分分析模型;稠密连接;稠密编码;滤波器多样性

[2]

近年来,以卷积神经网络(convolutionalneuralshift)”问题。当待识别图像与训练集图像存在遮

network,CNN)为代表的深度神经网络在计算机视挡、光照、分辨率等幅度较大的差异时,现有的CNN

觉领域中获得了巨大的成功,优秀的深度学习模型模型的识别准确率往往会大幅度下降。本文重点关

在一些公开的数据集上的分类能力甚至超过了人注遮挡造成的人脸识别的“偏移”问题。

[1]

类。然而,在实际情景中,待识别图像在“结构”为了减轻遮挡造成的性能退化,前沿的研究工

[3-5]

或者“分布”上经常与训练图像存在较大的差异,这