人工智能的发展已经被提升到国家战略高度,第三次工业革命的浪潮已经袭来。人工智能想要更好地与人打交道实现人机交互,亦或是帮助人类在医疗、公共安全、远程教育等领域实现更高智能化,在人脸识别和表情检测方面的研究尤为重要。2021年作为新冠病毒全球大流行之后的人类发展的元年,人们的社交距离普遍增大,佩戴口罩成为一道靓丽风景线。多种人脸遮挡的现实场景给相关识别任务的研究和发展带来了机遇和挑战,现实意义非凡。针对人脸遮挡场景存在的困难挑战,提出三个技术点:一是提出了一种人脸遮挡场景下的不完全图像处理框架。该框架主要针对不完全人脸图像在人脸识别和表情检测任务中的灾难性影响,总结了一套不完全人脸图像的处理流程。该流程在常规图像处理技术如直方图均衡化技术、梯度算子预处理技术、图像分割技术等基础上,先是运用神经网络模型对现有人脸数据集生成遮挡数据集,后再在遮挡数据集上利用机器学习算法中K近邻、决策树等四种回归算法模拟生成缺失人脸部分的图像,为后续识别检测任务提供输入数据。二是提出了基于主成分分析和卷积滤波器的人脸识别算法。该算法主要针对传统的特征脸方法对脸部局部敏感区域特征提取不足的缺点,设计卷积滤波器对图像进行预处理,增强脸部轮廓特征和重点区域特征的提取,使得重点区域的灰度信息被更多关注,从而提高识别的准确性。图像降维和预测分类主要运用核主成分分析算法和支持向量机的多分类投票算法,具有运算速度快且准确率较高的特点。在遮挡数据集和补全数据集上进行算法对比实验,验证了不完全图像人脸识别任务中“先补全再试别”思路的正确性。三是提出了基于特征融合多输入卷积神经网络的表情检测技术。该技术主要针对遮挡人脸图像中的遮挡物在表情识别任务上的负面影响,提出利用多输入卷积神经网络多输入特性,使多分类器耦合网络学习到更复杂的预测模型。采用局部特征级融合的方法,对图像进行特征抽取,将感兴趣区域的局部微特征作为多输入神经网络的多分支输入,减小不完全图像缺失部分的贡献率影响,提高表情检测的鲁棒性和准确性。在遮挡数据集和补全数据集上进行算法对比实验,证明多输入卷积神经网络表情检测技术在处理人脸遮挡场景下的不完全图像时,借助图像恢复技术具有显著优势。