论文部分内容阅读
随着深度学习、计算机视觉等相关技术的日益成熟,人脸识别已然成为全球在视频智能应用领域的主流,很多车站与机场已经大量使用基于人脸识别实现的通关检查系统,使得这项技术受到了各领域的高度关注,其市场需求不断增加,应用场景不断被挖掘。除了安防与金融两大领域外,人脸识别还在医疗、教育、交通等诸多场景实现了较为广泛的应用,并呈现出显著的应用价值。对于每个人来说,其脸部特征具有高度唯一性,虽然理想状态和可控设置下的人脸识别研究已经取得了较好的效果,但在真实自然环境、不可控制下采集到的人脸图像信息会受到人体毛发、口罩、帽子、墨镜(眼镜)等常佩戴物体的遮挡以及其他光照、表情等多种因素的干扰,使得人脸面部部分信息缺失从而影响了特征的提取和识别,降低了人脸识别的正确率。因此对部分遮挡人脸识别问题的研究,是愈加广泛应用人脸识别技术的重要课题之一,同时对人脸线性重构和人脸特征提取进行更加深入的研究也是十分重要的。要设计出一种使得遮挡对人脸识别造成的影响最小化且性能优良的算法十分关键。针对这一问题,许多学者和研究人员纷纷开展了深入的研究,但是难以攻克的地方依然存在:如果遮挡面积超过临界点,比如当人脸遮挡面积大于20%时,人脸的识别效果将会明显下降,因此算法的鲁棒性一般;如果面部的遮挡是由其他物体随机造成,当前方法尚不能够取得理想的实验效果。本文针对实际应用中高频出现的部分遮挡人脸识别问题,进行了相关研究。本文着重从以下两个方面入手开展部分遮挡情况下的人脸识别研究工作:(1)首先,针对传统的人脸局部特征提取算法在出现部分人脸遮挡时特征描述方面的不足,使用了一种改进的关于人脸部分遮挡的误差图像特征提取算法。(2)在传统人脸识别的算法研究与分析的基础上,提出了融合双属性模型的基于Haar特性的对角线Hog特征的部分遮挡识别算法。(3)通过在AR、Yale两个人脸库的遮挡实验对本文所提出方法的有效性进行了验证。具体的研究工作如下:(1)提取部分遮挡人脸的全局特征通过PCA主成分分析法,但是由于面部遮挡的存在,人脸识别的准确率就会过低。考虑到上述问题,本文通过采用改进的LRC算法(ILRC)所获取的人脸误差图像,不仅借助奇异值分解对变量间存在的共线性(也称作自相关性)有效降低,以此来削弱线性回归问题中不利因素造成的影响,而且对该人脸图像的特征提取达到全局补偿,以得到关于部分遮挡人脸的相关误差特征信息。(2)使用PCA方法对人脸的全局特征信息进行提取,为了获得误差图像则需通过(1)中的改进LRC算法(ILRC)对目标人脸完成线性重构的操作,再借助双属性模型把人脸误差图像对应的特征向量信息与全局人脸特征信息完成融合,以此获取关于人脸的双属性特征信息。接着,利用基于Haar特性的对角线Hog特征对目标人脸均匀地分块提取局部特征信息,然后利用设计好的整体分类器通过相应的权重分配对所提取的双属性特征信息和局部特征信息进行分类,以此判别目标人脸的所属类别。(3)在人脸库AR、Yale进行部分遮挡的相关实验,其一是在AR库中完成的性能分析实验,其二是在Yale库中完成的人脸随机遮挡实验。通过以上实验表明本文所提出的基于改进LRC(ILRC)和对角线Hog的融合双属性模型的人脸识别算法对于部分遮挡所具备的有效性。