侯現(xiàn)坤 田文泉

【摘 要】人臉識別在生物識別中有著重要地位，在許多領(lǐng)域發(fā)揮著重要地位，但是由于現(xiàn)實生活中人們面部經(jīng)常會受到局部大面積遮擋，比如在疫情期間大部分外出都會佩戴口罩，面部受到遮擋，導(dǎo)致傳統(tǒng)的算法識別的準(zhǔn)確度偏低，所以在提升動態(tài)局部遮擋人臉識別方面還有很大的研究空間。該技術(shù)的研究可以應(yīng)用于手機的人臉識別，使用者可以不取口罩進(jìn)行手機解鎖更加方便，節(jié)約時間而且在疫情期間可以避免取口罩時被口罩上的病毒感染。并且可以運用于警察抓捕犯罪分子，犯罪分子為了避免被發(fā)現(xiàn)可能，會佩戴口罩增加人臉識別難度導(dǎo)致識別錯誤，因此提高口罩人臉識別的準(zhǔn)確度可以減少警察的不必要出警，節(jié)約人力和物力。提高安檢效率，在疫情期間大家都會佩戴口罩出行，如果過安檢時要取掉口罩在進(jìn)行人臉識別會降低安檢速度。本項目旨在通過提取未遮擋部分特征和臉部邊緣特征，基于深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練提高口罩大面積遮擋人臉識別的準(zhǔn)確度。

【關(guān)鍵詞】口罩;遮擋人臉;識別方法

一、引言

人臉識別主要分為三類有人臉1：1人臉識別以及1：n人臉識別和n：n人臉識別，1：1對比是指給定兩個臉判斷是否為同一個人，常用于銀行柜臺，手機解鎖，酒店入住等。1：n對比是一張待檢索圖片，在大小為n的人臉庫中比對判斷是否有目標(biāo)人物，主要用于犯罪偵查。n：n比對是大量的攝像頭都在實時抓拍，有很多待確定的抓拍人臉與相對比較大的人臉庫進(jìn)行比對，主要用于小區(qū)門禁，安防監(jiān)控等。早期的人臉識別由于鼻子和嘴巴都會被口罩遮擋，所以很難運用于口罩遮擋的人臉識別，我們將采用卷積層對臉部的邊緣特征進(jìn)行提取并且使用特征部位的相對位置提高準(zhǔn)確度。在ICCV中Viola和Jones發(fā)表的文章介紹了一個實時的人臉識別檢測系統(tǒng)，使人臉檢測技術(shù)應(yīng)用于工業(yè)界。該技術(shù)主要有三個貢獻(xiàn)基于Hear-like矩陣特征實現(xiàn)快速計算，基于AdaBoost分類器設(shè)計，采用Cascade技術(shù)提高了檢測速度[1]。但Viola和Jones基于AdaBoost分類器設(shè)計的算法不能檢測佩戴口罩的人臉復(fù)旦大學(xué)的周孝佳和上海視頻技術(shù)與系統(tǒng)工程研究中心的朱允斌等，通過把人臉裁剪出左眼，右眼，鼻子和嘴巴四個區(qū)塊分別進(jìn)行特征提取，再根據(jù)遮擋判別的結(jié)果進(jìn)行特征融合，從而得到人臉的特征[2]。但是由于口罩是大面積遮擋很難對鼻子和眼睛特征進(jìn)行提取，其預(yù)測結(jié)果會產(chǎn)生一定的誤差。我們把人臉未遮擋部位的部位眉毛，眼睛進(jìn)行分塊并進(jìn)行占比分析提高準(zhǔn)確度。安徽理工大學(xué)的劉瑞欣因為分塊提取特征，分塊的大小的選擇的問題。提出了使用多尺度梯度直方圖對分塊進(jìn)行處理，使面部變化更有魯棒性并且減少特征點的丟失[3]。浙江工業(yè)大學(xué)的沈聞佳針對小樣本問題提出了基于貝葉斯多元分布的特征提取與識別算法，使得遮擋分散盡可能降低遮擋對識別的影響。并且使用梯度臉和馬爾夫隨機場解決了光照變化時導(dǎo)致的遮擋的人臉識別率偏低的問題[4]。隨著科技的進(jìn)步有越來越多的關(guān)于人臉別遮擋的研究方法，尤其深度學(xué)習(xí)和3D模型的提出，為提高遮擋人臉識別的準(zhǔn)確度打開了新的思路。

二、方法步驟

本研究擬采用的技術(shù)路線如圖1所示，研究采用matlab軟件，和基于BSD許可OpenCV視覺庫，利用MATLAB Support Package for USB Webcames軟件支持包調(diào)用攝像頭，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練提高人臉識別準(zhǔn)確度。詳細(xì)內(nèi)容如下：

（一）人臉檢測

級聯(lián)物體檢測使用Viola-Jones算法只可以檢測出無遮擋的人臉，如果要檢測被口罩大面積遮擋的人臉，需要利用圖像標(biāo)簽使用TrainCascadeObjectDetector函數(shù)來訓(xùn)練自定義的分類器。檢測器使用級聯(lián)分類器來確定窗體中是否包含要檢測的對象，被檢測的對象大多數(shù)是3D的，不同的方向縱橫比都會發(fā)生變化，因此需要為每個方向訓(xùn)練一個檢測器。用訓(xùn)練好的分類器對戴口罩的人臉進(jìn)行檢測，判斷出人臉的位置和大小。利用Cascade技術(shù)提高人臉檢測的速率。檢測到人臉之后，基于3d結(jié)構(gòu)光和yolo算法檢測未遮擋部分，首先利用yolo算法把人臉分成合適大小的區(qū)域，再通過紅外線發(fā)射器發(fā)射紅外線，相鄰的小區(qū)域接收的紅外線利用matlab平臺對接收到的波形圖進(jìn)行分析和計算得出相位差。如果相位差發(fā)生很大的變化說明有遮擋影響，利用獲取的相位差分析出未遮擋部分。

（二）圖片預(yù)處理

該內(nèi)容包括四個部分：（1）圖片尺度縮放，利用matlab中工具箱對獲取到的圖片使用插值法計算出像素的值，進(jìn)行加權(quán)平均來調(diào)整圖片的大小。（2）圖像灰度轉(zhuǎn)換，調(diào)整圖像的圖像的灰度動態(tài)范圍，提升視覺效果，使圖像空間域增強。使用點運算，把輸入的RGB圖像使用加權(quán)法計算每個點的像素灰度值給到對應(yīng)的RGB分類，轉(zhuǎn)換成灰度圖像，公式為GRAY=0.3R+0.59G+0.11B，采用的技術(shù)路線如圖2所示。（3）直方圖均衡化，對直方圖有目的的拉伸，強化我們感興趣的區(qū)域，光照條件會影響人臉識別的準(zhǔn)確度，為消除這個影響采用直方圖均衡化改善輸入圖像的亮度和對比度[5]。（4）人臉對齊，根據(jù)輸入圖像的特征點建立人臉表達(dá)的圖像模型與人臉形狀模型的關(guān)聯(lián)，使用級聯(lián)形狀回歸或深度學(xué)習(xí)進(jìn)行人臉對齊。

（三）特征提取

通過LBP提取出未被遮擋部位的特征，對整幅圖進(jìn)行block劃分，在每個block中建立cell和lbp直方圖對人臉特征細(xì)微的紋理進(jìn)行表達(dá)。基于不同的半徑，提取多種模式的特征，使lbp具有尺度不變形。把最左邊的點逆時針展開，算出十進(jìn)制數(shù)，取其中最小的lbp值，或只記錄跳變次數(shù)，使lbp特征具有旋轉(zhuǎn)不變性[6]。進(jìn)行展開提取的特征的形狀轉(zhuǎn)換為數(shù)學(xué)模型進(jìn)行大小的計算;分析和計算出提取特征的相對位置用于人臉識別;利用直方圖均衡化消除人臉識別的光照影響，提高識別的魯棒性。并利用神經(jīng)網(wǎng)絡(luò)卷積層提取圖像的二維特征，使用不同的算子檢測垂直邊緣和水平邊緣，利用全連接層把所有特征融合，通過池化層對原始特征信號進(jìn)行采樣，使用非線性激活層決定哪些神經(jīng)元活躍程度，最后在歸一化指數(shù)層完成最后輸出概率計算。

（四）神經(jīng)網(wǎng)絡(luò)訓(xùn)練

神經(jīng)網(wǎng)絡(luò)比PCA降維有更好的隱形表達(dá)，后期訓(xùn)練采用神經(jīng)網(wǎng)絡(luò)對人臉圖片進(jìn)行降維處理，如果識別出現(xiàn)誤差，使用反饋型神經(jīng)網(wǎng)絡(luò)和以誤差為主導(dǎo)的反向傳播算法，對人臉識別進(jìn)行訓(xùn)練。輸入的多維向量經(jīng)過隱藏層計算后輸出一個低維向量，輸出維的值代表該目標(biāo)人臉圖片的概率。通過神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與標(biāo)簽對比，判斷預(yù)測準(zhǔn)確性。如果發(fā)現(xiàn)預(yù)測不夠好，通過優(yōu)化器調(diào)整網(wǎng)絡(luò)參數(shù)不斷優(yōu)化把損失函數(shù)降低，使預(yù)測值不斷接近真實值，技術(shù)路線圖3所示。對人臉庫中的每一個照片的眼睛和眉毛面積總和占臉部面積的比例作為特征值，按照特征值把人臉庫中的圖片進(jìn)行分類。首先當(dāng)獲取到人臉圖片時計算出人臉圖片的特征值屬于那一個范圍，然后在這此范圍按照未遮擋部分的特征進(jìn)行比對，減少比對的圖片數(shù)量提高識別的準(zhǔn)確度和速度。技術(shù)路線圖3所示。

三、結(jié)語

本文對口罩遮擋人臉識別方法進(jìn)行了闡述。當(dāng)檢測到被口罩大面積遮擋的人臉時，基于3d結(jié)構(gòu)光和yolo算法檢測未遮擋部分，通過未被遮擋的特征快速為后期識別出目標(biāo)人臉打下基礎(chǔ)。通過對人臉庫的圖片按照特征分類提高檢測效率。利用訓(xùn)練集，測試集和標(biāo)簽使人臉識別的準(zhǔn)確度可以通過不斷的機器學(xué)習(xí)得以提高。但基于相位差判斷出未遮擋部位，優(yōu)化算法修改參數(shù)降低損失函數(shù)還需要進(jìn)一步研究。

【參考文獻(xiàn)】

[1]P Viola，MJones.Robut Real-Time FaceDetection[j].International Journal of Computer Vision 2004，57（2）：137-154.

[2].周孝佳， 朱允斌， 張躍. 基于分塊的有遮擋人臉識別算法[J]. 計算機應(yīng)用與軟件， 2018， v.35（02）：190-194+200.

[3].劉瑞欽. An Occlusion Face Recognition Method Based on PCA and HOG%一種基于PCA和HOG有遮擋的人臉識別方法[J]. 電腦知識與技術(shù)，2019，015（004）：171-173.

[4].沈聞佳. 有遮擋人臉圖像的特征提取和識別研究[D].浙江工業(yè)大學(xué)，2019：19-43.

[5]. 任艷斐. 直方圖均衡化在圖像處理中的應(yīng)用[J]. 科技信息， 2007， 000（004）：37-38.

[6]. 王聃， 李浩茹， 鄧春偉. 基于局部區(qū)域LBP特征的人臉識別研究[J]. 黑龍江工程學(xué)院學(xué)報：自然科學(xué)版， 2012（03）：50-52+63.

[7].張雪楠. 基于PCA降維的快速人臉檢測算法研究[D]. 2016.

[8].張阿妞. 基于優(yōu)化的LDA與神經(jīng)網(wǎng)絡(luò)人臉識別方法研究[D]. 汕頭大學(xué).