基于人脸分块近似对称性预处理的人脸识别算法研究

吴凌云

（河南艺术职业学院，河南 郑州 451464）

近些年来，人脸识别的要求得到了不断的提升，需要对非限制场景下实现人脸识别，由于其光照、姿势以及表情等多个因素的影响，因此需要提升非限制场景下的人脸识别。针对于此种现象，出现了一种人脸近似对称性预处理的人脸识别方式，根据其人脸左右的近似对称，在梯度下降迭代算法的情况下，实现对半张脸的对称恢复，提升识别率。

1 基于分块的有遮挡人脸识别算法

在本文当中的人脸识别算法当中，对一张人脸的图像进行切割，在切割当中分为四个区域，分别为左眼、右眼、鼻子和嘴巴这四个区域，在对每一个区域的分析当中需要对各自区域所包含的特点进行分析和判断，如果出现了残缺或者遮挡的部分，可根据其区域特点来进行融合，实现对整体人脸的得出。在分析的过程当中可以利用到二分类器，来对遮挡区域的特点进行分析和汇总。在本文当中主要的算法提取可以分为几个步骤，预处理、人脸分块、特征提取、遮挡判别、特征融合和相似度匹配[1]。

首先，在预处理当中，包含了人脸检测、人脸特征点定位、几何归一化、光照归一化以及数据集扩展。本文当中利用一种由粗到精的自编码网络定位人脸特征点，在人脸特征点定位的结果上实现几何的归一化处理，利用直方图的方式来对人脸的图像光照进行均衡化的归一。（图1）

图1 特征点定位图

其次，对于人脸的分块本文利用CFAN 算法来进行定位，从人脸图像当中进行裁切出四个人脸区块当中，对于图像来说，需要保持在256×256 大小的范围内进行切割，切割的过程当中主要对左眼和右眼区域进行分块处理，在处理的过程当中可以根据给定出的关键点来作为中心点的位置进行分析切割，可以切割出64×64 大小的区块，其中每一块区域都有自己的区域坐标，眼睛、鼻子以及嘴巴的裁切区域分别为［(xeye－32，yeye－32)，(xeye+32，yeye+32)］、［(xlmouse－8，ylmouse+32)，(xrmouse+8，yrmouse+32)］ 以 及［(xlmouse－8，ylmouse+32)，(xrmouse+8，yrmouse+32)］，在此种方式下，对于人脸图像的切割可以实现完整信息的保留和分析，裁切的四个区块可以作为分块的人脸原图进行输入到数据库当中，以此来当做后续数据库的特征提取和遮挡判别的依据[2]。

另外，在特征融合和相似度检测的过程当中，需要将每一个人脸区块的特征归一化，从而使得区域对总体特征的贡献度相似。对于各部分的特点按照顺序来实现有序拼接，从而可以实现对一个人脸特点的生成。在本文当中，主要对人脸区块当中出现的被遮挡部位为主要的研究模型，对于其人脸的区块特点进行相似度的检测和分析，在本文当中需要利用两边都没有出现遮挡区块的部分来进行特单相似度的区分和对比。

最后，在SRC 方式算法过程当中，需要对训练样本来全体进行一个矩阵分析，矩阵用X=[X1,X2...Xc]来表示，其中矩阵当中的Xi∈Rm×ni 可以对第i 类别的样本进行表示。在测试样本的表达过程当中，可以利用y∈Rm 表示样本，在矩阵表达式当中，利用β 来对其中关联到的系数向量做出表示。也就是说，i类当中的y 可以表达为y≈Xiβi。对于SRC 算法来说，需要在范数标准化的基础上实现对虚拟图像所有的样本来实现集中获取，对于所有的训练样本在范数正则测试的过程当中，需要对每一个类别当中出现的残差进行计算分析，从而对其作出结果的判断，在此种范式规划下可以实现对测试样本的分配处理和分析。

2 实验结果

第一，在对存在区域遮挡部分的人脸进行判断的过程当中，需要充分的在数据库当中进行人脸数据的抽取，在本文当中主要对1000 张人脸图像信息来划分为6 个区块，也就是六千张分块信息，对于背景数据的采集过程，需要包含真实被遮挡的人脸区域分布图像信息，也就是需要实现左眼右眼或者鼻子嘴巴等多个区块部位的比较。在区块比较的过程当中存在的差距相对较小，因此对于其进行分类训练的过程当中，需要将对称的图像信息进行合并成为一个类别进行区分和比较。对于真实背景图和存在遮挡部分的人脸区块部分一共有1000 张,在实验使用的图片方面需要选择其中的4800 张图片和背景800 张图片,其中每一个人脸区块1200 张和剩余背景的200 张可以作为测试使用。在测试的过程当中，需要借助于fine-tune 方法和Hard Negative Mining 方式在二分类器的基础上实现良好测试。如果人脸区块的分辨率足够清晰, 可以对局部的人脸区块进行模型的判断,以此来实现对遮挡区域的精准判断分析。（图2）

图2 原始图像与恢复右鼻区块后的图像

第二，如果区块当中存在遮挡的部分，需要利用局部遮挡的人脸识别方式。在本文的实验当中，利用38 个人总共2432 张人脸图像信息来进行实验，数据信息方面的图像当中包含了多个表情和多个角度的情况状态。对于人脸信息图像来说，可以利用每个人的36 张没有人脸信息图像来进行分析。对于其没有特征的图像信息和原始的人脸图像信息进行对比分析之后，可以保证两只眼睛保持在对准状态下，对于其人脸的面部区域可以进行裁切成为256×256 像素图像来进行研究。对于标准化之后的图像信息，需要实现人脸图像的区块遮挡分析，利用二分类器来对人脸区域当中的遮挡类型进行区分。恢复得到的人脸可以在SRC 的算法下进行分类实验，其实验结果如表1 所示。

表1 眼睛、嘴巴、鼻子遮挡一类区块中的识别率对比

从表1 当中可以看出，在本文算法当中，遮挡眼睛区块、嘴巴区块、鼻子区块的识别率分别为95.4、96.6、97.6，三种算法相比较，本文算法在识别效果方面相对良好，在SRC 算法和RSC算法基础上，对于图像识别的过程当中会存在遮挡部位辨识度受到影响，利用近似对称的方式来对人脸信息进行恢复处理，在恢复之后的人脸信息之后存在图像失真的现象，在辨识度方面会受到一定程度的影响。在文本算法当中，需要在小块的基础上实现人脸区域的完整性恢复。

第三，对于很多的区块部分存在遮挡现象，需要从数据库当中筛选出单人36 张单人人脸图像当中的8 张来进行实验分析，并且还要筛选出具备遮挡部分的图像信息进行分析，如表2 所示。在表2 当中，计算的方式主要是根据MTCNN 算法方式来进行计算，其中需要人工辅助的方式来对图像的定位操作进行实现。其最终的实验结果和其三种方式进行对比的情况下，得出了表2。

表2 眼睛、嘴巴、鼻子遮挡两类区块各一个的识别率对比（%）

由此可知，对于大面积的人脸区块遮挡来说，本文算法的识别率相比较其他的算法，识别率相对较高。遮挡区域的增加，如果遮挡部分为半张人脸的情况下，其SRC 和RSC 算法下的识别准确率都有所下降，且下降的速率很快，近似对称性的预处理方面可以对半张人脸进行恢复，因此在识别的准确率方面没有较大变化，在遮挡区块增加的情况下其识别的准确率有所下降，但是最终的算法在识别率方面相对较高。在遮挡3 个区块的时候，类似于近似对称新预处理方式，因此识别准确率方面也保持相似。

综上所述，利用特征点的定位来实现人脸分块，实现对人脸遮挡之后利用区块近似对称预处理的方式做出恢复，此种算法在单个区块遮挡的轻快下具备较高程度的辨识程度。但是在很多的区块遮挡情况下，识别的准确率有所下降。利用人脸分块近似对称预处理的算法，可以实现对人脸识别技术的提升。