Page 60 - 基于深度学习的人工智能技术研究

Research on Artificial Intelligence Technology Based on Deep Learning
基于深度学习的人工智能技术研究

（二）有遮挡人脸识别
相比于无遮挡人脸识别，有遮挡人脸识别更常见于现实应用场景。有遮挡人
脸识别需要考虑的影响因素较多，不易实现。其主要影响因素有特征损失、局部
混叠、对准误差等。当前常用方法有传统的子空间回归法、结构化误差编码法以

及现代应用“浅层”鲁棒特征提取的方法、深度学习方法。
1. 传统有遮挡人脸识别方法
（1）基于子空间回归方法
基于子空间回归方法的核心思想是待识别人脸样本是否能回归到他所属的子

空间之中。人脸图像之间本身带有的高度相关性，再加上遮挡物的干扰，就必须
考虑清楚遮挡子空间和人脸子空间相关性如何去除。赵雯等主要解决了待识别图
像中噪声的影响问题，提出了一种同时运用 DLRR 和 FDDL 方法的鲁棒人脸识
别算法。单独使用 DLRR 会忽略样本类内结构信息，但加上 FDDL 的优化会更

好地表示各类别的子字典，从而改善识别效果。该方法在 FERET 人脸库、AR 人
脸库、XM2VTS 人脸库中，识别率最高分别达到了 80.17%、98.25%、95.85%。
（2）基于结构化误差编码的方法
由实物遮挡引起的误差一般具有一定的空间结构（比如墨镜遮挡、围巾遮挡

等），这与由高斯噪声引起的误差不同。结构化误差编码是一类常用解决方法，
常见的编码思路有构造遮挡字典、利用反向表示分离出遮挡等。李小薪等综述了
几种主流的结构化误差编码方式，提出了一种能够提高人脸识别率和加强识别性
能的基于奇异值分解的 Gabor 遮挡字典学习方法。该方法通过 Extended Yale B、

AR、UMBDB 三个人脸数据库进行验证测试：在 Extended Yale B 测试集中，当
遮挡比例不超过 40% 时可获得较高的识别率；在 UMBDB 测试集和 AR 测试集
中，采用 SVD-2 算法可获得最高的识别率。杨方方等面向带有强噪声的人脸图
像，提出了一种有优秀抗干扰能力的人脸识别算法。其与 SVM、SRC、GSRC、

GLR_SRC 算法进行对比，通过 Extended Yale B 和 AR 人脸数据库进行测试。在
AR 人脸数据集中，该算法对于围巾遮挡、眼镜遮挡以及同时含有围巾和眼镜遮
挡的图像识别率均高于其他四种算法，可识别率接近 80%。
2. 现代有遮挡人脸识别方法

（1）基于“浅层”鲁棒特征提取的方法
“浅层”鲁棒特征提取的主要思想是依据人为设计的“浅层”特征提取相关

52