Page 61 - 基于深度学习的人工智能技术研究

第二章 人工智能核心技术

的人脸识别特征，但对光照遮挡和实物遮挡混合出现的情况鲁棒性差。曾慧等提
出了一种可应用于图像匹配的鲁棒图像局部特征区域描述子的构造方法。该方法
在光照变化、有遮挡等情况下具有较好的鲁棒性，能为人脸识别提供有利的参考。
其采用 Mikolajczyk 数据集验证，并和 SIFT、CS-LBP 描述子进行了对比：该方

法拥有较高的正确检索率和较短的平均运算时间开销。李昆明等利用韦伯算子的
优势进行人脸识别。该方法融合了韦伯方向差分模式和韦伯局部方向差分激励累
积模式进行判别、采用基于分块的线性判别降维，提高了识别速度并减小了空间
消耗。该方法在 ORL 人脸数据库上的识别率最高达 98%。

（2）基于深度学习的方法
人脸识别有遮挡的人脸图像是通过理解人脸图像中的高阶属性实现的。深
度学习具有从输入层到输出层的多层非线性映射和基于反向传播的反馈学习机
制，非常适合解决这类常规分类器无法比拟的变换问题。深度网络具有稳定强大

的分布式表达能力，因此可以设计合理的网络完成人脸识别的任务。郭伟等采用
PCANet 深度学习模型，提出了一种结合 DL 和特征点遮挡检测的人脸识别算法。
该方法在 AR 人脸数据库中验证，并和 PCANet 算法、SRC 算法、Gabor-SRC 算
法进行对比，在围巾遮挡、墨镜遮挡、自行添加的组合式遮挡三种情形下均达到

最高的识别率。
从现实应用场景来看，有遮挡人脸识别显然比无遮挡人脸识别更具普遍性，
而有遮挡人脸识别也是当前面临的一个重要挑战。综合各项人脸识别方法来看，
将深度学习用于人脸识别方法具有很大优势，其主要表现为：易于从原始数据学

习低层次的“浅层”特征、易于检测出特征中的相互作用、易于构建精确的模型；
然而其劣势也比较明显：模型训练比较耗时、模型需要进行长期的不断迭代优化、
需要大量级的数据库。从当前发展趋势来看，深度学习和其他方法相结合将是未
来人脸识别发展的一个重要方向。比如考虑将深度学习和人脸光照矫正、姿态和

表情矫正融合，设计新的模型等。

53