遮挡人脸识别算法改进方法综述

随着硬件水平的快速发展，人脸识别也有了大规模应用，通过人脸特征进行身份认证一直以来都是非常活跃的研究主题。而在实际环境下，许多外部因素都会对人脸识别任务产生不同程度的不良影响，例如：光线照射、表情变化、佩戴饰品遮挡等，而针对人脸部分的遮挡识别问题一直没有被完美解决。目前主流的遮挡人脸识别算法主要从以下四个角度进行研究：基于稀疏表示的遮挡人脸识别算法、基于主成分分析的遮挡人脸识别算法、基于生成对抗网络的遮挡人脸识别算法、基于卷积神经网络的遮挡人脸识别算法。本文将从上述4类算法进行了汇总，并介绍了各种算法的基本框架和设计原理，还分析了现阶段所面临的技术问题以及未来改进的方向。

自20 世纪末起，识别人脸一直是AI、深度学习、机器学习、模型理论等领域非常活跃的研究课题， 手机电脑面部识别解锁、公司门禁考勤打卡、机场车站识别身份信息等都大规模地使用人脸识别技术。

虽然大规模应用的人脸识别技术已经非常成熟，但是在现实生活中识别随时变化的人脸仍然存在许多难以克服的困难，例如，人体姿态变化、人脸表情变化、阳光照射以及口罩、眼镜或是围巾的遮挡都会影响人脸识别的效率和准确性。

在新型冠状病毒肺炎疫情期间，出行时口罩成为必备品，而口罩遮挡了人脸上的大部分特征信息， 使得人脸识别技术基本失效，所以如何消除部分遮挡对人脸识别产生的巨大影响， 成了亟待解决的问题。

在实际情景下，遮挡的形式不仅多种多样，而且存在可变性。不同环境下或是不同时间段，同一个人都会出现不同的遮挡问题，例如：体态姿势变化、人脸表情变化、佩戴饰物遮挡[1]。目前国内外高校研究员对遮挡人脸识别技术做了大量的研究，设计出许多在某一具体情形下非常有效的算法。例如基于稀疏表示的遮挡人脸识别算法、基于主成分分析的遮挡人脸识别算法、基于生成对抗网络的遮挡人脸识别算法和基于卷积神经网络的遮挡人脸识别算法等。

21 世纪初期，Wright 等人使用稀疏表示分类(Sparse Representation Classification, SRC)方法应用在人脸[2]。而后，Deng 等人利用类内的变化，得到了遮挡状态样本，提出一种扩展字典人脸识别方法(Extended-SRC, ESRC)。此外，局部特征分析法通过调整权重来弱化或摒弃遮挡在识别中的影响[3]。

基于主成分分析的算法在输入数据中收集未被遮挡的数据，来计算被遮挡的区域数据信息，其中最典型的算法如RPCA，但是RPCA 存在一个致命的缺点是对外界干扰极其苛刻，在训练输入数据时要求不能存在遮挡信息的干扰，而算法的基本样本要求是在现实中难以实现[4]。

最近，深度学习的快速发展带动了图像修复领域的进步。例如，Goodfellow 提出的生成对抗网络(Generative Adversarial Networks, GAN)，该模型基于博弈思想，通过生成器和鉴别器之间的持续对抗博弈， 实现网络模型的迭代训练[5]。

GAN 可以通过不断的对抗学习， 生成非常接近真实分布的图像。

Radford等人在生成对抗网络中加入卷积神经网络提出了深度卷积生成对抗网络， 该模型将改进后的CNN和GAN网络相结合，不仅提高了模型稳定性，同样使生成的图像更加逼真[6]。