有效遮挡检测的鲁棒人脸识别

文章参考：Efficient Detection of Occlusion prior to Robust Face Recognition

主要内容

在现实生活中，人脸会有部分遮挡(例如眼镜和围巾)的情况，在这种情况下的遮挡，会给人脸检测带来一定的困扰。所以，有提出一个有效的识别方法，由以下三个部分组成。

• 遮挡检测部分。首先将给定图像分割为上下两个相等块，进行不同尺度和方向的Gabor小波变换产生特征，使用PCA降维后并用SVM对图像进行分类，判断图像的是否遮挡以及遮挡类型。
• 遮挡分割。对于第一步检测到的遮挡，利用马尔科夫随机场增强其结构信息，并产生一个二进制掩膜(遮挡像素为1，非遮挡为0)。
• 提取图像的局部Gabor二进制模型直方图序列(LGBPHS)特征用于人脸识别。对给定图像精确检测遮挡后，对于分遮挡部分提取出LGBPHS特征。

Gabor小波特征提取

选择Gabor小波变换的原因：因为其具有判别性强和计算性能好的优势。

其中，μ和γ分别表示Gabor核的方向和尺度。

本次选取μ∈[0，7]，γ∈[0,4]，八个方向四个尺度的Gabor小波变换，其余参数根据经验选择。

因为相位是随时间变化的，所以选择幅度值作为特征矢量。

Ω={Cμγ，μ∈[0，7]，γ∈[0,4]}，这里的Gabor变换不仅用于遮挡检测而且用于LGBPHS的计算。

基于马尔科夫随机场遮挡分割

从图中可以看出，上层图像为观察场，表示观察者用肉眼看到的图像，也就是实际的图像，那么下层图像为标签场，它是通过对观察场中不同区域赋予不同的标签得到的，所以图像分割问题变为图像标记问题。

假设像素点个数是M*N，平面像素点集合为：S={s1,s2,...,sm*n}，观测数据为F，p(F)为观测场的概率分布。ω记为图像的标记场，ω={ωs1,...,ωsM*N}，ωs∈∧={0,1，...，L-1}为类别总数，p(w)是先验概率满足MRF模型。P(F/w)是观察场F对于标记值w的条件概率，也就是说，表示的是特定标记像素包含的灰度概率分布，明显是属于高斯分布的。

达到最大值，这样表明对于每个像素都得到最适宜的标签，即标签场和观察场最大限度地符合，意味着分割完成，这就是后验概率最大估计(MAP)估计。

实验

• 人脸遮挡检测

数据集：AR库分别随机选取150张无遮挡人脸，150张围巾遮挡以及150张眼镜遮挡人脸训练SVM。用720张图片用于检测分类效果。

实验结果：

• 遮挡人脸识别

实验数据：AR库上选取80个人(男女各一半)的240张无遮挡人脸，每人三张图像分别为自然表情，微笑和生气。选取三种光照条件下240张围巾遮挡图像和眼镜遮挡图像。

预处理：原图像大小768*576，归一化为128*128，并将图像分为64个16*16块用来提取LGBPHS特征。

实验结果

• 在面部表情为尖叫下实验结果

总结

这种在遮挡情况下精确检测的人脸识别框架，使用马尔科夫随机场模型精确定位遮挡位置，然后从非遮挡位置提取特征用于人脸识别。实验结果表明该框架的方法要优于其他传统方法。在未来研究研究方向上，在通常情况下的遮挡(包括眼镜，围巾也，胡须，长头发，戴帽子等)检测至关重要。