摘要
人脸识别是计算机视觉领域的热门研究课题之一，与我们的生活密切相关，在安防监控、电子消费等多个领域都有着广泛的应用。一方面，在日常生活中，人脸容易出现不同程度的遮挡，而遮挡引起的人脸特征缺失、对准误差及局部相干等问题，导致面向局部遮挡的人脸识别算法仍存在一些不足；另一方面，基于深度学习的人脸识别模型层数越做越深，模型的参数与计算量也越来越大，在计算能力和存储空间都受限的小型或者移动设备上难以得到实际部署。因此，研究基于深度学习的人脸识别算法，尤其是面向局部遮挡的人脸识别以及轻量级人脸图像识别具有重要的研究价值与现实意义。本文主要完成了以下研究工作。 ①改进了当前主流的人脸检测算法MTCNN，便于之后进行人脸检测与关键点定位。在算法改进过程中，完成了以下研究工作：通过对数据集及网络结构的分析，采用了中值滤波对输入图像进行预处理，对网络卷积层增加了BN正则化处理，针对P-Net原损失函数未做优化处理，对P-Net的损失函数做了改进，设计了联合优化损失函数以提高网络的识别精度。最后，基于WIDER FACE验证集通过实验验证了本文所提改进方法的有效性。 ②提出了基于图像分块与深度学习相结合的遮挡人脸识别方案。采用改进后的MTCNN人脸检测算法定位人脸5个关键特征点，基于关键特征点将人脸图像裁剪为4个小区块，每个区块分别基于改进的LCNN网络训练单独的特征提取网络，通过区块遮挡判别将4个特征向量融合成新的全局特征，最后基于融合特征进行相似性度量，实现遮挡人脸的分类。最后，基于AR人脸库通过实验验证了本文所提方法对包含围巾、墨镜等实物遮挡的人脸有优秀的识别效果。 ③提出了基于ResNeXt的轻量级人脸识别网络结构设计方案。采用深度可分离卷积代替传统卷积，大幅减少了模型的参数量与计算量；基于对“split-transform-merge”设计原则的深入剖析，在模型基本卷积模块中增加了一路最大池化层以便提取图像多尺度特征信息，提升了模型的特征表征能力；此外，方案中引入了Squeeze-and-Excitation（SE）模块，以便网络通过学习识别不同通道特征图的重要程度，因此，该方案只需要增加很少的计算量就可以带来可观的性能提升。最后，借助实验验证了本文所设计的轻量级人脸识别模型SE-LRN能较好地平衡模型在精度与运行速度间的要求。基于深度学习框架Tensorflow，搭建了一个在线人脸识别系统，在数据集上的实际测试表明，本文所提出的改进设计方案可以取得良好的识别效果。
NETL