摘要
在新冠疫情期间(COVID-19)，为了有效阻止疫情扩散，在中国几乎人人都佩戴口罩，现在人们出门佩戴口罩已经成为一种共识。佩戴口罩却对日常的人脸识别带来了极大的挑战，因此如何消除面部遮挡对人脸识别产生的影响，是亟待解决的问题。 目前针对无遮挡条件下的人脸识别技术已经相当成熟，但是在脸部存在遮挡的情况下，识别的性能会大大受到影响，因此如何解决遮挡问题对人脸识别的影响至关重要，面对局部遮挡的人脸识别也是当今计算机视觉领域一个重要的研究方向。 主流人脸识别的研究对象都是基于可见光的，针对局部遮挡的情况，本文利用红外线穿透力强的特点，提出了一种基于Contourlet变换和特征融合的近红外人脸识别方法。因为近红外线穿透力更强，相对于可见光可以更多地透过遮挡物，所以能够采集到更多的人脸信息，为了进一步减少遮挡对人脸识别的影响，本文对遮挡人脸图像进行了切割，加大未遮挡部分的人脸信息权重，减少遮挡部分的人脸信息权重；本文同时提出了对人脸图像特征进行优化的方法，首先使用卷积神经网络来提取人脸特征，高维特征向量通过TSNE算法进行降维，并去除特征向量中的离群点，从而优化特征向量。本文对神经网络的结构也作了改进，加上了SENet模块，并且使用了新的损失函数AM-Softmax。在改进的神经网络下，基于可见光的人脸识别准确率最高达到了83.84%，基于近红外的人脸识别准确率最高达到了88.16%。针对红外人脸数据样本不足的问题，本文利用孪生网络的单样本学习能力，提出了使用孪生网络进行人脸识别分类的方法。实验表明，在戴口罩的情况下，基于近红外线的识别准确率最高达到了92%，证明了近红外线用于局部遮挡人脸识别的有效性。最后，本文搭建了一个基于B-S结构的人脸识别系统平台，将人脸识别算法封装在后台，用户可以直接在网页端进行人脸识别操作。
NETL