摘要： 人臉識別中，發型遮擋是一種十分常見的遮擋類型，并且對人臉的正確識別具有極大的干擾。提出一種將頭發的顏色模型和發型特征相結合的遮擋檢測方法。首先，采用機器學習的方法，對頭發的顏色進行學習建模。然后，利用發際線的特征，將人臉劃分為若干扇形并分塊，采用逐步精細的方法對人臉的發型遮擋區域進行檢測。實驗結果表明，該方法對人臉區域發型遮擋檢測的準確率和召回率都達到88%以上，相比PCA檢測方法提高了約20%，驗證了該方法的有效性。

　　關鍵詞：人臉識別；發型遮擋；遮擋檢測

0引言

　　人臉識別作為模式識別領域的熱點研究問題受到了廣泛的關注，人臉識別技術在眾多領域的身份驗證中有著廣闊的應用前景［1］。在實際人臉圖像處理過程中，人臉圖像的遮擋會經常出現，如頭發、口罩、圍巾等，而遮擋對人臉識別有很大的影響。因此，如何準確、自動地檢測人臉遮擋區域成為遮擋人臉識別處理的關鍵問題之一。

　　主流的人臉遮擋區域檢測方法是基于PCA分析檢測方法［23］。該方法包括兩個關鍵步驟：在分析階段，將遮擋人臉圖像投影到人臉特征空間，并利用投影系數重建人臉；在檢測階段，將遮擋人臉圖像與重建人臉圖像進行比較，差異越大，判定為遮擋的可能性越大。遮擋區域根據重建人臉與原始遮擋人臉的差異來估計。基于平均人臉的人臉遮擋區域檢測方法［4］與基于PCA分析檢測方法類似，只是參考圖片選取的是平均臉圖像。

　　在遮擋人臉識別中，頭發是極為常見的遮擋物體，給識別帶來較大的不利影響。目前，基于PCA或平均臉的分析檢測方法在很大程度上依賴于參考樣本，對于人臉的位置、姿勢等十分敏感，而發型遮擋往往伴隨著不同的人臉姿勢。本文在分析了各類遮擋檢測算法后，通過建立發色模型并結合發型特征，提出了一種針對發型遮擋的人臉遮擋區域檢測方法。

1方法概述

　　本文方法主要分為兩個部分：發色模型的線下學習和發型遮擋區域的在線檢測。線下學習是利用人工神經網絡進行發色和膚色的學習，建立頭發的顏色模型，以便于在線檢測使用；在線檢測是實時檢測遮擋圖片的發型遮擋區域，給出檢測結果。

　　(1)圖1給出了發色模型學習的詳細步驟：對發色和膚色RGB樣本數據，利用人工神經網絡進行發色和膚色訓練學習，得到一個發色模型。給定一個像素點的RGB值，可以通過該模型粗略評估其是頭發的概率。

　　(2)圖2給出了發型遮擋區域的檢測步驟：給定一幅圖像，首先根據人臉進行歸一化；之后，以嘴部中心為圓心，將給定的人臉區域按照角度劃分為若干扇形；對于每個扇形，按照半徑長度平均劃分為相等數量的區塊；然后，對于每個扇形區塊，按照距離圓心的距離，由遠及近進行粗略檢測。對于一個扇區，取發色區塊的下一個（離圓心更近的）區塊進行精細分割。

2結合發色模型和發型特征的遮擋檢測

　　發型特征包括：長度、體積、發色等。 對于解決發型遮擋的檢測問題，可以利用發色、發際線等特征。本文將發色模型和發型特征進行有機結合，對人臉的面部發型遮擋區域進行檢測。

　　2.1基于人工神經網絡的發色模型

　　2.1.1BP人工神經網絡簡介

　　BP神經網絡［5］是人工神經網絡的一種，它是采用誤差反向傳播的多層前饋神經網絡。其中，3層的BP 網絡包括一個輸入層、一個隱含層、一個輸出層，如圖3所示。

　　圖3三層BP神經網路BP神經網絡的基本思想是采用信號的正向傳播和誤差的反向傳播。在正向傳播中，從輸入層傳入的數據，依次在各隱含層進行處理，最終到達輸出層。如果輸出值與期望輸出不同，則將輸出層的誤差作為調整信號進行反向傳播，根據誤差不斷調整權值和閾值，最終得到網絡可以接受的精度并輸出。

　　2.1.2發色模型

　　頭發的顏色與皮膚的顏色往往有比較明顯的區別，利用發色能夠有效提高面部發型遮擋區域檢測的正確率。

　　2.2基于發型特征的扇形分割

　　給定輸入圖像和發型區域，以嘴部位置的中心區域為圓心，將嘴部以上的區域以每10°劃分為一個扇形，共18個徑長不等的扇形（以下簡稱為扇區），按照逆時針方向記為S1~S18。對任意的扇形區域Si，按照徑長平均分為10個區塊（以下簡稱為區塊），按照離圓心的距離由遠及近依次標記為Si,1~Si,10。

　　2.2.1粗略檢測

　　形式地，將X={xij:xij∈S}定義為區塊S的像素點，用Ix表示一個像素點的顏色向量，Ix=(Rx,Gx,Bx)T；LX=(l1,l2,…,lm)T表示標號向量，其中m表示區塊S中的像素點數，并且lx=1表示x屬于頭發，lx=0表示x屬于皮膚。將一個像素是頭發的概率表示為P(lx=1)，簡單地，P(lx=1)=ax，其中，ax是ANN發色模型的輸出值。

　　對于人臉區域的每個扇形，首先對最外層區塊（S1,1,S2,1,…,S18,1）進行檢測。區塊Si,1中的像素點x，將其RGB值作為ANN發色模型的輸入，得到輸出值ax。當該點的預測為頭發概率大于給定閾值時，則認為該像素點屬于頭發區域。如果區塊Si,1中的像素大部分都判定為頭發區域時，則認為該區塊Si,1屬于頭發區域，記為預測遮擋塊。對所有的扇區，由遠及近地進行區塊的檢測，直到區塊不再是預測遮擋塊為止。每個扇區中第一個不是預測遮擋塊的區塊稱為精細分割塊（以下簡稱精割塊），放到下一步進行圖割［6］處理。

　　2.2.2精細分割

　　經過2.2.1節中粗略檢測得到了若干個精割塊，下一步是在此范圍內進行精細的分割。采用221中相同的定義，將X={xij:xij∈S}定義為精割塊S的像素點，用Ix表示像素點的顏色向量，Ix=(Rx,Gx,Bx)T；LX=(l1,l2,…,lm)T表示標號向量，其中m表示精割塊S中的像素點數，并且lx=1表示x屬于頭發，lx=0表示x屬于皮膚。將一個像素是頭發的概率表示為P(lx=1)。定義如下能量函數：

　　E(L)=C(L)+αB(L)(1)

　　其中，α用以權衡兩項的重要性；C(L)表示像素點的預測概率；B(L)是平滑項，用以描述相鄰像素標號互異時的懲罰代價。任意精割塊S中像素的最終的標號向量L*X，通過使式(1)達到最小值來獲得。式(1)中的第一項C(L)定義為：

　　C(L)=1nx∑x∈Xc(lx)(2)

　　其中，nx表示精割塊S中像素點的數量, c(lx)表示發色模型對像素點x的預測概率。

　　式(1)中第二項中的B(L)定義為：

　　其中，np表示像素點p的相鄰點的個數，σ表示圖像的平均平滑度。式(4)采用8鄰域系統，選擇像素點的相鄰點。由于精割塊的形狀大小不同，進行了均值化處理。

　　2.2.3優化

　　直接對式(1)進行最小化計算，復雜度較高，計算量非常大。本文提出了一種求近似解的計算方法。首先，將精割塊S中的像素按照ANN預測的發色程度按照從小到大排列；然后，將區塊內所有像素的區塊起始標號都置為1，按照發色的概率從小到大排序依次將像素標號置為0；最后，分別計算能量函數的值。選取使能量函數達到最小值時的標號向量作為最優解。

3實驗和結果分析

　　實驗數據采集28個人的人臉圖像，分為正面、左側面和右側面三個姿勢，偏轉角度在10°~30°之間，發型遮擋包括正面單側遮擋、正面兩側遮擋、左側面遮擋、右側面遮擋、發簾遮擋等類型。人臉圖像庫包括28人269張發型遮擋圖像，每張圖像歸一化為50×75像素。

　　將樣本數據劃分為遮擋與未遮擋兩類，并且人工標注所有遮擋樣本的發型遮擋區域。測試PCA遮擋檢測及本文所提出遮擋檢測方法的準確率P、召回率R及Fvalue。Fvalue的定義為2PRP+R。其中，P表示面部遮擋檢測的頭發區域和人工標注的頭發區域一致的像素所占的比例，R表示面部人工標注的頭發區域和遮擋檢測的頭發區域一致的像素所占的比例。對所有實驗分別調整參數以達到最優的Fvalue值。下面通過兩個試驗對比本文方法與PCA檢測方法的優劣。

　　實驗1該實驗采用數據集中的正面人臉，數據包含109張遮擋人臉圖像，實驗結果如表1所示。

　  由表1可以看出，在正面人臉的條件下，PCA檢測方法的Fvalue為69%，相應的準確率和召回率分別為63%和76%。本文方法比PCA檢測方法的Fvalue提高了20%，準確率和召回率分別提高了27%和12%。實驗2該實驗采用全部的數據，包含269張不同姿勢的遮擋人臉圖像，實驗結果如表2所示。

　　由表2可以看出，在不同姿勢的人臉條件下，PCA檢測方法的Fvalue為57%，相比正面人臉條件下降低了12%，相應的準確率和召回率降低10%左右。而本文方法與正面人臉條件下的Fvalue相比變化不大，說明比PCA檢測方法具有更強的魯棒性。

4結論

　　發型遮擋對人臉識別具有極大的干擾，如何準確獲取遮擋區域是處理遮擋中需要解決的問題。由于各種形狀和不同紋理，使得發型遮擋區域檢測非常困難 。實驗表明，本文提出的方法比PCA遮擋檢測方法具有更高的準確率和召回率，驗證了該方法的有效性。

　　參考文獻

　　［1］ CHELLAPPA R, WILSON C L, SIROHEY S. Human and machine recognition of faces: a survey［J］. Proceedings of the IEEE, 1995, 83(5): 705741.

　　［2］ 杜成, 蘇光大. 用于人臉識別的正面人臉圖像眼鏡摘除［J］. 清華大學學報(自然科學版), 2005, 45(7): 928930.

　　［3］ 王志明, 陶建華. 人臉遮擋區域檢測與重建［J］. 計算機研究與發展, 2015, 47(1): 1622.

　　［4］ 李冬梅, 熊承義, 高志榮,等. 基于異值區域消除的遮擋人臉識別［J］. 計算機科學, 2015, 42(3):289295.

　　［5］ MCCLELLAND J L, KAWAMOTO A H. Parallel distributed processing［C］. Rumelhart and McClelland (eds.)， 1986（I）:4576.

　　［6］ BOYKOV Y, VEKSLER O, ZABIH R. Fast approximate energy minimization via graph cuts［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001, 23(11): 12221239.