基于深度学习的遮挡人脸识别算法研究.pdf

哈尔滨理工大学工学硕士学位论文

基于深度学习的遮挡人脸识别算法研究

摘要

在现实场景中，人脸遮挡由多种原因造成，严重影响人脸识别的准确率。

遮挡妨碍了面部关键特征的完整提取，导致识别效果降低，特别是在依赖人脸

识别技术的场合中尤为不便。此外，遮挡还会导致特征信息的损失，干扰识别

算法对面部特征的正确获取和匹配。本文针对遮挡人脸的识别问题，有以下几

个方面的工作：

当人脸因遮挡造成特征损失时，未被遮挡区域的特征对于后续的识别就显

得尤为重要。针对这一问题，本文首先对遮挡的人脸图像进行特征提取，并根

据提取的人脸关键点特征进行拓扑结构图绘制。然后提出一种基于图卷积网络

（GraphConvolutionalNetwork，GCN）的遮挡人脸识别算法。最后，图卷积网

络通过对人脸拓扑结构图中的数据信息进行卷积处理，进一步提取人脸的面部

特征和节点之间的关系，从而可以有效地学习局部和全局的面部信息，通过实

验结果表明，即使人脸部分被遮挡也可以实现人脸的识别。通过在模拟遮挡处

理后的LFW（LabeledFacesintheWild）数据集上进行实验验证，结果表明设

计的人脸拓扑结构具有可行性同时提出的人脸识别方法具有较好的识别性能。

然而，图卷积网络可能在提取面部信息方面存在局限，特别是在处理高度

遮挡的情况时。为了解决这一问题，本文提出了结合自注意力机制的图卷积神

经网络遮挡人脸识别方法。将自注意力机制与图卷积网络结合来实现遮挡人脸

识别，可以显着增强模型关注面部关键和信息丰富部分的能力。自注意力机制

通过权衡图中节点的重要性，使模型能够优先考虑并更好地学习最相关的识别

特征。最后在遮挡处理后的LFW数据集上与VGGNet、FaceNet、DeepFace和

改进后的FFR-Net识别模型进行对比实验，又在真实的人脸遮挡数据集

RWMFD（Real-WorldMaskedFaceDataset）和FaceMaskCelebA数据集上进行

实验验证，该方法具有较好的识别性能。

关键词人脸识别；人脸遮挡；注意力机制；图卷积网络

-I-

哈尔滨理工大学工学硕士学位论文

ResearchonOcclusionFaceRecognitionAlgorithm

BasedonDeepLearning

Abstract

Inreal-lifescenarios,faceocclusioniscausedbymanyreasons,seriously

affectingtheaccuracyoffacerecognition.Occlusionhindersthecompleteextraction

ofkeyfacialfeatures,resultinginreducedrecognitionresults,whichisparticularly

inconvenientinsituationsthatrelyonfacerecognitiontechnology.Inaddition,

occlusioncanalsoleadtothelossoffeatureinformationandinterferewiththecorrect

acquisitionandmatchingoffacialfeaturesbytherecognitionalgorithm.Thisarticle

focusesonthefollowingaspectsofworkontherecognitionofoccludedfaces:

Whenfeaturesofafacearelostduetoocclusion,thefeaturesoftheunoccluded