人脸识别一直是计算机视觉和模式识别领域最关注的问题。近年来人脸识别技术取得了日新月异的发展,但在遮挡人脸识别领域的研究却很少,有待进一步发展与完善。由于COVID-19疫情的爆发,越来越多的人开始在公共场合佩戴口罩。口罩的多样性会产生各种各样的面部遮挡问题,这给人脸识别带来了很大的影响。传统的遮挡人脸识别方法由于缺乏用于训练的大规模遮挡人脸数据集,难以准确识别遮挡人脸图像。此外,现有的上下文注意力模块只能学习人脸元素之间的上下文关系,没有考虑修复区域内相邻像素之间的相关性和人脸的对称性,极大地影响了图像修复的真实性。针对这两个问题,本文提出了一个大规模遮挡人脸数据集MOFR（Mask occlusion Face Restoration）,基于该数据集,本文进一步提出了一种遮挡人脸恢复方法——基于图像注意力机制的恢复方法。之后在恢复的基础上再进行人脸识别。本文所做的主要研究工作如下:1.提出了一个大规模遮挡人脸数据集MOFR（Mask occlusion Face Restoration）。该数据集包含1200个主体和10000张不同方向和遮挡类型的遮挡人脸图片。收集图片时本文选择了manmankan.com这个网站上的近4000个明星名字作为主题。然后使用Python爬虫技术,通过搜索明星名、戴口罩等关键词来爬取相关图片。由于爬取结果的随机性,来自互联网的图片搜索结果的平均准确率在10%左右,有些图片不符合我们的要求,有些图片已经损坏。因此,我们需要对获得的图像进行人工筛选,以保证返回结果的准确性和多样性。为了进一步扩大数据集并使数据集多样化,我们还搜索了未戴口罩的白人图片,并手动添加了口罩来覆盖这些图片。例如,我们收集了一些遮挡图片,然后使用修图软件手动调整遮挡图片的大小和位置,再选择合适的口罩,最后将口罩拼接到没有遮挡的图片上。2.提出了一种基于图像注意力机制模型的人脸恢复方法。通过掩模区域分割,该方法能够检测任何输入图像的遮挡区域,并且使用图像注意力机制可以进一步借助上下文信息和遮挡区域中相邻像素的相关性来恢复相应的遮挡区域。此外,我们使用遮挡区域的位置作为先验知识,可以显著提高人脸恢复区域的保真度。3.研究了在恢复出的人脸图片上进行识别。将恢复出的图片进行人脸识别,在MOFR数据集上进行了人脸识别测试,实验结果表明,本文所使用的遮挡人脸识别算法表现良好。