受控环境下的人脸识别现阶段已经取得了很好的效果,识别率远超了人眼。然而,在不受控制和自然环境下的面部识别易受姿态、照明、遮挡等的影响,这降低了算法的性能,一些商业应用在应对这些干扰问题时的效果也差强人意。其中,部分遮挡人脸识别是目前必须要解决的问题之一。本文提出以下两种方法对部分遮挡情况下的人脸识别进行研究,具体如下:(1)提出一种基于多尺度地标的梯度直方图进行特征点特征提取,并使用PCA白化空间进行分类识别的方法。首先,我们使用DLIB库检测器来检测图像中的面部区域,并基于特征点位置进行面部对齐。在获得面部图像之后,使用高斯差分(DoG)作为带通滤波器进行图像预处理。对处理之后的图像使用多尺度地标的梯度直方图(HOG)来保持特征点的定位和变化,来使特征的提取在面部变化下更具鲁棒性。将提取到的面部特征在PCA白化空间中进行分类,根据空间内特征向量的欧氏距离计算其相似性,从而对有遮挡人脸进行分类。通过实验可以看出该方法对人脸部分遮挡的识别有一些提升,对光照和遮挡有较好鲁棒性。(2)人脸识别中,若面部特征被遮挡,随着其遮蔽区域的增大,依靠对图像中人脸的整体特征识别就变得越来越困难,所能提取的有效特征也越来越少,为解决这个问题,本文在人脸分块的基础上使用改进的LBP算法进行特征提取。本文首先使用Faster-RCNN进行人脸检测得到图像中的人脸,再对图像中获得的人脸使用TCDCN网络进行左右眼、鼻子、左右嘴角的定位,在此基础上,对人脸进行分块,对分块的人脸区域图片使用改进的LBP算法进行特征提取,部分特征提取完成后进行遮挡判别,之后特征融合组成人脸进行分类识别。经验证,该方法在AR数据库上对部分遮挡人脸识别性能有较大提升。图[46]表[7]参[50]