基于深度神经网络的有遮挡身份验证

董艳花 张树美 赵俊莉

摘要：为解决人脸被部分遮挡也能完成身份验证的问题，提出一种基于深度神经网络的有遮挡身份验证方法。对人脸图像进行检测分块，将VGGNet-16三个全连接改为一个全连接，将其最后两个最大池化层改为平均池化层，用来提取人脸块的特征;并在PCANet的基础上添加并行模块，不仅提高网络提取特征能力，而且改善了PCANet对遮挡人脸特征丢失造成判别精度不够的缺点。研究结果表明，基于深度神经网络的有遮挡人脸平均识别精度达到96.62%。

关键词：新型冠状病毒;特征提取;遮挡判别;身份验证

中图分类号：TP391.41

文献标志码：A

收稿日期：2020-11-10

基金项目：

国家自然科学基金（批准号：61702293， 41506198）资助。

通信作者：张树美，女，博士，教授，主要研究方向为时滞非线性系统的分析与控制，图形图像识别与处理。E-mail： 15865578215@163.com

由于人脸图像含有丰富的特征信息，近年来人脸识别[1-2]被广泛应用在身份验证、人机交互、罪犯识别和智能视频监控等领域。但在自然真实的环境下，人脸图像采集往往受口罩、围巾、墨镜等多种遮挡方式的影响，导致通用的目标检测算法远远不能满足实际需求。国内外研究者一直致力于有遮挡人脸有效识别问题的研究，提出许多有效的算法[3-7]。如Sun等为了提取遮挡人脸图像鲁棒的深度特征识别多张人脸图像是否属于同一人，先后提出DeepID（deformable deep convolutional neural network for generic object detection，DeepID）[8]、DeepID2[9]及DeepID2+[10]网络结构，通过自下往上和不同大小黑块对人脸进行多尺度遮挡实验，验证了遮挡在20%以内，DeepID2+对遮挡人脸识别有较好的鲁棒性，为处理有遮挡人脸识别提供了新思路。……