之前的《讀者也是作者》專欄不知道同學們還記得不，我們特别希望有想法有興趣的同學來和我們一起分享你們角度對技術的了解。
有效遮擋檢測的魯棒人臉識别
這次主要分享一個比較熱門的話題，但是使用的傳統方法的人臉檢測，并且是在遮擋情況下的人臉檢測，希望可以給大家帶來一些幫助，謝謝！
文章參考：Efficient Detection of Occlusion prior to Robust Face Recognition
主要内容
在現實生活中，人臉會有部分遮擋(例如眼鏡和圍巾)的情況，在這種情況下的遮擋，會給人臉檢測帶來一定的困擾。是以，有提出一個有效的識别方法，由以下三個部分組成。
- 遮擋檢測部分。首先将給定圖像分割為上下兩個相等塊，進行不同尺度和方向的Gabor小波變換産生特征，使用PCA降維後并用SVM對圖像進行分類，判斷圖像的是否遮擋以及遮擋類型。
- 遮擋分割。對于第一步檢測到的遮擋，利用馬爾科夫随機場增強其結構資訊，并産生一個二進制掩膜(遮擋像素為1，非遮擋為0)。
- 提取圖像的局部Gabor二進制模型直方圖序列(LGBPHS)特征用于人臉識别。對給定圖像精确檢測遮擋後，對于分遮擋部分提取出LGBPHS特征。
Gabor小波特征提取
選擇Gabor小波變換的原因：因為其具有判别性強和計算性能好的優勢。
其中，μ和γ分别表示Gabor核的方向和尺度。
本次選取μ∈[0，7]，γ∈[0,4]，八個方向四個尺度的Gabor小波變換，其餘參數根據經驗選擇。
因為相位是随時間變化的，是以選擇幅度值作為特征矢量。
Ω={Cμγ，μ∈[0，7]，γ∈[0,4]}，這裡的Gabor變換不僅用于遮擋檢測而且用于LGBPHS的計算。
基于馬爾科夫随機場遮擋分割
從圖中可以看出，上層圖像為觀察場，表示觀察者用肉眼看到的圖像，也就是實際的圖像，那麼下層圖像為标簽場，它是通過對觀察場中不同區域賦予不同的标簽得到的，是以圖像分割問題變為圖像标記問題。
假設像素點個數是M*N，平面像素點集合為：S={s1,s2,...,sm*n}，觀測資料為F，p(F)為觀測場的機率分布。ω記為圖像的标記場，ω={ωs1,...,ωsM*N}，ωs∈∧={0,1，...，L-1}為類别總數，p(w)是先驗機率滿足MRF模型。P(F/w)是觀察場F對于标記值w的條件機率，也就是說，表示的是特定标記像素包含的灰階機率分布，明顯是屬于高斯分布的。
達到最大值，這樣表明對于每個像素都得到最适宜的标簽，即标簽場和觀察場最大限度地符合，意味着分割完成，這就是後驗機率最大估計(MAP)估計。
實驗
人臉遮擋檢測
資料集：AR庫分别随機選取150張無遮擋人臉，150張圍巾遮擋以及150張眼鏡遮擋人臉訓練SVM。用720張圖檔用于檢測分類效果。
實驗結果：
遮擋人臉識别
實驗資料：AR庫上選取80個人(男女各一半)的240張無遮擋人臉，每人三張圖像分别為自然表情，微笑和生氣。選取三種光照條件下240張圍巾遮擋圖像和眼鏡遮擋圖像。
預處理：原圖像大小768*576，歸一化為128*128，并将圖像分為64個16*16塊用來提取LGBPHS特征。
實驗結果
- 在面部表情為尖叫下實驗結果
總結