摘要：在過去的20年裡，研究者提出很多人臉識別的方法。大多數研究者運用了整張人臉來做識別，基本技術路線都是提取人臉特徵然後並對。然而在實際的場景中，人臉可能被障礙物遮擋，那麼我們就必須識別人的部分臉，部分臉識別大多基於臉部關鍵點進行識別。本文意在總結基於人臉關鍵點的全臉和部分臉的識別方法。

1.引言
      近20年，大量的人臉識別方法被提出，在一些可控制的條件下，這些方法在一些公開的資料庫上都取得了非常好的結果。這些方法大多以整張臉做為識別物件。之前數年，研究者利用LBP,Gabor,PCA,NN,HOG來提取人臉特徵.然而人臉非常容易被遮擋，那麼這些全域性特徵將失效，因此識別部分臉將成為人臉識別的關鍵。部分臉如圖1所示。因此我們迫切需要一些方法來解決部分臉的識別問題，而且這些方法對人臉的適度變化具有魯棒性。使人臉識別能更好地應用於實際的場景中，具有重要的應用價值。

       人臉識別具有重要的學術價值，人臉是一類相當複雜的細節變化的自然結構目標，此類目標的識別的挑戰性在於：(1)外界光線變化或者表情變化。(2)在真實的環境中，可能存在眼鏡，鬍鬚，化妝或者口罩或者其他物體的遮擋。(3)物體遮擋導致在複雜的環境中難以檢測出人臉。

2.全臉識別
       這兒不介紹全域性LBP,Gabor,PCA,NN,HOG來提取人臉的方法，主要介紹下基於關鍵點的高維人臉特徵提取方法[1]，事實證明該方法的效果非常好。高維特徵提取的關鍵在於對人臉的關鍵點的定位，然後對傾斜的人臉進行矯正，那麼標定人臉的關鍵點的位置就是關鍵，D,C等人主要標定了人臉的眼睛，鼻子，嘴巴等關鍵點，運用了[2][3]的方法來對人臉進行對齊。高維的含義是提取了多關鍵點和多尺度的特徵。如圖2所示。

圖2. (a)在人臉上定位關鍵點。(b)多尺度定位關鍵點的感興趣區域並分塊。

      每一個關鍵點周圍固定大小的正方形的感興趣區域，如圖2(b)所示。對每個子區域提取如LBP,Gabor,SIFT,LE,HOG等特徵。對原始的人臉縮放一個單位尺度，同樣加上一個固定的大小的框，再對子區域提取相應的特徵，依次縮小尺度提取特徵。其他的關鍵點也做相應的操作。
      但是這樣操作的話會造成維數災難，而且不容易在資料上進行儲存，對於一個嵌入式的系統，需要很大的儲存空間，尤其是對一些儲存空間比較小的行動式的裝置。因此我們需要一個稀疏的轉換矩陣，稀疏矩陣需要的儲存空間小，[1]利用風險最小化的方式對得到一個稀疏轉換矩陣B

      訓練樣本中降維後的特徵可以根據PCA,把X當做輸入，Y當做輸出，有下面的損失函式。

λ為正則化係數，上式可以通過最優化的演算法解出BT
最後我們儲存的特徵就為Y。圖4是識別率在不同特徵下隨著提取特徵維度的變化曲線。

演算法缺點：只適合沒有遮擋，缺失的人臉。

3.部分臉識別
   與上述完全人臉識別不同的是，部分人臉的資訊缺失導致一些特徵無法提取，在我們進行人臉識別前我們需要知道人臉的那部分缺失了，缺失的程度有多大。這就是一個難題了。Renliang Weng等人[4]利用SIFT關鍵點位置資訊和紋理資訊來對人臉進行識別，關鍵在於對人臉的校正。對影象不斷的進行仿射變換，使完全臉和部分臉的關鍵點運算元之間距離和以及紋理特徵之間的距離達到全域性最小，這樣完成對影象的校正，如圖5所示。

圖五： 影象校正的過程

最後通過比對待識別的部分人臉與資料中的人臉作比較。
這個方法的缺點在於：第一：每次迭代需要的時間長，導致人臉識別的效率比較低，第二：實驗是在已經切割好的人臉影象上做的，最關鍵的檢測部分人臉將成為實際場景識別人臉的關鍵。

Shengcai Liao[5]提出了一種不需要人臉對齊的一種人臉識別方法，他使用一些關鍵區域作為識別物件，對關鍵部分進行取子塊劃分，使用Gabor濾波器提取幾個方向的特徵然後用PCA降維，最後用稀疏編碼把這些特徵組成一個字典，最後關鍵部位來匹配這些人臉。
疑問：第一：如果關鍵部位被遮擋嚴重將會提取不到這些關鍵的特徵導致人臉識別不出來。第二：部分人臉檢測依舊是問題。

結論：現有的方法是以關鍵點或者關鍵位置來做人臉識別，已經取得了一些好的效果，但是如果當這些關鍵點或者關鍵位置被遮擋，這些演算法可能不魯棒，而我們需要做的是在做人臉檢測的時候，我們需要知道人臉的哪些部位被遮擋，哪些部位未被遮擋，對未遮擋的部位提取特徵與資料庫比對，關鍵在於我們只能提取區域性的特徵。

參考文獻:
[1]Blessing of Dimensionality: High-dimensional Feature and Its Efficient Compression for Face Verification.
[2]P. Belhumeur, D. Jacobs, D. Kriegman, and N. Kumar. Localizingparts of faces using a consensus of exemplars. In CVPR, pages 545–552. IEEE, 2011. 2
[3]X. Cao, Y. Wei, F. Wen, and J. Sun. Face alignment by explicit shape regression. In Computer Vision and Pattern Recognition, pages 2887 –2894, June 2012. 1, 2
[4]Robust feature set matching for partial face recognition
[5]Partial Face Recognition Alignment-Free Approach