人脸识别技术的应用一直被广泛关注和研究,目前遮挡问题是人脸识别技术在实际应用中面临的主要难题。人脸局部遮挡造成人脸信息的缺损,对人脸特征的提取和最终的识别结果产生严重的影响。本文从以下两个方面对局部遮挡的人脸识别问题展开了研究:(1)对固定区域的遮挡人脸识别,本文提出一种基于遮挡字典的非均匀分块稀疏表示的人脸识别算法。首先将遮挡人脸进行五官检测,对于能够检测出的五官按指定比例分割,将本文选择的分割比例是眉毛为1:20,眼睛为1:12,鼻子为1:5,嘴巴为1:3。然后,将训练样本和测试样本按相同比例进行非均匀分块,之后,对于分割后的每个字块构建相应的遮挡字典和非遮挡字典,并得出测试样本在遮挡字典和非遮挡字典的稀疏系数,最后根据统计的每个子块所指类的数量最多的一类作为最终识别结果。本文在对墨镜、口罩及两种遮挡方式相加三种遮挡情况下进行了实验,相较于稀疏表示分类算法(Sparse Representation Classification,SRC),本文均有较好的识别结果。在墨镜和围巾的共同遮挡度为60%的情况下,本文提出的算法的识别率最高可达93.46%,比原始SRC识别率提高50%。同时,在人脸特征维数越高的情况下,识别率也就越高。(2)对于非固定区域的遮挡人脸识别,本文提出一种基于条件生成对抗网络的人脸补全算法。首先将遮挡人脸先通过卷积神经网络进行五官等脸部特征提取,并作为一种约束信息输入生成模型和判别模型中,其中生成模型是一种自编码器,重构人脸遮挡区域的内容,将得到的结果分别输入局部信息判别模型和全局信息判别模型以及语义解析网络中,结合损失函数,最终生成完整人脸。在Celeb A数据集上进行训练,对比Context Encoder(CE)模型,本文提出的算法模型能够得到效果更好的重构人脸图像,同时,横向对比人脸不同的遮挡方式得出,本算法模型在口鼻处遮挡情况下,所生成的人脸置信度更高,且在视觉上也更加和谐。