arxiv：https://arxiv.org/abs/2006.11366
人脸获取过程中容易出现遮挡的情况，而遮挡人脸对于人脸识别不可避免且挑战艰巨。
现有文章多在讨论人脸姿态或表情变化等对人脸识别的影响。
文章针对三个方面进行讨论：
1）对于遮挡图像，鲁棒的特征提取方法。
2）遮挡感知人脸识别方法。
3）基于遮挡恢复的人脸识别方法。
然而，面对姿态变化大、光照变化大、分辨率低、表情各异、遮挡等挑战，人脸识别系统的性能仍远不能令人满意。
数据集
MAFA数据集可用于遮挡人脸检测；
IJB-C数据集被引入作为一个通用的评估基准，以包括与遮挡有关的元信息（即遮挡位置、遮挡程度）；
AR数据集 遮挡人脸识别；
Extended Yale B 人脸识别数据集，不包含遮挡，但经常用于随机叠加遮挡而用于评估遮挡；
CAS-PEAL数据集 遮挡人脸识别。
文章结构
第二节介绍了遮挡人脸检测技术。
第三章对遮挡鲁棒特征提取方法进行了描述和分析。
第四节回顾了基于遮挡的人脸识别方法。
第五节简要研究了遮挡恢复人脸识别方法。
第六节给出了所审查方法的性能评估。
第七节讨论数据集和研究的未来挑战。
最后，对遮挡人脸识别进行了总结。
对于遮挡人脸的检测技术：
1.Locating visible facial segments to estimate face（基于可见的局部人脸部分来对人脸做更好的判断，但需要标注。例如，嘴唇的属性，比如大嘴唇、张开嘴、微笑、涂口红等。）
2.Fusing detection results obtained from face sub-regions（直接处理获取的人脸特征，遮挡和不遮挡的部分一起用于判断）
3.Occlusion information adversarially used for detection（使用网格损失，自适应响应未被遮挡的部分；数据中模拟遮挡；引入遮挡分割分支，网络学习识别遮挡）
鲁棒的遮挡特征提取方法
1.手工设计的特征
2.基于学习的特征
Deep Learning：
1.使用不同发型和眼镜的遮挡人脸进行数据增强，扩大训练数据集。（87个常见的不同刘海的发型模板和100个眼镜模板）
2.频繁遮挡高效区域（面部中心），来使得模型学习到更加鲁棒的特征。
3.通过DDRC (deep dictionary representation based classification)，构建遮挡类型的字典来调整模型权重。
基于遮挡的人脸识别方法
1.对于遮挡人脸，检测遮挡部分，对未被遮挡部分进行特征提取和判断，或者降低遮挡部分权重。（MaskNet，PDSN）
2.对于部分人脸，MDSCNN多个网络提取不同面部位置特征。
Recently, there is a trend to combine the deep learning and sparse representation classification (SRC) methods to tackle the partial face recognition
遮挡恢复人脸识别方法
使用遮挡人脸恢复来解决遮挡问题。
文章对遮挡条件下的人脸识别技术进行了深入的研究，系统地将目前的方法分为
1）遮挡鲁棒特征提取，
2）遮挡感知人脸识别，
3）基于遮挡恢复的人脸识别。
最后
文章讨论了近年来新发表的、具有创新性的论文，特别是用于遮挡人脸识别的深度学习技术。（特别多的表，了解的话直接看论文吧）
报告了在遮挡人脸检测和人脸识别方面的比较性能评估。
最后，从数据集和研究（包括潜在的解决方案）的角度讨论未来的挑战，以推动该领域的发展。
网友评论