随着社会的发展,作为生物特征识别技术之一的人脸识别技术已经广泛应用于包括视频监控、手机解锁、无人零售在内的众多领域。相对于虹膜识别、指纹识别等其他生物特征识别技术,人脸识别技术具有非接触、远距离识别的优势。然而,在非约束条件下,人脸识别算法容易受到包括遮挡、姿态、光线在内的诸多因素的影响,达到高精度的人脸识别效果仍然很富有挑战性。近年来随着深度学习技术的引入,基于深度学习的人脸识别算法的性能得到了极大的提升。然后,基于深度学习的人脸识别算法通常需要大规模的人脸数据作为训练集。但是,制作一个大规模的人脸识别数据集,需要耗费大量的人力物力。因此,如何利用规模有限的人脸识别数据集来进一步提高人脸识别算法在非约束条件下的识别性能变成一个亟待解决的问题。为了在训练数据有限的条件下,进一步提高人脸识别算法在非约束条件下的识别性能,本文从训练样本和损失函数两个方面进行了讨论研究,主要内容如下:(1)训练样本方面。针对有限的训练样本,提出了两种训练样本增强的方法:1.基于三维可形变人脸模型,根据单张人脸图像生成其对应的多姿态人脸图像;2.基于人脸关键点检测技术,根据单张人脸图像生成其对应“戴眼镜”人脸图像。通过这两种样本增强方法,对有限的训练样本扩充,从而扩充训练样本规模。(2)损失函数方面。提出了一种改进的Softmax损失函数——Scalable Softmax损失函数。Scalable Softmax损失函数通过对困难样本增大惩罚,对容易样本减小惩罚来充分利用有限的训练样本,从而使深度卷积神经网络模型能够学习到更具有鲁棒性的人脸特征。实验采用了公开人脸数据集CASIA-WebFace、MS-Celeb-1M、LFW、YTF以及自建的人脸数据集GS-Face对本文提出的算法进行验证。实验结果表明,本文所提出的样本增强方法,以及提出的Scalable Softmax损失函数均可有效提高非约束条件下人脸识别算法的性能。