随着视频监控网络在国内广泛的建设与应用,通过视频监控快速确定行人的身份信息成为了公安工作智能化的关键因素。在实际情况下,视频监控获取的人脸大多为非正面人脸,影响人脸识别的准确率以及后续的使用。人脸正面化为多角度人脸识别提供了有效的预处理方法。人脸正面化是指根据侧面人脸生成正面人脸,可以显著提高多角度人脸识别情况下的准确率。同时,合成的正面人脸可以用于公安工作的后续开展。因此,人脸正面化具有广泛的应用前景。本文提出了新的基于产生式模型的人脸正面化方法。通过对目前基于深度学习的产生式模型进行研究和分析,在生成对抗学习GAN网络框架下对生成器和判别器网络进行改进,设计出两个能较好实现人脸正面化任务的产生式模型。本文主要工作如下:一、对生成器网络进行改进,分别采用变分自编码器VAE和流模型GLOW作为生成器。对于基于VAE的生成器网络,设计了条件β-VAE网络以增强人脸生成的解耦性。对于基于GLOW的生成器网络,设计出基于条件批归一化层CBN的条件流网络以实现对生成方向的控制。二、对判别器网络进行改进,分别加入身份、角度损失函数和互信息限制对目标函数进行改进。加入身份、角度损失函数的判别器网络不再是传统的二分类器,而是多输出分类器,不仅判别图片真假,同时判别身份和角度。加入互信息限制的判别器网络对原始数据和潜在空间变量的互信息进行限制,平衡网络的训练。三、提出了两个人脸正面化模型。分别是采用条件β-VAE生成器和加入身份、角度损失函数判别器的βVAE-GAN模型和采用条件流生成器和加入互信息限制判别器的Cflow-GAN模型。通过发挥对抗学习框架的优点,实现人脸正面化的任务。四、通过多种评估方式进行对提出的两个人脸正面化模型进行分析。在定量分析中,βVAE-GAN和Cflow-GAN在FID、IS、PSNR和SSIM等评估标准下的成绩都要比基准模型好。在人脸正面化识别实验评估中,βVAE-GAN和Cflow-GAN的识别准确率得到提高。本文通过以上工作,设计出了两个人脸正面化模型并且通过多方面的评估标准进行分析,可以生成质量较高的正面人脸,提升了多角度人脸识别的准确率。