人脸识别是一种利用人脸作为用户ID的身份认证技术,与指纹识别这种需要进行身体接触的验证方法相比,人脸识别具有快速方便、非接触性等优点,而对于步态识别身份认证而言,人脸识别的准确度具有较大的优势,故利用人脸识别进行身份认证受到广泛欢迎。随着深度学习得到迅速发展,对目标分类、识别、分割等任务取得了巨大的进步并在多个领域得到应用。作为典型的分类任务,人脸识别应用深度学习算法也得到了很大发展,相对于传统的人脸识别方法,基于深度学习的人脸识别通过模型的自动优化提取图片中高度抽象的语义信息,使得在识别精度上拥有巨大的优势。本文利用人脸检测算法对图片中的人脸进行分割和关键点检测,并把切割后的人脸基于脸部的五个关键点(双眼、鼻尖、两个嘴角)与标准模板对齐,通过残差块堆叠的深度卷积神经网络对人脸提取特征,并计算与库中的人脸特征的余弦距离从而判断属于哪个类别,并利用活体检测算法检测镜头前是否为真实的合法用户。本文的主要工作有:1)利用关键点检测算法对上眼皮、下眼皮以及眼角的关键点进行定位,在保证每个眼睛的两个眼角距离保持基本不变时,通过判断上眼皮与下眼皮的距离来推断用户睁眼与闭眼状态,根据眨眼动作判断是否为真实的人。另外,还可设定睁眼与闭眼的次数、时间间隔形成一段隐秘的动作秘钥,提高安全性。2)通过人脸检测算法对训练集与测试中人脸及人脸关键点进行定位,并相对于标准模板图片中人脸关键点进行仿射变换,并对变换后的图片再次进行人脸检测,从而把人脸从背景中分割出来并缩放到设定的比例。3)利用残差块组成深度残差网络,并对三种残差块构成的网络进行了验证与比较。利用softmax损失函数与中心损失函数对网络联合训练,减小类内距离。当训练完成后,提取第一个全连接层的输出做为人脸的特征向量,并通过主成分分析(Principal Component Analysis,PCA)去掉无用的特征,最后利用余弦距离判断两个特征向量的相识度。4)本文利用Web软件实现人脸识别系统,其中集成了人脸检测、人脸识别以及活体检测等功能,分为录入合法用户的人脸信息与实时人脸识别两个模块,在录入合法用户后,合法用户人脸的特征向量便保存于一个文档中,当用户进行人脸识别登陆时,通过摄像头采集的人脸输入模型中得到对应的特征向量,并与文档中的特征向量计算余弦距离,若与合法用户所有录入的特征向量余弦距离的平均值小于一定阈值,则判断为合法用户。另外,当人脸识别通过后还需通过活体检测才能登陆。