随着计算机软硬件技术、生物识别技术和机器学习的日益成熟,基于深度学习的人脸识别技术受到了社会的广泛关注。人脸识别技术凭借着其非强制性、非接触性、高准确率、易于采集、高并发、无侵犯等特性,在个人身份识别、支付系统、公安系统、银行系统、政府部门和商业领域得到了广泛的应用。但是,由于人脸识别技术在实际应用中通常使用摄像头进行人脸图像采集,采集的人脸图像中含有大量的非人脸信息,而且自然环境下复杂光照易对图像中人脸信息造成影响,导致人脸识别中仍存在一系列问题亟待解决,例如:如何准确地提取采集图像中的人脸区域;针对复杂光照环境下人脸图像,如何有效地增强图像中的人脸信息;如何设计高性能的深度卷积神经网络模型结构,提高人脸识别准确率。这些问题的解决无疑对基于深度学习的复杂光照环境下人脸识别技术的研究产生一定的推动作用。因此,针对上述问题,本文展开研究的方向主要包含以下几个。(1)针对自然环境下采集的图像中存在大量非人脸信息的问题,设计了基于目标检测的人脸图像提取算法。给定待提取的图像,首先采用肤色分割技术对输入图像进行粗识别,获取包含人脸信息的候选区域;然后利用多任务级联网络模型对获取的候选区域进行精识别,其中多任务级联网络是由三级网络结构相似的卷积神经网络构成的;最后由精识别阶段中最后一级网络确定人脸图像最终的位置信息。(2)针对人脸图像在采集过程中受到复杂光照环境的影响造成光照不均和人脸图像信息丢失的问题,提出一种基于Gamma函数自适应校正的人脸图像增强算法。利用高斯滤波函数在人脸图像HSI颜色空间的亮度分量I通道上提取图像中的光照分量。为了对复杂光照环境下人脸图像进行自适应校正,根据人脸图像光照分量的分布特性,动态地调整Gamma函数的指数参数,并进行Gamma校正。(3)在充分分析VGGNet-16网络模型结构的基础上,设计了基于深度卷积神经网络的人脸识别算法。分析基于Softmax损失函数训练的网络模型提取的人脸特征性能,发现该人脸特征向量满足类间差异最大化,但是未考虑类内差异性,设计新的损失函数,其中融合了能够实现类内差异最小化的中心性损失函数。初始化网络结构和参数,对网络模型进行训练,并验证网络模型性能。针对本文的研究成果进行相应的仿真实验,验证其有效性,实验结果表明:基于目标检测的人脸图像提取算法可以实时准确地将采集图像中的人脸图像提取出来;复杂光照环境下人脸图像增强算法有效地增强了因复杂光照丢失的人脸信息,减弱了复杂光照对人脸识别准确率的影响;基于深度卷积神经网络的人脸识别算法可以准确地提取人脸特征,增强了网络模型的性能,人脸识别准确率得到了一定程度的提高。