人脸识别是一种生物特征识别技术,在安防、金融、军事、交通等领域均有大量应用。当前人脸识别技术的主要难点在于非限制场景中光照、姿态、遮挡等因素会严重影响人脸识别系统的稳定性。为了解决这一问题,本文进行了如下研究:1.本文研究了一个针对东亚人群的大规模人脸识别数据集,并制定了针对东亚人群人脸识别的测试标准。目前公开的10万或更高量级的人脸识别数据集都主要针对欧美地区,算法使用场景受限。本文收集了大量东亚人群面部数据并利用本文测试数据集制定了测试标准,用于测试人脸识别算法对东亚人群的识别效果。2.本文研究了通过一个簇心距离约束增大不同个体间特征距离的方法。本文首先分析了人脸特征的空间分布特点。为了使处于相邻特征簇之间的困难样本不被误识,本文通过一个约束项迫使各个簇心在优化过程中互相远离。此外,本文还描述了该约束基于caffe框架的简单实现方法。实验结果验证了该算法可以显著增大异类特征间隔,降低人脸误识概率。3.本文研究了引入多尺度全局注意力的人脸识别网络结构。本文基于特征恒等变换设计了全局空间注意力模块,将该模块嵌入到网络三个不同深度的位置,并将三个位置通过注意力加权后的特征向量进行拼接,作为最终的人脸表征。针对高精度人脸识别网络容易受到噪声样本影响的问题,本文提出了自适应的噪声过滤方法,可以在训练过程中自动过滤噪声。实验结果验证了该方法有助于提升困难样本识别准确率。4.本文研究了通过特征域超分辨映射模块提升低分辨率人脸识别效果的方法。本文参考了知识蒸馏的思想,利用蒸馏损失将高分辨人脸特征的细节信息作为知识传递给低分率人脸训练的网络,训练了一个从低分辨率人脸特征到高分辨人脸特征的映射模块。针对该模块难以训练的问题,本文提出了多阶段的训练方法使该模块可以收敛。通过实验可以证明该算法对于低分辨率人脸识别具有显著提升效果。本文在LFW、YTF和自建测试标准上验证了以上工作的有效性,实验结果显示本文算法在各个标准上都能带来有效提升。