随着互联网的迅速发展和人脸识别算法的不断优化,人脸识别技术在生物识别领域越来越受青睐。在视频检测中,由于人脸姿态的不断变化,以及图像背景干扰和光照不均匀的影响,使得人脸检测识别难度大大提升。基于传统图像识别方法实现的人脸识别,效果往往不太理想。人工智能的兴盛,深度学习的崛起,给图像识别带来新的契机,也将人脸识别推向新的浪潮。本文基于深度学习方法和图像处理技术,实现了针对视频中的敏感人脸图像的检测与识别。首先从视频序列中提取出视频关键帧,然后进行人脸的检测与识别。在视频关键帧提取阶段,本文基于对特定人脸图像的检测识别,选择图像的颜色特征来表示图像,通过比较图像灰度直方图的相似性来进行关键帧的提取;本文采用二分法思想对视频图像帧进行相似性比较,完成关键帧的提取,提高了算法效率,并且降低时间复杂度。在人脸检测阶段,首先对提取到的关键帧图像进行降噪、滤波和图像增强等预处理。由于传统的基于Haar-like灰度特征训练的Adaboost人脸检测分类器,其复杂背景和光照不均匀影响了检测效果。本文使用YCbCr颜色空间构建肤色高斯模型,将背景区域过滤,获得候选肤色区域;同时建立了肤色亮度模型,降低光照不均匀的影响,然后采用训练好的Adaboost人脸检测分类器对候选肤色区域进行人脸检测。通过大量实验对比发现,本文采用的人脸检测算法正检率更高。在人脸识别阶段,本文借鉴经典的网络模型,基于TensorFlow深度学习框架,设计了适用于本课题特定人脸识别的卷积神经网络结构模型。本文设计的卷积神经网络结构共有7层,不同于传统卷积神经网络,卷积层和池化层并不是交替出现,而是连续进行卷积操作,这样使得模型能够学习到更高维的特征,从而提高识别率。并且在卷积池化操作之后加入了局部响应归一层,该层在深度学习的训练过程中,可以有效提高准确度。使用该模型在本文收集的数据集上进行测试,识别率达到了89%,有效地完成了本课题在视频中检测识别敏感人脸图像的目标。