人脸验证融合了计算机视觉、机器学习与生物特征识别等领域的研究成果,在公共安全、金融、军事等领域得到了广泛的应用。近年来,随着人工智能概念的迅速普及及相关技术产业化,基于第二代居民身份证图像的人脸验证技术被应用于银行、火车站、机场等场景中以实现无人化智能化服务。一个完整的基于证件图像的人脸验证系统包括人脸检测与关键点定位、图像预处理、人脸验证三个核心模块,整套人脸验证流程需要对身份证表面印刷图像、读卡器读取的芯片图像以及摄像头采集的持证人实时图像进行循环人脸比对。然而,证件人像与实时人像之间存在因不可预知的时间跨度、配饰遮挡、光照差异等导致的巨大差异。读取的芯片图像因存储空间限制被压缩为1KB大小,属于超低分辨图像难以直接对其进行图像分析。以上特点导致了目前基于二代身份证的人脸验证系统验证正确率较低、误识率较高、鲁棒性差等问题。本文针对基于二代身份证图像的人脸验证关键技术进行研究,首先通过复现身份证芯片图像的压缩算法并采用基于残差学习的图像超分辨算法,针对性地对芯片图像进行超分辨重建预处理。其次,本文针对证件图像与实时图像间不可预知的时间间隔而导致的跨年龄人脸验证问题,提出了基于多尺度双线性卷积神经网络的人脸验证算法。算法采用深度卷积神经网络端到端地学习对年龄变化鲁棒性强的人脸特征,同时引入双线性模型对网络多个尺度下的输出特征进行二阶池化以进一步加强特征的判别性。网络最后采用center-loss作为人脸验证的监督信号,加强同类样本特征间的距离约束。实验证明,多尺度双线性卷积神经网络结合超分辨预处理在自行搜集的二代身份证图像数据库中,在0.1%的误识率下,芯片图像与摄像头图像、表面印刷图像与摄像头图像以及芯片图像与印刷图像的人脸验证准确率分别达到了70.68%、65.50%、96.97%,超过了开源人脸识别引擎 SeetaFace。