人脸识别技术作为生物识别的重要研究方向,受到了越来越多的关注,并随着深度学习的出现和发展,人脸识别技术取得了极大的进步。本文以基于深度学习的人脸识别算法为研究课题,重点研究了人脸识别中的深度网络、损失函数以及人脸数据等问题,主要研究内容分为三部分。1.研究分析经典和最新的深度网络,针对人脸识别任务,兼顾实时性,训练难度和识别性能等几个方面,通过对比实验改进其网络结构用于人脸识别任务。同时通过实验对比分析现有特征提取层对识别性能的影响,选择了一种合理特征提取层,用于人脸识别网络。2.研究分析用于人脸识别任务训练的各种损失函数的优缺点,针对现有损失函数训练困难、操作复杂等缺点,改进并提出一种性能更好地监督信号,并引入特征归一化和权重归一化用于人脸识别损失函数,从而简化了训练过程和提高识别率。3.研究分析数据增强对人脸识别模型性能的影响,通过基于图像变换的数据增强、基于人脸3D模型的数据增强和基于GAN人脸属性生成的数据增强三种数据增强方法训练人脸识别网络,提高人脸识别性能。另外对比分析了现有公开数据库,收集并建立了基于中国人的人脸数据库,用于人脸模型训练,提高人脸识别泛化能力。4.为了验证算法的有效性,设计并构建了分层的人脸识别系统,整合了人脸识别任务中的人脸检测、特征点检测和人脸特征比对等其他关键模块,并用于实际环境中测试,验证了算法的有效性。