人脸的识别技术历史悠久,目前也逐渐趋于成熟,并已广泛的在各领域上进行应用的推广。由于人脸识别技术的发展,人脸相似度判定和面部图像检测技术也得到许多领域的关注,例如刑侦勘察、犯罪目标匹配、失踪人口定位和一些安防技术等。人体的面部图像是生物特征的数值显示,我们可以通过数学函数的概念来获取图像的生物特征,并通过该函数来实现对图像特征的计算以达到识别、检测、分割等效果,然而面部图像的数学特征又受拍摄角度、年龄、光线、背景等一系列因素的干扰。在面部图像的相似度判定上,传统的算法主要以拓扑学的理论知识为基础来获取人脸轮廓的几何结构数据,再通过分析人脸面部器官的几何数据的拓扑信息得出图像对之间的相似度值;在面部图像检测上,传统的目标检测算法多数是基于Haar进行特征提取,再结合Adaboost来实现分类效果。但在人脸相似度判定方面上,因背景过于复杂、面部多角度、面部年龄跨度大等因素的干扰,使得这些传统算法的准确率会出现严重下降的现象。同样在面部图像检测上,传统算法的局限性也会受图像背景复杂度、拍摄角度等实际问题的影响而导致检测速度慢、准确率低、检测效率低等问题。在计算机视觉领域上,目前最为流行的图像处理算法是卷积神经网络。卷积神经网络在面部图像的相似度判定上,也给出经典的算法孪生网络模型;在面部图像检测上给出一些经典的算法。和传统算法相比,这些基于卷积神经网络新提出的算法虽然有很大的突破效果,但因为受卷积神经网络中模型的客观因素干扰,也使得这些新算法存在许多的局限性问题。本文在卷积神经网络基础上,做出如下的改进工作:(1)双线型轻量化孪生网络的研究。我们主要是在孪生网络的基本结构上提出论点:将传统的图像处理算法与简易的卷积神经网络相结合以实现孪生网络的轻量化效果。本文的图像处理算法主要目的是增强对图像的边缘特征提取。先对Canny、LBP、HOG、Robinson等算子进行实验,实验得出Robinson算子具有较高的优越性,同时在Robinson上做一些参数改进得到NR算子。NR算子在与现有文献里的边缘特征提取效果对比上,可以直观得出NR算子在边缘特征提取方面上的优势。本文将NR算子与简易的卷积神经网络相结合设计轻量化的孪生网络SiaR Net模型。经实验论证了SiaR Net模型具有优势。(2)三线型轻量化孪生网络的研究。SiaR Net的优越性单方面的论证了“将传统的图像处理算法与简易的卷积神经网络相结合以实现孪生网络的轻量化效果”存在一定的优越性。本文就该论点应用到三线型孪生网络中。同时就三线型孪生网络的网络结构,提出了图像相对离散函数,最终设计了轻量化的三线型孪生网络NTn模型。图像相对离散函数主要是利用三线型孪生网络的结构基础,替代以往欧氏距离函数在孪生网络中的地位。本文从CACD2000和VGG_FACE2两个数据集上对NTn模型和Squeeze Network做了全面的对比实验,在模型准确率上和Squeeze Network相比,NTn模型得到11%的提升;在模型大小上和Squeeze Network相比,NTn模型得到16.4MB的缩减。(3)孪生网络在目标检测网络上的高效性研究。针对在司法侦察、犯罪目标检测、失踪人口检测等特殊环境下传统的目标检测会出现效率低的情况,本文提出高效目标检测算法,MT-Siam,目的就是能够快速且准确的获取目标人物在图像中的具体位置。面对经典的目标检测网络YOLO、MTCNN、SSD,本文先通过分析这些检测网络在检测过程中待定候选框生成的方式和面部特征的提取以及具体的处理方式,然后在FDDB的数据集上进行对比检测的效果。从检测效果上得出MTCNN以86.7%的准确率优于YOLO和SSD、以2.1MB的模型大小优于SSD和YOLO。从准确率和模型大小上综合考虑,MTCNN模型结构更适合高效目标检测的基本检测骨架。为了结合MTCNN模型而实现高效的检测模型MT-Siam,本文在CACD2000和VGG_FACE2数据集上训练双线型轻量化的孪生网络Siam,提高相似度判定上的泛化能力,然后将训练好的Siam模型当作相似度判定因子的方式和MTCNN相结合设计MT-Siam模型,通过实验验证MT-Siam在高效性上优越于MTCNN。和MTCNN相比,MT-Siam的模型得到15%缩减,同时检测速度提升了84%的效果,并对上面的论点得到可使用性的论证。