人脸识别是目前深度学习实现落地比较成功的一个方向,在计算机视觉中,人脸识别一直是一个比较热门的研究方向。人脸识别如今应用的领域非常广泛,比如在支付,考勤,司法,工厂,教育等多个领域都有所使用。所谓人脸识别就是在视频或者图像中找出需要识别的人脸,人脸识别任务分为两个阶段,第一阶段是检测,第二阶段是识别,首先需要在视频或图像中检测存在的人脸,然后再与特征库中的人脸比对识别出目标人脸。目前,人脸识别领域已经受到了国内外学者的广泛关注。现今比较成熟的人脸识别模型包括FaceNet,OpenFace,Face_Recognition等。然而,由于这些模型训练过程考虑的人物种类相对固定,人脸识别模型训练时本身会添加限制,不容易泛化。因此对于如何将这些经典的人脸识别模型应用于其他环境下,尤其是在缺乏训练数据情况下或者是缺乏数据标定情况下,将这些经典模型做成不同环境不同人种的人脸识别系统仍然存在很大的挑战。本文将采用迁移学习,通过添加适配层的方法,将源数据集和目标数据集一起训练经典网络模型,通过缩小源数据集和目标数据集的分布差异,达到提高经典人脸识别网络在目标数据集上的精度效果。本论文的主要工作如下:⑴首先,依据现有适配层的研究理论和目前经典的人脸识别网络的网络结构,并分析上述二者结合的可行性和实用性,本文提出了双通道适配层人脸识别网络结构。⑵接着,重点研究了现有的人脸识别任务中经典的FaceNet网络模型,重点分析了基于适配层搭建的DDC(Deep Domain Confusion)网络结构,在理论上分析出基于FaceNet的网络模型改进为双通道训练模型的方法。⑶最后,通过DDC网络获取到适配层网络的训练策略,结合FaceNet网络模型实现了基于适配层人脸识别网络模型的搭建,通过重新训练人脸识别预训练模型,缩小源数据集和目标数据集的分布差异,从而达到提高目标数据集在人脸识别网络上精度的目的。论文对网络在适配层参数和损失函数的选择上进行了深入分析,本文提出的算法同经典的人脸识别算法相比,实验结果证明基于适配层的人脸识别算法效果更佳。