人脸识别作为最具代表性的生物特征识别技术之一,在社会的各个领域扮演着越来越重要的角色,人脸识别性能的提高对于社会的发展以及满足人们的需求等方面都有着较为积极的影响。提取鉴别力更强、泛化能力更好的人脸特征表示以及设计速度更快、准确率更高的分类器是提高人脸识别性能的关键。本文以深度学习为理论基础,针对人脸识别中的人脸特征提取与分类识别两个步骤进行了研究与改进,主要内容包括以下几点:(1)研究了人脸识别中的特征提取方法。通过对几种常用的人脸特征提取方法的比较分析,选取了深度学习中的卷积神经网络作为本文的人脸特征提取方法,该方法不同于传统的基于人造特征的方法。它通过带标签的大量人脸图像数据训练出用于特征提取的卷积神经网络模型,该模型在非限制条件下依然表现良好,提取到的人脸特征也有较强的鉴别力与泛化能力。(2)改进了用于人脸特征提取的卷积神经网络的网络结构。用多个拥有较小卷积核的卷积层代替拥有较大卷积核的卷积层,再用两个拥有非对称卷积核的卷积层代替小的卷积核的卷积层,这样不仅减少了模型的计算量与训练时间,提取到的特征也有更强的表现力。另外,传统的卷积神经网络输出层仅连接特征提取层的最高层,这样输出层只利用了代表全局的、不变的、细节很少的高层抽象特征。本文将更多的特征提取层与输出层相连接,这样就可以充分利用底层以及中间层的局部的低层特征。最后通过实验验证了改进的卷积神经网络的有效性。(3)提出了一种基于联合贝叶斯的人脸验证算法。一般的人脸验证算法只使用简单的距离度量或者学习型度量方法进行人脸特征匹配,本文将两种方法结合起来进行人脸特征匹配。首先选用余弦距离进行粗判定,这样可以减少特征匹配的时间。然后选用联合贝叶斯进行细判定,这样可以保证特征匹配的准确率。最后通过实验验证了该算法的有效性。