计算机模拟人脸画像在公安工作中发挥着重要作用,通过受害者或证人对面部特征的描述,犯罪分子的相貌可通过人脸部件库中的部件来进行详细的刻画。但目前用于计算机模拟人脸画像的人脸部件库内资源不够丰富,适用范围有限。为快速扩充人脸部件库,提高案件处理效率,论文深入研究了人脸部件的自动提取和分类方法。具体工作与创新如下:在人脸部件提取方面,基于TensorFlow框架上搭建了MTCNN(Multi-task Cascaded Convolutional Networks,多任务级联卷积神经网络)神经网络,并以CelebA数据集为源数据,使用lableme标注工具对10000幅图像中的人脸进行手动标注,生成相应的标签以构建网络训练所需要的数据集,最终实现了95%的人脸检测准确率;利用四层级联神经网络所获取的人脸特征点位置坐标,对不同的部件分别设计了两点提取法与三点提取法,以矩形框的形式对人脸部件进行逐个的提取。在人脸部件分类方面,提出了两种分类方法。一种是基于特征语义的人脸部件分类方法。分析眼睛、眉毛、鼻子、嘴等四种人脸部件,构建相应的数学模型并定义形状参数,然后根据不同参数值范围确定部件的类别,建立语义化的人脸部件库。另一种是基于卷积神经网络的人脸部件分类方法。基于网络爬虫技术,提取微博用户相册,经预处理后构建了由108806张人脸图片组成的数据集,并引入了CAS-PEAL标准人脸数据集,使用人工标注的方式对这两个数据集内的人脸增加部件类别标签,最后对VGG神经网络进行多轮训练与测试,分类准确率达到80%以上。在人脸部件的自动提取和分类软件设计与实现方面,通过分析软件需求,以PyCharm2017为编辑环境,利用PyQt5设计界面,结合PyTorch深度学习框架,设计并实现了人脸部件的自动提取与分类软件,主要包括“人脸检测”、“人脸部件提取”和“人脸部件分类”3个功能模块。