在机场、火车站、教室等公共监控系统应用环境下,采集到的人脸图像往往是在不受控条件下,具有多种变化。例如人脸姿态、光照、小部分遮挡等影响,造成的人脸图像信息缺失导致识别性能迅速下降。传统的一些机器学习方法使用的是浅层结构,这种神经网络无法探索到样本内部的复杂函数,例如BP神经网络和支持向量机等,并且极易受到例如光照、复杂背景等外界因素的影响,泛化能力均有明显不足。深度学习通过深层的神经网络结构学习并表征输入数据分布式表示,拟合复杂函数,体现了深度学习对输入数据深层特征的提取能力。因此本课题选用基于深度学习的生成模型方法克服不受控条件下人脸图像部分信息缺失的影响,对缺失数据进行预测补充。本课题主要对深度生成模型(如生成式对抗网络GANs等)的学习原理、训练参数以及人脸生成的效果进行应用研究。通过提取公共场合监控中的静态人脸图像,对截取的人脸图像归一化、打马赛克模拟遮挡情况等预处理,构建训练集。使用TensorFlow深度学习框架,将处理好的训练集分别输入深度卷积生成式对抗网络(DCGAN)、基于上下文编码器的生成式对抗网络和基于Pix2Pix方法的生成式对抗网络进行训练和调参等操作,并针对应用背景进行模型结构的加深优化,保存训练好的模型,将训练结果进行对比分析。在Keras深度学习框架下,通过迁移学习VGGNet对课堂监控下的学生面部表情进行特征提取并分类,通过人脸表情识别正确率的比较来评价实验系统中所使用的方法。实验测试系统使用PyQt进行研究开发,对输入的人脸图像被遮挡区域进行马赛克处理,通过模拟生成,输出完整的人脸图像,最后对修复后的人脸图像进行表情识别,实验结果证明了算法的有效性。