人脸认证作为人脸识别的一个分支,在维护社会稳定及个人安全方面具有重要的意义。目前,人脸认证方法主要有:以支持向量机、k最近邻、决策树等浅层模型为代表的传统的模式识别方法和以卷积神经网络为代表的深度学习方法。传统模式识别方法的识别精度依赖人工提取特征的结果,易受外界条件影响,智能化程度低。深度学习方法以自主学习方式能从复杂的数据中提取人脸的隐性特征,且泛化能力强。为此,本文提出两种基于深度学习的人脸认证算法。具体工作如下:(1)针对现有的基于深度学习人脸认证方法数据标记成本大,在训练样本较少的数据集上模型训练效果不佳的问题,提出了融合LeNet-5和Siamese神经网络的人脸认证算法。首先,将人脸数据匹配为成对样本并送入网络,采用Siamese神经网络框架,构建双分支LeNet-5卷积网络进行人脸特征提取,通过缩小卷积核、增加卷积层、改变激活函数调整模型结构;然后,使用Contrastive Loss函数进行网络优化,使类内差异最小化,类间差异最大化,提升网络对样本的区分能力;最后,通过度量样本特征间相似性判断样本类别。该方法将深度学习和度量学习结合起来,既避免了复杂的人工特征提取,又简化了人脸认证的流程。实验结果表明,该方法在训练样本较少的人脸数据集上的识别精度有明显提高。(2)针对融合LeNet-5和Siamese网络在人脸表情以及光照等发生巨变的人脸数据集上特征表达能力不强、识别准确率不高的问题,提出了基于残差结构的融合LeNet-Residual与Siamese网络的人脸认证算法。首先,在数据匹配之前对图像进行局部纹理特征增强预处理,通过伽马校正、DoG滤波、对比度均衡化等操作去除过度曝光或阴影对图像产生的不良影响;然后,在融合网络的基础上引入A、B两种残差单元,设计双分支LeNet-Residual卷积神经网络提取更丰富的人脸特征,使用Contrastive Loss进行网络优化;最后,度量样本特征间相似性判断样本类别。实验结果表明,该方法在人脸表情、光照等发生较大变化的人脸数据集上特征表达能力更强、认证分类精度更高。