人脸识别作为最常见的计算机视觉任务之一,近年来取得了极大的进展。人脸识别本质上属于多分类问题,但又具有小样本特性(训练集中每个人样本数量有限),所以提取可鉴别的特征对于设计分类网络很重要。由于深度神经网络可以通过学习的方式提取数据的特征,当前主流的人脸识别算法的特征提取方式基本采用深度神经网络。由于卷积神经网络在计算机视觉领域大放异彩,卷积神经网络成为了人脸识别任务的首选网络结构,人脸识别的性能也得到了极大的提高。除了增加训练数据集以外,改进网络和训练方法是学术界一直关注的重要问题,也取得了一些突破。当前的主流人脸识别算法虽然在一些简单清晰的测试集的识别率很高,但针对真实场景的人脸识别算法仍有很大的改进空间。在真实场景下,图像模糊、人脸遮挡、姿态变化等问题都会影响人脸识别算法的准确率。一个能给予不同类别的特征在特征空间中有更好的类间可分性和类内聚合性的损失函数就显得格外重要。本文使用深度残差网络结构(Res Net),将CASIA-Web Face人脸数据集用于网络的训练,在YTF、LFW、CFP-FP和Age DB-30等通用人脸识别测试集上进行测试。主要做出了以下工作:首先,针对真实数据集中不同类别的特征在特征空间之间的距离不均匀,本文提出了提出特征分布自适应margin(余量),使得每一个类有一个对应于其特征分布margin,每个类别的margin可变且可学习。本文发现,在训练过程中,不同类别之间的margin可以充分反映特征空间中不同类别的特征分布(一个类别的特征分布更接近于另一类别,该类别对应的margin在训练的过程中相对较小)因此,本文通过每一个类别的margin动态地调整特征聚类中心的多样性正则化的权重,训练中强制扩大不同类别的特征聚类中心之间的距离,从而使不同类别的特征更加均匀的分布在特征表示空间,提高类间可分性。为了进一步改善类内聚合性,本文提出weight-center(权重中心)方法,将神经网络最后分类层的权重作为每一个类别的特征聚类中心,在训练过程中增加网络提取的特征与权重中心的欧式距离约束,提高每一个类别的类内聚合性。结合特征分布自适应margin多样性正则化和权重中心,使得每个类别的特征不仅保证了类内聚合,而且还保证了类间可分。通过实验验证了该方法的有效性,在多个人脸测试集上得到了当前最优的识别效果。设计并实现了面向真实场景的人脸识别系统,测试了本文提出的人脸识别算法在真实应用场景下的效果。