人脸识别是一项多学科交叉融合的生物识别技术,是模式识别和计算机视觉领域的研究热点。当前的人脸识别技术在正面视图上已经取得了很好的实验效果,但是实际生活中的,受到环境影响,采集到的人脸图像姿态通常会发生变化。人脸姿态的变化是人脸识别率下降的重要原因,是人脸识别领域的一个技术瓶颈。本文的核心思想就是通过人脸姿态重建技术消除姿态变化对人脸识别的影响。但是由于自身遮挡,缺少大部分的人脸特征,重建人脸姿态存在很大困难。本文围绕人脸姿态重建问题,归纳总结了当前主流的研究方法,将人脸姿态重建分为两个方面:人脸正面化和多姿态人脸生成,并对此进行了研究和改进。本文研究的主要内容和创新点如下:(1)建立人脸数据库,进行人脸预处理。使用多任务级联卷积神经网络进行人脸检测和人脸对齐,根据人脸特征点的坐标位置进行仿射变换,将倾斜的人脸摆正,进行人脸图片几何归一化,减少图像中复杂背景对人脸重建实验的影响。(2)人脸正面化。受到生成对抗网络在人脸肤色,头发等属性变换等方面研究工作的启发,本文将人脸偏转角度作为一种全局几何属性进行基于生成对抗机制的互换训练,提出了一种基于条件循环生成对抗网络(Conditional Cycle Generative Adversarial Networks,CC-GAN)的人脸正面化方法。本文通过循环重建的方法保持人脸身份特征,利用姿态损失控制不同姿态人脸向正面视图旋转,通过特征损失控制图像的细节。在FERET数据集上的实验证明,本文提出的方法能够生成细节清晰的人脸正面图像,并能有效提高人脸识别精度。(3)多姿态人脸生成。考虑到基于普通编解码结构的多姿态人脸网络模型更多地关注人脸生成过程中的姿态问题,解码器为了生成目标姿态的人脸图片,会丢掉一部分细节特征。本文提出了多任务细节补偿生成对抗网络模型(Multitask Detail Compensated Generative Adversarial Networks,MDC-GAN),在网络中引入一个辅助网络提取目标姿态人脸特征,深度融合输入图像的特征,弥补生成过程中细节的缺失。利用多任务学习机制,将多姿态人脸生成拆分成特征提取、人脸合成和人脸重建三个任务阶段,三个网络进行同步训练,通过参数共享提升模型性能。在FERET数据集子库上的实验证明本文提出的网络模型能够生成细节纹理清晰的多姿态人脸图像,提升人脸识别性能。综上所述,本文提出利用人脸正面化和多姿态人脸生成的方法消除姿态变化对人脸识别的影响,通过实验验证提出的方法,从可视化和客观指标两个方面对实验结果进行分析,实验结果表明该方法对于提升人脸识别精度具有较好的效果。