人脸识别是一种基于人脸特征信息进行身份验证的生物识别技术,它是计算机视觉领域中最引人注目的热门问题之一。在交通监控驾驶员人脸识别或电子支付人脸识别等实际应用场景中,人脸图像都是在户外环境中采集得到,往往具有复杂的光照变化。本文针对复杂光照变化人脸识别问题,从两个角度分别设计解决方案。一方面,从将复杂光照变化转为轻微/中度光照变化的角度设计光照恢复方法,消除复杂光照变化对人脸图像的影响。另一方面,针对光照变化对深度人脸特征的影响,设计特定的损失函数,提高深度人脸特征的辨别性。首先,针对复杂光照变化会人脸图像造成影响的问题,本文提出了一种针对复杂光照变化人脸识别的光照恢复方法(GRIR)。GRIR方法首先对具有复杂光照变化的人脸图像进行对数化,再对其进行奇异值分解,由此得到的奇异值即可描述对应SVD基的光照强度,而SVD基可以表示不同频率的人脸面部特征。然后对该奇异值进行归一化生成参考图像,最后通过梯度下降算法计算得到光照恢复图像。GRIR方法可以在避免人脸固有信息损失的同时,将复杂光照变化转化为轻微/中度光照变化,有效地提升了复杂光照变化人脸识别的精度。其次,针对复杂光照条件下传统深度人脸特征辨别性差的问题,本文提出了一种基于四元组中心损失函数(QCL)的深度人脸识别方法。QCL方法首先将中心损失与四元组损失函数相结合,用深度特征中心替代负样本,然后采用难样本挖掘策略,只在每个批次中选取与锚样本距离最近的负样本中心,最后在每个批次中,基于正负样本对的平均分布提出了一种动态阈值,有效防止了模型的过采样或欠采样问题。QCL方法全面考虑了正负样本对之间的相对距离与绝对距离,提高了人脸类内紧密性和类间分离性,从而加强了深度特征的辨别性。实验表明,深度人脸识别的预测精度得到了大幅提高。最后,针对深度模型训练过程中的复杂光照变化问题,本文提出了针对复杂光照变化的深度人脸识别方法。首先将GRIR与QCL方法结合成GRIR-QCL方法,先用GRIR方法统一训练集与测试集的光照情况,再利用QCL方法训练模型。然后,提出了一种模拟复杂光照变化的图像增强方法(SCLV-IA),生成了复杂光照变化(SCLV)数据集,最后利用该数据集对QCL预训练模型进行微调。GRIR-QCL方法从预处理方法的角度,消除了光照变化对人脸图像的影响;SCLV-IA方法从迁移学习的角度,增强了深度人脸特征对复杂光照变化的辨别性。实验表明,两种方法都提升了复杂光照变化人脸识别率。与传统的光照处理方法和深度学习方法相比,本文所提算法能在Extended Yale B、CMU PIE、LFW、Mega Face、VGGFace2 test和YTF数据集上获得更好的识别效果。