人脸识别作为生物识别的一个分支,在安防监控、移动支付等诸多领域被广泛应用。随着深度学习的兴起,基于卷积神经网络(convolutional neural network,CNN)的人脸识别模型层出不穷,但是大致上都分为两个步骤,先对人脸检测定位再进行识别。论文在经典人脸识别网络VGGFACE(visual geometry group-face)和检测网络MTCNN(multi task convolutional neural network)的基础上进行优化,针对以下几方面进行了研究:1)研究了人脸数据集多样性不足的问题。当前主流的人脸识别数据库普遍以西方人为样本,数据库缺乏多样性会导致人脸识别模型对特定肤色和人种的人脸识别准确率过低。针对这一问题,论文从网上获取了3000张中国人的照片,结合对实验室同学采集的人脸图像,进行数据增强,从而实现数据库的补充。2)研究了小人脸间距情况下的人脸检测问题,并针对这一问题提出了BMTCNN模型。MTCNN兼顾了检测的速度与准确率,但是该网络在人脸间距较小的情况下检测效果明显下降,为解决这一问题,对MTCNN中的R-Net和O-Net进行改进,将这两个网络模块的NMS算法优化为better-NMS算法,即通过预测目标候选包围框与真实目标标注的Io U(交并比),并基于此与分类分数的乘积作为检测置信度,避免了对潜在人脸区域的漏检。实验结果表明BMTCNN在人脸小间距的情况下有良好的检测准确率,漏检率相较于MTCNN下降了5.9%。3)研究了降低模型参数同时保证识别准确率的问题,并针对性地提出了DVGGFACE模型。VGGFACE是一个19层的网络却包含91.4?10的参数,大量的参数不利于模型的抗过拟合能力,并且VGGFACE的识别准确率对比当下的模型并不占优。针对上述问题,研究利用全局平均池化代替VGGFACE中的全连接层大幅减少了参数量;利用密集连接技术对VGGFACE进行改进,即对VGGFACE中的卷积模块中的相同卷积层进行密集连接,使得网络中的每一层都能接受它前面的所有层的特征作为输入,从而提高了模型的识别准确率;对DVGGFACE中的部分卷积层优化为深度可分离卷积得到BVGGFACE。实验结果表明优化后的DVGGFACE在提高识别准确率(相较于VGGFACE提高了4.67%)的同时大幅减少了参数(相较于VGGFACE减少了71.61%,参数量降低了一个量级)。论文最终实现了利用更少的参数实现更高的识别准确率,为模型向移动端移植奠定了基础。