基于深度学习的人脸识别方法研究主要围绕人脸数据集、深度神经网络和损失函数等角度展开,通过人脸图像质量评估挑选出高质量图像,有助于提升识别系统的效率和性能。经过学者们多年来的潜心研究,人脸识别技术得到了飞速发展。本文在总结和借鉴前人研究成果的基础上,针对人脸数据集、损失函数、人脸图像质量评估三个方面的不足进行了一定的改进和创新,具体的工作内容如下:1.针对人脸数据集构建过程繁琐及种族不平衡的问题,本文提出了一种构建大型亚洲人脸数据集的半自动方法。传统人脸集构建过程严重依赖专家经验,通过手工对人脸图像进行标记分类,效率低下且容易出错。大部分开源数据集以欧美人脸为主,导致了深度模型于亚洲人的识别性能欠佳。本文通过网络爬虫、初步清理、深度清理、数据精炼四个步骤,建立了一个约含13k个人物2.2M张图像的亚洲人脸数据集Asian-Faces。我们先使用深层网络提取人脸特征,再利用设定的方法进行噪声清理和图像标记,通过实验证明将Asian-Faces作为训练集,能有效提升深度模型于亚洲人的表现。2.为了减轻人脸集中噪声样本对模型性能的影响,本文提出了自适应加性角度间隔损失函数Adaptive Arc Face。边角损失函数通过加入间隔惩罚,迫使特征空间实现类内紧凑、类间分离,相比softmax loss更适用于人脸识别任务。但人脸图像的真值标签并非完全准确,所有样本均采用相同的间隔惩罚较不合理。我们先根据预训练模型对每个样本的分类置信度来设定其间隔惩罚,再将Adaptive Arc Face作为损失函数监督模型训练,这样做使得特征空间更加合理,通过实验我们证明了Adaptive Arc Face的有效性。3.传统人脸图像质量评估方法复杂度高且主观性强,携带质量标签的人脸集难以获取,质量评估模型缺乏训练数据。据此本文先提出一种客观的质量标签定义方法,然后用核函数对Asian-Faces进行模糊处理,得到亚洲视频数据集Asian-Video。经Asian-Video预训练的模型可为其每个样本设定质量标签,再通过合理的选样方法我们得到了携带质量标签的亚洲质量数据集Asian-Quality。最后,通过借鉴Mobile Net的网络结构,我们设计了能够预测人脸图像质量分数的评估模型。实验证明了所设计模型可以高效准确地评估图像质量,选用高质量图像能够提升深度模型的人脸识别准确度。