张子昊，王蓉，*

（1.中国人民公安大学 警务信息工程与网络安全学院，北京 100038；2.安全防范技术与风险评估公安部重点实验室，北京 100038）

人脸特征具有易获取、易捕捉、易处理以及非接触式等特性，已经受到学者们的广泛关注，并在公共安全等领域应用日趋广泛。但是，在实际的应用场景下，人脸识别精度依然受到不同的姿态、光照、遮挡等因素的影响。因此，如何提取更具鲁棒性的特征来有效地辨识人脸便成为解决问题的关键。传统的人脸识别方法主要有主成分分析法（PCA）［1］以及局部二值模式（LBP）［2］。主成分分析法就是将高维人脸信息通过正交变化投影到低维子空间中，形成特征脸，然后通过分类器对低维的特征脸进行分类；局部二值法是将检测窗口划分为许多小区域，对每一个像素将其与周围相邻像素比较，并重新赋值，通过计算每个区域的直方图，并使用机器学习的方法对其进行分类。近年来，随着深度学习应用的日趋广泛，使用深度学习的方法来进行人脸识别成为计算机视觉领域的热门方向。

与传统方法相比，深度学习的方法通过海量的数据来训练模型，使模型提取到的人脸特征更具有泛化性。最具代表性的是香港中文大学汤晓鸥团队提出的Deep ID［3］系列。该团队中的Sun等提出Deep ID1［4］通过使用单一的卷积网络来进行特征提取并进行分类识别，之后，又在文献［4］的基础上提出了Deep ID2［5］模型，通过将人脸认证信号和人脸验证信号引入网络，以达到增大类间距缩小类内距的要求。……