胡 强，张太红，赵昀杰，迪力夏提·多力昆

(新疆农业大学 计算机与信息工程学院，新疆 乌鲁木齐 830000)

0 引 言

近年来，由于机器学习的快速发展，同时伴随着人脸验证精度的提高，基于该项技术而衍生的产品在大众生活中呈现“井喷”之势，如日常生活中应用较广泛的手机人脸解锁、小区门禁、支付宝刷脸支付等。人脸的验证相对于声音、指纹、掌纹、虹膜等生物特征，具有以下优势：数据采集简单；普遍的可接受性；应用的便捷性；较好的安全性。并且人脸特征具有自然性、方便性和非接触性等优点，使其在人机交互、身份信息验证、地方安全监控等方面具有巨大的应用前景。现阶段大量Web应用中的证件人脸验证模块，主要通过简单的人脸检测和人脸识别来完成，忽视了证件的质量与相关性，如要求用户上传居民身份证及本人照片完成人脸实名认证，但部分用户并未按要求上传证件，其通过上传驾驶证、社保卡等其他证件来变相完成人脸验证。而融入基于目标检测的证件判别方法可有效解决该问题。

人脸验证最关键的两个步骤是人脸检测和人脸识别，随着深度学习在计算机视觉领域的快速发展，越来越多基于卷积神经网络的人脸验证方法被相继提出。其中效果显著的人脸检测算法有Joint Cascade[1]，Cascade CNN[2]，MTCNN[3]。主流的人脸识别算法有：DeepID[4-5]系列、FaceNet[6]；DeepID利用卷积神经网络提取人脸特征，在LFW人脸数据集上识别率可以达到97.45%，但受限于训练样本数量；在DeepID的基础上引入了验证信号的DeepID2表现更好，识别率达到了99.15%；……