苏俊峰，刘振宇

（沈阳工业大学信息科学与工程学院，沈阳110870）

1 引言

近年来随着模式识别与计算机视觉技术的快速发展，人脸识别成为身份识别领域非常热门的研究内容。人脸在不同个体之间存在差异而个体自身长时间不会有明显改变，基于这一特性，人脸识别相比于其他的生物特征识别方法更具有直观性，应用场景更为丰富。在公安系统、证件审查和金融等领域都有良好的应用效果[1]。

人脸识别的方法分为基于几何特征的方法、基于子空间的方法、基于局部特征的方法、基于稀疏表示的方法以及基于深度学习的方法等[2]。其中，基于几何特征的人脸识别方法在遇到表情与姿态变化较大的情况时，识别率偏低；基于子空间的方法由于缺乏投影矩阵，实用较为困难；基于局部特征的方法特征计算过程复杂，应用受到限制；基于稀疏表示的方法在对原始信号分解过程中丢失很多原始的信息，影响了识别效果。这几类传统方法各有局限，人脸识别准确不佳，相比之下，基于深度学习的方法为人脸识别领域提供了全新的研究方向。

基于深度学习的方法不用特意去设计出人脸特征，而是可以利用深度卷积神经网络自动地从海量人脸图片数据中学习到人脸特征。2015年，何恺明等人[3]提出了ResNet残差网络结构，其包含的残差单元有效解决了随着网络深度的增加，准确率饱和后出现退化的问题，在ILSVRC-2015分类任务以及ImageNet detection等任务中均获得第一名。……