深度学习的蓬勃兴起引起了人工智能领域的研究热潮,人脸识别技术作为人工智能领域的重要分支,在近年来有了不断的进步,并被广泛应用于商业活动和人们的生活当中。伴随着人工智能领域的进步,人脸识别的精度和准确率有了明显的提高。然而,在现实的场景中由于非受控因素影响导致人脸发生遮挡,从而致使人脸目标的特征缺失,最终导致人脸识别算法系统准确率急剧下降。基于人脸遮挡的问题,科研人员提出了各种算法来解决现实场景中存在的遮挡问题,但是这些算法并未从根本上解决特征缺失的问题。因此,在自然条件下基于遮挡人脸的身份识别在人脸识别领域依然是热门的话题。本文着眼于人脸的遮挡问题,在文中提出了一种基于改进的生成式对抗网络(GAN)来修复缺失的人脸,通过对人脸的缺失特征进行修复和重建从而在根本上解决在自然条件下遮挡物对人脸识别系统的干扰,再将修复后的人脸图像通过深度学习卷积神经网络进行准确率的识别,最后通过实验的对比从而证明所提出的算法对于在自然条件下存在的遮挡人脸识别准确率较高。本文的主要研究工作如下:(1)基于传统检测算法和深度学习算法的人脸检测技术的研究。基于传统的人脸检测算法,主要介绍了Adaboost集成算法,Adaboost集成算法在深度学习未兴起时是主要的检测算法。基于深度学习的人脸检测算法,本文主要通过MTCNN人脸检测算法进行了深入研究,MTCNN人脸检测算法是基于深度学习人脸检测算法中常用算法,可以同时实现人脸检测和关键点定位,之后根据关键点位置结合人脸五官的分布特性定位出目标人脸的关键区域。通过对人脸检测相关技术的研究为后续人脸识别以及实现人脸去遮挡的算法提供了充足的理论依据。(2)基于CNN网络的人脸识别研究。本文首先介绍了卷积网络(CNN)的基本原理和结构,在此基础上对CNN网络进行了详细的解释,并采用经典的卷积网络框架VGGNet进行了人脸识别的相关实验,在此基础上本文提出了一种基于改进的VGGNet网络来实现人脸识别,通过实验对比的方式在相关人脸识别数据集上验证了本文算法与VGG网络的人脸识别算法优劣,实验结果表明基于改进的VGGNet网络在人脸识别准确率上效果更优。(3)针对自然条件下存在的遮挡对人脸识别网络精度产生的不良影响,本文的思想基于对人脸遮挡区域进行细节修复还原被遮挡后的人脸真实图像,然后将还原后的人脸图像送入到识别网络中判断从而达到在人脸识别算法中提高识别精度的想法。基于此想法,本文主要通过研究基于生成式对抗网络(GAN)的人脸生成的相关算法,提出了一种基于W-GAN网络的局部遮挡人脸修复算法来修复人脸被遮挡的部分。基于对人脸图像细节修复的目的,本文在该人脸修复算法上引入新的损失函数,最后结合改进后的人脸修复算法和基于改进的VGGNet网络人脸识别算法设计了一种在自然条件下的人脸识别算法,在人脸识别相关数据集上本文分别进行两组仿真实验,实验表明该算法对于人脸遮挡具有良好的识别准确率。本文对以上提出的算法进行了相关实验,实验结果表明,相较于近几年业界主流的基于CNN的人脸识别算法,本文所提出的算法对于人脸识别有更高的鲁棒性表现,尤其对遮挡条件下的识别效果优势明显。