人脸验证是信息安全领域的一项重要技术,已在机场护照验证、公司考勤、手机支付等系统中得到广泛应用。为了防止系统中的人脸图像被盗用,保密级别较高的应用系统会对存储的人脸图像进行水印加密处理。但是水印的加入会导致人脸图像验证的准确率急剧下降,因此如何解决水印人脸图像修复问题,提高人脸验证的准确率成为目前亟待研究的问题。现有的图像修复算法主要分为两大类:基于传统方法的图像修复算法和基于深度学习的图像修复算法。前者假设输入图像的修复区域(水印)位置已知,需要人工标记,无法满足自动化在线处理的需求。后者只需要知道深度学习训练样本图像的修复区域(水印)位置,而不再假设输入图像的修复区域(水印)位置已知,避免了人工干预。但是在实际应用中,人脸验证系统中的水印人脸是压缩后的低质量图像,相应地深度学习训练样本也必须是压缩后的低质量图像,然而质量损失会导致人脸图像中的水印位置发生变化,而错误的水印位置先验反而会使网络训练出现较大误差,进而导致基于深度学习的人脸图像修复结果出现水印修复不干净等问题。针对上述问题,本文将人脸图像中的水印看作是一种位置未知的特殊噪声,将水印人脸图像修复转化为噪声位置未知的图像去噪问题,对于输入图像和样本图像均不需要知道水印位置,从而避免了水印位置错误导致图像修复不好的问题。基于这一思路,本文提出了一种基于联合残差网络的低质量水印人脸修复算法,该算法从全局修复网络、局部修复网络和判别约束网络三个层面来综合解决水印修复问题。首先,在全局修复层面,本文受残差学习思想的启发,提出采用一种基于残差学习的全局修复网络,来解决图像中水印修复不干净和细节不清晰的问题;其次,在局部修复层面,本文充分利用人脸视觉感知和人脸固有结构的特性,提出了一种基于五官约束的局部修复网络,来解决全局修复网络中人脸五官区域细节处理不清晰的问题;最后,在判别约束层面,本文充分考虑图像高维特征对人脸验证性能的作用,提出增加一个判别约束网络以进一步提高人脸验证性能。实验表明,本文提出的基于联合残差网络的低质量水印人脸修复算法与基于上下文编码的图像修复算法相比,修复后的人脸图像客观质量PSNR平均提升了4.16dB,SSIM平均提升了 0.08,在FPR(假正率)为10%的条件下,人脸验证指标TPR(真正率)提升了 16.96%,这对于水印人脸验证的实际应用具有重要意义。