人证比对在安防领域起着重要的作用,本文主要针对亚洲人脸识别的相关问题,提出了一种基于端到端的大规模亚洲人脸数据采集方法,完成了百万级别的亚洲人脸数据集快速构建。针对人证比对过程中对眼镜敏感以及网纹图像的影响,分别设计了基于关键点的人脸加眼镜算法与基于生成对抗网络的人脸去网纹算法,同时给出了大规模人脸表征算法的训练方案与测试结果。人脸数据集端到端系统输入为一个亚洲名人种子名单,通过数据链式爬取,名单清洗,人脸检测与对齐,人脸去近与类间去重,聚类分析与迭代训练,最终实现了 9071人,260万张亚洲人脸数据集的快速构建,并结合相对应的人脸表征算法,在构建的测试集上给出了基准测试结果。实验证明,该端到端算法获取的亚洲人连训练集,具有一定的多样性分布,适合于通用人脸识别算法的训练。本文结合一组实际的人证比对场景数据进行算法得设计。为消除实际的人证比对过程中眼镜的影响,提出了一种基于人脸关键点的人脸随机加眼镜的数据增强算法,通过眼镜与人脸的生物学特征关系,进行眼睛模板的标注,同时通过关键点矩阵实现仿射变换,从而达到加眼镜的目的,使训练得到的模型对人脸戴眼镜的比对情况更鲁棒;针对高清网纹图像对人脸特征提取的影响,本文提出了一种基于循环一致性生成对抗网络的去网纹算法,通过对比不同的数据组合方案,确定了先进行成对数据训练,后进行网纹数据整体迁移的算法策略,同时为了确保网纹迁移前后身份一致性,我们在训练过程中加上了身份一致性损失的限制。实验结果表明,通过去网纹算法与加眼镜算法,人证比对准确率有了大幅的提高。最后,本文给出了大规模人脸表征算法的训练方法,通过大量对比实验,给出针对亚洲人脸较为适合的网络结构与算法参数。同时给出了如何在消除长尾效应的前提下,进行大规模实际人证比对场景数据的微调迁移,从而实现由通用人脸识别到实际场景人脸比对的模型迁移。