单目人脸重建和人脸识别任务均是近几年计算机视觉领域火热的课题,本文将两个任务进行结合,希望解决人脸重建的可识别性的问题。本文首先对经典的基于单张人脸图像的人脸重建算法进行了研究与实现,并在此基础上结合人脸识别算法,提高了人脸网格的可识别性,并且以重建得到的网格参数为人脸的特征向量,直接应用于人脸识别的数据集上可达到较高的精度。首先在经典的基于单张图像的人脸重建算法研究中,本文采用3DMM(3D Morphable Model,三维可变形的人脸模型)作为人脸的基本几何表示模型,选取了开源的增广300W-3D数据集作为训练集,并使用SphereFace卷积神经网络进行训练,对输入的人脸图像回归得到3DMM系数与相机参数,最后基于这些参数进行重建,并可视化重建的网格。本算法在不同姿态与表情的情况下具有稳定性。在基本的单张图像人脸重建算法的基础上,本文结合了人脸识别的算法,对3DMM的形状系数进行特征空间上的聚类,使得3DMM系数具有较高的可识别性。为了实现该需求,本文选取了多个不同数据集,并手动生成了部分数据集的标签来满足有监督的神经网络训练的要求。由于人脸识别与重建问题的收敛方向不一致,训练过程中网络难以收敛,因此本文针对性的设计了CNN网络结构,并拆分训练步骤为多个阶段,每个阶段会针对性的锁定前几个步骤已经预训练完成的模块,并预训练网络中的另一个模块,最后开放网络中的所有模块同时进行训练。并且本文设计的损失函数结合了人脸重建与识别的任务,并解决不同训练图片具有不同标签的问题,使得整个网络最终能够收敛,且达到较高的精度。本文设计的人脸重建与人脸识别的联合学习算法在AFLW2000-3D数据集上与业界领先算法相比,达到了与之相近的精度,在MICC人脸重建数据集上达到了1.85mm的RMSE成绩,在人脸识别数据库CFP-FP,AgeDB,LFW和YTF上分别达到了95.10%,90.30%,99.32%,96.66%的准确度,验证了本文算法的有效性。