随着生活水平的提高,人们越发重视自身的外表,很多人会使用化妆的方式来改善自己的外表。但是,现有人脸识别和人脸验证算法多是基于面部特征信息,由于化妆的原因,面部特征信息会被改变,最终会导致特征提取网络提取不到有效特征,使得识别和验证的正确率大大降低。现有的人脸识别与验证的方法,一般通过增大训练集的样本数量,或者增加模型的网络层数来使模型具有更好的鲁棒性。但是,增大训练集样本数量会导致模型的训练时间变长,训练效率降低;而增加网络层数会使得模型参数量变大,训练速度变慢,除此之外,相关研究表明,在网络层数持续增加后,模型会出现退化,效果不升反降。本文将对抗学习分别引入到需要识别的人脸图像空间和人脸识别网络的中间特征空间,提出了两种基于对抗学习的带妆人脸验证的方法,具体内容如下。(1)提出了一种基于妆容定向生成的带妆人脸验证的方法。首先训练一个神经网络用于评估每张人脸图像的妆容特征;其次,使用该网络用于约束一个残差生成对抗网络的生成过程,使得该网络能够实现妆容的定向生成。将一张不带妆人脸转换为对应的带有特征妆容的人脸,以消除化妆带来的人脸图像的信息差。之后,用来训练一个残差网络,以实现人脸验证的目标。在MYP数据集上进行的生成实验证明,本文中提出的方法可以实现妆容的定向生成,且生成出的图像效果较好;同样在该数据集上进行人脸验证实验中,该方法在误检率不超过0.01的情况下正确接受率为0.3628;在模拟实际情况的实验中,准确率达到了 84.24%,为现有的所有方法中最高,说明该方法可以较好地改善现有的人脸验证模型,对于妆容的鲁棒性变高。(2)提出了一种基于中间层对抗的带妆人脸验证的方法。训练两个残差网络,分别用于提取带妆人脸特征和不带妆人脸特征。在两个网络最终提取到的特征空间中,采用三元组损失对网络进行约束,使得它们可以提取到对应的人脸特征。除此之外,在网络的中间层提取到的特征空间的基础上,引入一个判别器,利用对抗学习的方式使得两个残差网络可以提取到与妆容无关的特征。在MYP数据集上进行的实验中,该方法的在误检率不超过0.01的情况下正确接受率为0.4266。同时在MIFP数据集上进行的实验中,该方法在误检率不超过0.001的情况下正确接受率为0.2563;在模拟实际情况的实验中,准确率达到了 75.64%。两项指标均为现有方法最高。表明该方法相较于其他方法,不易被攻击。