随着网约车市场规模的不断扩大,其用户数量逐年增长,网约车已成为了许多居民出行的首选交通方式,与此同时网约车出行的安全问题也成为了人们关注的社会焦点。近年来,自动人脸识别技术由于其自身的技术优势及其广阔的应用前景,开始从科研的“象牙塔”走入人们的日常生活,在公共安全等领域里扮演起至关重要的角色。然而当下较为成熟的自动人脸识别技术大多还只在受控环境下有较高的识别精度,在生活复杂多变的应用场景中,人脸识别的准确度会大幅下降,如受到姿态变化、光照变化、夸张表情或面部遮挡等的因素限制时,均无法得到较好的识别效果。本文旨在研究车载场景中的人脸识别问题,主要针对车内人脸姿态变化及光照变化展开分析研究,贴合场景建立整合了共有2000张训练样本的亚洲人脸数据集。本文采用了方向梯度直方图与梯度提升回归树相结合的方法用于进行人脸检测与特征点定位;再结合FaceNet网络进行特征点间位置关系的特征提取,最后利用线性SVM进行特征匹配,搭建了一个适用于车载场景下的人脸识别模型。首先利用方向梯度直方图将输入图像归一化,计算每个细胞像素的梯度方向并将其连接成块特征向量,作为特征描述因子得到梯度直方图特征向量来定位图像中的人脸位置;将检索到的人脸输入梯度回归模型得到68个人脸特征点,并利用梯度回归及仿射变换的方法实现不同姿态下的人脸特征点对齐;接着利用FaceNet中的卷积神经网络得到特征点的128个特征维并使用三重损失函数对其进行特征训练,使其提取的特征逐渐接近目标人脸。经实验可证该方法在场景设定的人脸数据集中可达到较好的识别效果;同时数据集的构建和方法的选择使模型在人脸识别技术的实际场景应用中获得了更加积极的意义。