Devido ao baixo desempenho dos métodos tradicionais de reconhecimento facial, às dificuldades dos métodos baseados em aprendizado profundo sob condições não restritas, à fraca distinção das características faciais e à suscetibilidade da precisão do reconhecimento a fatores como postura e expressão, foi proposta uma estrutura de rede neural siamesa que incorpora um módulo de atenção por blocos convolucionais. Essa estrutura é uma melhoria da arquitetura básica da rede neural siamesa (Siamese neural network), introduzindo o modelo VGG11_BN aprimorado para extração de características. O modelo baseia-se na estrutura VGG11 com a técnica de normalização em lote (Batch Normalization, BN) e propõe uma rede de extração de características com um mecanismo de atenção híbrido CBAM; por fim, devido à escassez de dados de treinamento para rostos asiáticos, foi utilizado o conjunto de dados CASIA-FaceV5, mais compatível com as características faciais asiáticas, para o treinamento. Os resultados experimentais mostram que a precisão do algoritmo no reconhecimento facial atingiu 96,67% e que na base de dados CAS-PEAL-R1 a precisão superou em 6,05% e 6,7% os algoritmos SRGES e VGG11+siamese, respectivamente. O algoritmo pode realizar uma melhor verificação de reconhecimento facial sob múltiplos fatores e possui boa estabilidade.

reconhecimento facial; rede neural siamese; aprendizado profundo; mecanismo de atenção; estabilidade