科技的飞速发展迎来了人工智能发展的浪潮。人们为了将人工智能应用到生活中的各个角落,对人工智能提出的要求也越来越严格,其中人脸识别技术就正遭受着这样的挑战。现有的人脸识别技术在理想的受控条件下识别具有光照均匀、人脸姿态较正、无大幅度表情等特征的人脸图片的性能表现较好,但非配合条件下受采集设备不理想和采集环境复杂等因素影响,人脸识别的准确率会被严重拉低,为了提高人脸识别的稳定性且将算法实现在嵌入式开发板上,论文主要做了以下工作。论文先将人脸识别技术主要分为三部分,分别是:人脸检测、人脸筛选、人脸识别。考虑到实际应用时都是从设备采集到图像开始处理,人脸检测算法便是判断采集到的图像中是否存在人脸并且检测到人脸的位置。论文中的人脸检测MTCNN＿O算法是基于MTCNN人脸检测算法改进的,算法MTCNN＿O在保证人脸检测准确率的同时极大范围地缩减了检测的运算时间,并且该检测算法还能将检测到的人脸进行分类处理,为后来的人脸筛选算法提供了更好的条件。在人脸筛选部分,先证明了低质量人脸图片对识别网络的性能表现确实有很大影响,说明了人脸筛选算法的必要性。之后将论文中的人脸筛选算法SER与传统的图像质量评估算法NRQ＿LBP算法和基于数据集质量标定的Best-Rowden方法在两个人脸样本多样的数据集上做了对比,证明了论文中针对识别网络的筛选算法更有利于识别算法的表现稳定。另外为了平衡算法的筛选效果和运算时间,对人脸筛选算法的不同参数表现进行了对比。人脸识别算法基于人脸识别网络Mobilefacenet改进,先删除了网络结构中的冗余,实现了精度降低较少的情况下大幅提升了网络运算时间,再在精简后的网络基础上添加了小型的卷积网络Mask结构,提升了人脸识别网络对人脸信息不完整的人脸识别准确度,并选择了Softmax Loss与Center Loss结合的损失函数进行联合训练,最后训练得到的识别网络在LFW数据集上的识别准确率为98.74%。论文最后将上述算法都移植到嵌入式开发板TMDSEVM5728上进行了实现,并根据开发板的硬件特性利用OpenCL和线性运算库对网络计算进行了优化加速,并将论文中算法与常规的人脸技术算法进行了对比,最终证明了论文所述算法的可行性。