人脸识别技术应用于门禁系统中,识别率容易受到光照强度影响,在光照强度较低时就难以采集到能够满足特征识别的图像。如果采用单一正面照作为人脸数据库中的图像,在后续识别过程中就会出现因为采集角度影响造成识别错误的现象。另外,人脸识别门禁还会出现伪造人脸攻击的问题。论文针对以上问题,对脸部轮廓和位置判断、人脸识别和活体检测方法进行了优化,较好地解决了上述问题。针对光照强度对脸部轮廓和位置判断的影响,采用Ada Boost脸部轮廓和位置判断方法和对光照强度具备鲁棒性的LBPH特征描述方法,将等价模式的LBPH和圆形等价模式的LBPH特征结合,比基于Harr-like的Ada Boost方法检测速度提升了10倍。针对采用单一正面照对识别的影响,采用PCA人脸识别方法,将单一正面人脸图像进行扩展,丰富人脸数据库。相比传统PCA人脸识别方法,改进方法识别率提升了10%。针对伪造合法人脸攻击问题,综合考虑安全性和成本因素,采用准确率较高的基于卷积神经网络的方法。嵌入式计算能力和内存有限,无法高效使用卷积神经网络。结合参数共享、密集连接和分组卷积方法,设计出参数量大幅度减少,准确度损失较小的轻量卷积神经网络模型GDSCPelee Net。通过活体检测实验分析,该模型相比基线模型,参数量降低到30.2%,检测时间缩短一半,FAR提升了2%,FRR都约为18%。针对服务器出现故障时无法打开门禁问题,设计在线模式和离线模式。使用树莓派作为开发板,选取摄像头和电磁锁等硬件设备,实现具备人脸识别、活体检测和考勤功能的人脸识别门禁演示系统。通过人脸数据集对演示系统的各个功能进行性能测试,验证各个功能的有效性。设计的门禁演示系统在整体测试时,在线模式和离线模式均能够稳定有效运行。