近些年,随着深度学习技术的快速发展,人脸检测与识别技术在诸多重要场景下得到了广泛应用。本文主要面向自动驾驶场景与未来车联网设计,充分考虑了边缘节点的计算资源受限性与实时处理等现实挑战,重点研究了轻量级的实时人脸检测及识别相关算法,并完成嵌入式系统设计与实现。本文研究将有助于提升车联网的智能监控与目标发现能力,具有重要的理论意义和实践应用价值。本文的主要工作如下:本文研究了复杂采集环境下的可靠检测问题。充分考虑了车联网场景下,由于非理想的图像获取视角和复杂的采集环境而导致的人脸检测漏检/误检问题,深入研究了MTCNN(Multi-task Cascaded Convolutional Networks)人脸检测算法,提出了改进的非极大值抑制算法,降低人脸漏检率和误检率。融合了基于上下文信息训练的小脸(Tiny face)检测网络,构成多分支级联神经网络,提高了小脸的检测准确率。经过实验分析,本文中设计的人脸检测算法有效地提高了复杂车联网环境下人脸检测准确率。本文基于人脸深度特征设计了人脸识别算法。为了应对车联网边缘终端的计算资源严重限制的难题,本文优化设计了人脸深度特征提取的轻量级网络模型Lightened CNN。利用批归一化机制,分散了不同身份人脸特征向量分布,增加了相对特征中心距离,使所提取特征具有更优的分类聚集特性;在此基础上,依据人脸识别算法的设计流程,研究人脸对齐与相似度度量方法,设计完成了适应于车联网场景的人脸识别算法。经过实验分析,本文设计的轻量级人脸特征提取网络占用较小的嵌入式系统资源。结合轻量级的人脸特征提取网络和人脸对齐及相似度度量方法设计的人脸识别算法准确率较高。本文在嵌入式开发平台上实现并验证了面向车联网的多路视频人脸检测与识别系统。该系统采用了模块化设计理念,涉及了5个关键模块,最终将系统搭载于嵌入式开发平台。通过模块间数据共享、视频调度、任务管理等方法充分利用嵌入式资源,并模拟车联网场景进行系统验证。实验结果表明本文所设计的人脸检测及识别系统具有良好性能,在检测和识别的准确率及实时性方面均可以满足车联网场景的应用需求。