人脸识别是模式识别、计算机视觉的其中的一个重要分支,人脸识别的研究被人们日渐重视起来,广泛的应用在各种领域场景,如人机交互、安全监控、身份识别、天网系统、人流量监测等方面。人脸识别与其他生物识别技术相比较是一种准确率高、识别速度快、易于被人们接受、识别成本低的生物识别技术。随着深度卷积神经网络的不断发展,它在图像分类领域表现出超强的性能,同时随着结构与层数的不断改进,人脸识别取得巨大的进步。本文针对现有的人脸识别算法存在的在鲁棒性不强,计算量比较复杂等问题,提出了一种新的人脸识别算法并完成了以下的研究工作:(1)采用Shuffle-Channel卷积结构代替了MTCNN原有卷积结构,在保证检测召回率不下降的前提下,增加了检测速度,提高了检测性能。同时在网络模型中的Pnet检测之前,使用一次中值滤波进行快速去噪,减少Pnet的误检。最后根据模型后端输出适合的Min Size值与图像匹配,动态的修改最小人脸大小。(2)对Res Net网络引入Triplet loss结构,提出了一种新的人脸识别算法。通过Resnet缓解深层网络的收敛难、调优难的优势,去掉Softmax loss函数,采用Triplet loss函数,解决了Triplet loss函数存在的收敛速度缓慢的问题。(3)本文采用数据增强和在线难例挖掘技术相结合解决了小样本问题。若训练集的单个类别样本不够多,使用Triplet loss函数训练时会因为同一个类别数量少,会出现样本不平衡问题。通过使用数据增强手段增加数据库中样本数量,同时训练过程中使用在线难例挖掘技术消除了正负样本对不对称现象。达到增加数据集的效果,完成对小样本问题的解决。(4)以本文提出的人脸识别算法为基础,完成了一个人脸智能小程序的设计与实现。主要是将本文算法训练好的模型通过Flask封装成接口,应用于本文设计的一个人脸识别微信小程序上。