人脸检测一直是计算机视觉的重要组成部分,随着人工智能的发展,人们对人脸检测算法的需求越来越高,尤其是算法在移动端中的应用。但目前的人脸检测算法在移动端的实现存在对目标检测精度不高、运行速度慢等问题,从而会影响后续其他算法或操作的实现。为了提高人脸检测算法在移动端的精度和速度,本文将结合算法发展研究与实际应用环境中的需求,提出一种轻量快速的人脸检测网络结构。本文的研究工作及成果如下:(1)本文首先分析人脸检测算法实现的各类方法,实验测试比较每种算法在移动端的应用效果,结果验证传统方法与深度学习结合的方法中的MTCNN在移动端效果最好,所以本文算法采用级联结构。(2)分析MTCNN算法的速度是主要缺陷,而最耗时操作是提取预测框。研究发现Fast R-CNN中RPN提取预测框不会增加额外时间,由此,提出一种基于金字塔结构的网络作为级联网络的第一层。由于浅层网络性能不如深层网络,训练时引入BN层,训练结束合并BN层,从而在不增加网络模型的前提下提升网络的性能。(3)由于小型网络存在训练的困难和模型表现力不佳的问题,提出利用合并多层和知识提炼的方法,加快网络的训练,同时提升网络的表现力。利用奇异值分解方法,对网络模型进行压缩,以适应移动端有限的内存环境。最后利用训练好的模型在安卓设备上进行测试,检测速度可以达到80 fps,和MTCNN等算法对比,精度和速度均有优势,且模型尺寸也是最小。