随着深度学习的提出,人脸识别取得了突破性的发展,并得到了广泛的应用。将人脸识别应用于课堂签到系统中,解决传统点名签到耗时久的缺点,具有重要的实际应用价值。本文重点研究签到系统中的人脸识别问题,其难点在于运行环境为硬件资源有限的移动端,以及如何解决光照等因素对采集到的人脸图像的影响。针对上述问题,本文主要研究工作如下:1.针对手机采集人脸图像的过程中由于光线等因素导致图像出现模糊、姿态不正等质量问题,提出一种基于深度学习的移动端人脸图像无参考质量快速评估算法。目前存在的优异的图像质量评估算法,大多是基于统计学习的方法,同时研究对象也非人脸图像,而是一般图像。因此在对人脸图像进行评估时,评估结果与实际情况往往存在较大误差,且难以满足实时性的要求。本文通过对不同质量的图像,在进行预处理操作后,通过迁移学习构建基于MobileNet模型的图像质量分类器。实验结果表明,当将人脸图像质量简单的分为合格与不合格两类时,能取得97.4%的准确率,在手机端每帧的处理时间大约为0.23s。当将人脸图像根据失真类型细分为模糊、昏暗、遮挡、姿态不正、合格等五类时,能取得97.2%的准确率,每帧的处理时间能达到0.25s,满足实时性的要求。2.针对手机端进行人脸识别对硬件条件要求较高的问题,本文提出一种基于FaceNet改进的人脸识别算法。目前提出了很多优异的基于深度学习的人脸识别模型,例如DeepFace、Deepld、FaceNet等模型。然而此类算法多运行于计算能力强的服务器端,移植到硬件条件有限的移动端则无法取得理想的效果。本文采用轻量级网络SqueezeNet,MobileNet作为FaceNet的基础网络,利用centerloss和softmax综合loss进行训练。这两种轻量级网络利用点卷积、深度可分离卷积等操作进行加速运算,能够在保持较高准确率的同时,大大降低计算量。实验结果表明,基于SqueezeNet的模型最高能达到98.5%的准确率,基于MobileNet的模型最高能达到96.4%的识别率。3.利用上述研究成果,设计并实现基于人脸识别的课堂签到系统,对本文的研究方法进行应用验证。