随着人工智能技术的快速发展,家庭服务机器人的应用越来越广泛,其中人脸识别作为家庭服务机器人的主要功能,成为了计算机视觉和机器人领域的研究热点之一。传统的人脸识别算法局限于实验室环境中,现实环境中的人脸图片和服务机器人拍摄的人脸图片会受到角度、光线、分辨率、形态等影响,一定程度上影响人脸识别的准确率。近年来,随着深度学习在图像识别、视频识别等领域取得巨大的进展,研究基于深度学习的人脸识别技术在家庭服务机器人上的应用具有极其重要的意义。本文针对家庭服务机器人中人脸识别的准确率和识别速度等问题进行分析,主要做了以下相关工作。(1)总结传统人脸识别方法的优缺点,分析深度学习在人脸识别中的优势,以及人脸识别在家庭服务机器人中应用的难点。(2)针对开源数据集训练的模型容易造成人脸误识别和拒识别、泛化性能差的问题。经研究和实验得出:质量优异的数据集对模型收敛和识别率有很大的影响。本文收集并清洗制作了百万级别的高质量亚洲人脸数据集,为模型训练奠定良好的基础。(3)针对原始网络模型识别率低的问题,本文改进Inception-ResNet-V1网络结构,增加了网络的宽度和深度,获取更多显著人脸特征,以克服角度、光照、姿态等对人脸识别准确率的影响。实验结果表明:使用改进后的网络结构训练特征提取模型,在多个测试集上验证,识别率较原始网络有了较大的提升。(4)针对Inception-ResNet-V1网络特征提取比较耗时,影响人脸识别系统的实时性的问题。本文中使用MobileNet轻量级网络架构作为FaceNet主干网络。实验结果表明:与原网络相比,修改后的网络计算量大大减少,在不损失识别率前提下,有效的提升了特征提取速度。(5)在北京信息科技大学Sun@Home机器人平台搭建人脸识别系统,在现实环境和相关家庭服务机器人竞赛中对算法进行验证。实验结果表明:本文中的人脸识别系统满足实际需求中识别率、实时性和稳定性等要求。