借助基于深度学习的新一代人工智能技术,人脸识别落地商用,获得成功。然而,当前大多数的人脸识别系统在环境受限的情况下工作,需要用户主动配合,对局部遮挡状态下的人脸识别效果不佳。另外,当前取得优异性能的人脸模型均是运行速度较慢的大型卷积神经网络,运算量大,参数量多,无法满足某些特定场景下的需求。为此,本文对面向嵌入式的、非受限环境下的人证匹配模型开展研究。具体来说,本文立足于人证匹配场景,着眼于人脸局部遮挡问题,利用深度学习等技术,基于嵌入式计算设备,从数据、算法、应用三个方面进行人证匹配模型的研究。具体研究内容如下:(1)构建局部遮挡人证匹配数据集。针对现有局部遮挡数据集存在的数量不足、质量不佳等问题,在人证匹配数据集的基础上,设计了基于关键点检测的局部遮挡模拟算法,利用人脸的关键点位置,模拟实际场景下的人脸遮挡,自动批量生成局部遮挡人证匹配数据集。人证匹配数据集与局部遮挡人证匹配数据集的对比结果,显示了所构建的局部遮挡数据集是有效的、可靠的。(2)提出局部遮挡状态下的人证匹配算法。针对局部遮挡下的人证匹配问题,提出加权平均池化层网络结构,通过权重矩阵提升有效信息和抑制冗余信息,从而获得性能提升。面对人证匹配场景,通过设计伪孪生神经网络,使用结构相同参数不同的两个分支网络分别处理证件照与生活照,将人脸图像映射到相同维度的特征空间,进行度量学习。实验结果表明,该算法可以有效提升局部遮挡下的人证匹配模型性能,在FAR(False Accept Rate)=0.01%下,TAR(True Accept Rate)获得了10%左右的性能增益。(3)提出基于多模式卷积核的神经网络构建算法。针对模型在嵌入式移植过程中出现的性能损失问题,结合批归一化层的特性,构建基于多模式卷积核的多分支网络,在不损失模型推理速度的条件下,增强模型性能表现。实验结果表明,该算法可以额外获得0.6%左右的性能增益。(4)设计并实现面向嵌入式计算设备的人证匹配系统。针对嵌入式设备计算资源有限的问题,使用轻量级卷积神经网络,借助Tensor RT提高模型推理效率,开发基于嵌入式计算设备的人证匹配系统,实现人证匹配功能。