人脸识别作为一种生物特征识别技术,具有普遍性、高可靠性以及强个体差异性等特点,在智慧安防领域有广阔的应用前景。本文根据学校智慧校园建设中门禁考勤系统的需要,将基于深度学习的人脸识别算法应用到人脸识别门禁考勤系统中,并针对普遍存在计算量大的问题,对算法进行了轻量化改进。人脸识别任务分为检测、对齐、特征提取与分类识别三个过程,本文对检测及特征提取算法给出轻量化改进方案,分析实现了DAN(Deep Alignment Network)关键点检测及仿射变换实现对齐的方法,并从实际在门禁考勤应用的角度出发设计实现了活体检测、人脸跟踪以及门禁考勤等模块。主要工作包括:1、在人脸检测方面,将SSD(Single Shot Multibox Detector)检测框架中的VGG-16骨干网络替换为轻量级的MobileNet网络,MobileNet网络结构简单,且使用深度可分离卷积结构实现卷积操作,在保证计算精度的情况下能够大幅缩减计算量,从而降低检测模型的运算复杂度。2、在人脸对齐方面,采用对人脸姿态鲁棒性较好的DAN算法实现关键点检测,并采用仿射变换的方式实现人脸对齐。3、在人脸识别方面,给出一种轻量化特征提取方案,使用MobileNet作为骨干网络以缩减网络参数,降低模型训练复杂度,提高运行速度,构造Center_Softmax联合损失函数,在增大类间间距的同时缩小类内间距,增强特征可分性,并使用网络输出作为输入样本的特征向量。4、在人脸识别门禁考勤系统的具体实现过程中,采用计算量小的眨眼检测方式实现活体判别,防止实际应用中可能存在的照片欺诈问题;使用“单帧检测、多帧跟踪”的方式进行人脸追踪,解决实时人脸检测识别时视频卡顿问题;使用树莓派+“Server酱”+微信推送的方式实现门禁考勤功能。根据检测与识别算法在公开数据集及真实场景中的测试结果可知,改进后的检测算法在损失较小精度的前提下运行速度远高于原始SSD框架,而特征提取算法与FaceNet框架相比速度提升超过30%,识别系统在多种场景中的识别准确率达到95%以上,且对光照、角度、背景等因素的变化有较好的鲁棒性,达到了既定的功能与性能指标。