人脸识别是现下最为热门的生物识别技术,其在金融支付、安防监控、门禁考勤等领域应用广泛。随着深度学习的飞速发展和数据量的日益提升,计算机的人脸识别能力在一定程度上已经超过了人类水平,目前正在向百万分之一甚至是亿分之一的误识率发展。然而在实际使用中,人脸识别系统仍然面临光照、活体、跨年龄、遮挡等复杂多样的挑战,其中商业应用面临的最核心的挑战就是光照鲁棒和安全性需求。同时,即便目前人脸识别模型的识别性能已经在测试集上表现的远超过人类,但是精确度越高的模型,其速度性能普遍越低。商业应用同样看重系统的数据安全性和稳定性,边缘计算是近期及未来的长久趋势,如何能在低功耗及低成本的处理器上进行人脸识别算法的优化、部署并真正落地应用又是一道摆在研究者面前的难题。针对以上问题,为提升人脸识别系统光照鲁棒性、系统安全性、低功耗平台优化及部署,本学位论文的主要研究内容如下:1.人脸检测:改进了MBLBP特征,提出了改进后的SE-DMBLBP特征,使用Adaboost方法进行训练,并设计了一套算法策略,使得改进后的人脸检测算法在各种复杂光照情况下能够保持一个较高的检出率,在低功耗低算力环境下仍然能实时推理;2.活体检测:基于近红外特性和直方图计算比较,提出了一种基于双目近红外+RGB摄像头的活体检测算法,能够有效防御replay attack和print attack活体攻击手段;3.加速推理:针对现有的人脸特征提取卷积神经网络,通过重构底层数学库GEMM和量化手段,加速推理使特征提取模型能够在RK3399这样的低功耗嵌入式平台达到实时效果;4.特征提取:针对目前在巨量训练集上训练困难、耗时长、难以收敛的问题,提出了一种基于Softmax Loss改进算法,有效地加速了训练过程,提升训练效率;5.系统设计:基于以上的各种算法模块,设计了一套嵌入式自动化人脸识别系统,具备较好的光照鲁棒性、较强的防伪能力以及在精度保障的情况下达到较快的识别速度,以满足绝大部分门禁与考勤类商业应用。