人脸识别在门禁系统、打卡签到系统和车站自助进站等领域有着广泛的应用。当前的这些应用对使用的场景有着比较严格的限制,以保证较高的准确率。而且当前人脸识别系统一般一次只识别一人,没有批量处理人脸,识别系统的运行效率低。相比于单人脸识别,多人脸识别同时检测识别多个人脸,可以提高识别效率。部署于移动平台上的多人脸识别算法可应用于室内外课堂考勤、海关高铁身份验证等场景。但多人脸识别需要应对人脸姿态各异、光照影响、遮挡、人脸尺寸过小等挑战。且受限于移动平台的计算资源,一些高精度人脸检测识别算法无法在移动平台上高效移植。因此,在资源有限的移动平台上实现快速的多人脸识别算法依然存在挑战。针对移动平台,基于卷积神经网络,同时优化、精简网络结构,设计了高效的多人脸检测与特征提取算法。以轻量级网络MobileNetV2为基础,对网络结构进行进一步压缩,使得算法更加适合在移动平台部署。人脸检测采用“由粗到细”的思路,级联三个网络用于检测人脸,实现快速人脸检测。特征提取网络将人脸特征映射成低维向量,该网络针对人脸识别的特点,改进通用深度网络的结构,加速网络推理速度同时取得准确的结果。多人脸识别算法的模型只占用约5MB的存储空间。为了进一步加速网络推理速度,在部署中将利用CPU并行化计算,加速算法的运行,进一步提升算法的性能。在移动平台上实现了该多人脸识别算法,同时利用NEON指令集进行并行优化加速。结果表明,可以在2s内检测1600万像素的图片上的多个人脸,对于每个人脸的特征提取可以在40ms左右完成。在公开数据集和本地数据集上分别测试算法准确率。结果显示算法在显著提高运行速度的同时,也具有较高的精度,在公开数据集FDDB和本地数据集上的检测率分别为91.36%和95.79%。在公开数据集MegaFace和本地数据集上的小规模人脸识别率分别为95.05%和75.34%,具有实用价值。