近年来随着人工智能的兴起,关于人脸检测的研究得到了进一步的发展和应用。目前由于深度学习的迅速发展,人脸检测可以达到很高精度,而速度限制了人脸检测的实际应用。FPGA具有配置灵活、高度并行和低功耗等特点,适合于对实时性、延迟和功耗有严格要求的场景,因此本文选用FPGA为人脸检测算法进行加速,将CPU作为主处理器,FPGA作为协处理器,使用软硬件协同设计的思想对算法进行功能模块划分。本文通过将方差作为分类器与原VJ算法结合在一起,提升了级联分类器的性能,并设计了蛇形动态积分图更新方法,实现了积分图的快速更新并减少了对片上存储器的访问。本文还设计了高效卷积模块,采用双缓冲存储策略实现了中间结果数据的片上存储和层间复用,并结合改进的MTCNN网络模型达到了实时人脸检测的目标。同时本文在确保检测精度的前提下对算法中的浮点参数进行量化,以弥补FPGA不适合处理浮点数的缺陷,更进一步提升算法的速度。最后本文将软件端与硬件端进行系统集成,实现了基于异构计算平台的人脸检测加速器。本文分别在Xilinx Kintex UltraScale FPGA KCU1500和Zynq UltraScale+MPSoC ZCU102两种硬件平台上实现了VJ人脸检测算法和MTCNN人脸检测算法。在100MHZ时钟频率下,对于320×240分辨率的图片VJ人脸检测算法可达到每秒67帧;在200MHZ时钟频率下,对于640×480分辨率的图片MTCNN人脸检测算法可达到每秒40帧。两种算法均可以对人脸进行实时检测,达到了本文的预期目标。