人脸识别技术是计算机视觉领域的典型应用之一。伴随着深度学习特别是卷积神经网络的发展,人脸识别技术在静态图像的识别方面已经取得突飞猛进的进步,然而动态图像人脸识别和视频流的人脸识别依然面临着很多困难,被检测到的人脸往往会受到拍摄角度、位置、光照、低分辨率图像等多因素的影响,给后续的人脸识别带来极大的困难。动态的人脸识别技术在安防监控、侦查破案、智慧城市等领域应用广泛,因此具有很高的研究价值。针对以上问题,本文通过使用深度学习的方法完成人脸识别研究,并将人脸识别与具体应用场景相结合。本文的研究内容如下:设计并实现了基于MTCNN网络的动态人脸检测算法,与传统的VJ人脸算法相比,MTCNN人脸检测算法在检测角度、姿态、多人脸检测等情况下的检测效果优于VJ人脸检测算法。MTCNN人脸检测算法是一个三层级联框架的人脸检测网络,缺乏跟踪结构,仅在普通PC的CPU运行环境下实时性较差,针对上述问题,设计了基于Camshift的改进算法实现人脸跟踪检测,将MTCNN检测到的人脸框作为Camshift跟踪算法搜索窗口位置和大小的初始化,在原始的Camshift算法中加入人脸形态约束和卡尔曼滤波来解决相近色干扰和运动目标的跟踪问题。实验表明,将改进后的Camshift跟踪算法与MTCNN人脸检测算法相结合后,帧率约为56 FPS,满足实时性要求。设计并实现了基于Inception-Res Net v1的人脸识别网络和基于Mobile Net v3的口罩识别网络。将MTCNN人脸检测算法得到的人脸图像进行缩放,紧接着通过双眼旋转变换法和仿射变换对检测到人脸图像进行对齐操作,为后续Inception-Res Net v1网络提取人脸特征提供基础。建立人脸识别数据库,通过摄像头采集人脸图像进行缩放、对齐和数据库比对之后,得到识别结果,完成人脸识别的流程。口罩识别是人脸识别的应用场景之一,使用Mobile Net v3网络完成口罩的检测识别问题,将采集到的佩戴口罩人脸图像与未佩戴口罩的人脸图像进行人脸检测和对齐,并在此基础构建口罩识别的数据集,使用Mobile Net v3网络完成模型的训练与识别,实验表明,口罩识别准确率在98%以上。在Pycharm开发环境和PyQt5设计软件界面下,同时结合Keras、Tensor Flow深度学习框架和Open CV视觉库搭建人脸检测与识别系统,整个系统包括3个模块:人脸检测、人脸识别和口罩识别。实验验证表明,整个人脸检测和识别系统能够完成人脸检测、人脸识别和口罩识别的功能。