胡佳玲， 施一萍， 谢思雅， 陈 藩， 刘 瑾

(上海工程技术大学 电子电气工程学院，上海 201620)

0 引 言

近年来，人脸识别[1]一直是很多学者们研究的热点问题。人脸识别算法目前主要分为两种：一种是机器学习算法，本质主要是通过设定人脸特征再结合Adaboost等分类算法加以实现；第二种是近年来比较流行的结合深度学习[2]的人脸识别算法。基于深度学习的人脸识别算法一般采用卷积神经网络(convolution neural network,CNN)来实现。发展至今，基于CNN[3]的人脸识别算法在准确率上已经趋于100 %，并且有越来越多效果很好的网络相续出现。2014年，香港中文大学的团队利用深度学习人脸识别算法取得了准确率为97.45 %的好成绩；准确率的提升往往伴随着CNN深度和复杂度的增加，在提高精度的同时，意味着网络深度、参数和计算量的大幅增加，训练时间也相对延长。例如Google Inception Net有22层，且ResNet达到了152层。其次，随着小型设备的应用不断广泛，越来越多的研究不仅仅局限于靠强大的服务器去训练网络。

针对上述问题，本文选用了一种轻量级MobileNet[4]模型，将改进的MoblieNet网络和区域生成网络(region proposal network,RPN)[5]融合构成一个用于人脸识别的专用网络，并对其进行了改进，有效地提高了网络的运行速度，降低了网络的参数量。最后用Jetson Nano嵌入式开发板作为训练的载体，测试网络的具体性能，并应用到实际场景中。

1 人脸识别系统

如图1所示，为本文设计构建的人脸识别模型，系统的硬件采用嵌入式开发板Jetson Nano，将搭建好的改进型轻量级人脸识别网络在开发板上训练好，并投入使用。……