与传统的AdaBoost算法相比,基于深度学习的人脸检测算法在复杂的环境下能获得更低的误检率和更高召回率,已被广泛应用于智能安防、客流统计、移动设备身份认证等领域。然而,终端设备的边缘算力有限,难以实时完成大规模人脸检测神经网络的运算。针对此问题,本文设计了一种基于移动端深度学习目标检测算法Mobile NetV2-SSDlite的小规模、高精度的人脸检测算法。为了提高移动终端计算能力,在算法基础上,围绕硬件架构、片上缓存、性能及功耗等方面进行移动端专用型神经网络加速器的研究与设计。论文主要工作如下:(1)对MobileNetV2-SSDlite进行研究及分析,调整锚定盒子尺寸,提出一种小规模、高精度的移动端单次多人脸检测算法,在WIDER FACE数据集上进行训练及评估。结果表明,该算法在简单、中等、困难样本中平均精度分别达到0.897、0.857、0.565。检测时间及精度均优于多任务卷积神经网络(MTCNN)。(2)针对低功耗、实时性的需求,对人脸检测算法卷积层进行8-bit量化压缩,同时对算法的后处理及单次多目标检测器(SSD)部分实现32-bit定点化。(3)针对移动端单次多人脸检测算法中的线性瓶颈结构,做了三点改进:提出专用卷积神经加速器结构,降低片外存储带宽;设计可配置加法树,提高1?1卷积的运算效率;可选的加速器核心数量能够兼顾资源和速度,加速推理运算。在此基础上,搭建软硬件系统,通过指令控制加速器执行卷积神经网络操作。(4)在Xilinx XC7Z035-2FFG676 FPGA上对实时多人脸检测加速器系统进行仿真及实现。结果表明,本文的人脸检测系统在100MHz时钟下,平均计算性能为56.01 GOPS,功耗为7.3 W,相比移动端麒麟(Kirin)970处理器可实现2.66倍加速。与现有的Mobile NetV2-SSDlite加速器相比,在运算速度提高了28.7%下,平均节省了44.46%的资源,降低了26.3%的功耗。在224?224分辨率情况下,达到了83.4 FPS,量化后简单、中等、困难样本的平均精度分别达到0.825、0.717、0.338。