感知模块作为智能迎宾机器人决策模块和行动模块的基础和前提,直接影响了智能迎宾机器人的生产应用以及大规模普及。人脸识别作为智能感知机器人感知模块中最常用的技术方法之一,其识别的准确率起着决定性的作用。然而,传统人脸识别方法存在精度不足,抗干扰性不足等问题,无法适用于人脸识别要求极高的智能迎宾机器人。随着信息化时代的到来,基于学习的特征提取方式在多个方面都得到了广泛的应用。与传统方法相比,深度学习通过模拟人类大脑皮层,对输入数据集采用多层逐级提取底层特征到高级特征的非线性映射,通过这种方式简单化和抽象化复杂的特征提取,这样仿人的学习过程被证明效果更优。从2006年提出的深度信念网络到2012年出现燎原之势的卷积神经网络,在理论研究和实践中都推动了深度学习的不断进步。因此本文面向智能迎宾机器人视觉中的人脸识别问题进行了研究。针对基于深度信念网络的人脸识别仍然存在人脸图像局部特征学习较弱、人脸特征学习过程受噪声、姿态等影响较大等问题,使得人脸识别准确率难以满足智能迎宾机器人的识别需求。基于上述原因,本文首先通过理论和实验分析了局部二元模式,发现其在人脸图像特征提取过程中具有计算量小且抗噪声能力强等优势,故将人脸图像的局部二元模式特征作为深度信念网络的输入,实现了融合局部二元模式的深度信念网络的人脸识别方法,通过加入的优化技巧后的实验结果表明,该方法能够学习到人脸图像的局部纹理细节特征,相比于单一局部二值模式方法和深度信念网络方法,本文方法在预测过程中具有令人满意的识别率。最后,随着深度学习从理论研究到实践的转变,出现了愈来愈多的可结合业务进行优化的改进,从而出现较多的开源框架。本文也以智能迎宾机器人的工程项目为背景,在分析上述融合局部二元模式的深度信念网络的人脸识别方法的存在的问题的基础上,利用SeetaFace开源人脸识别引擎完成人脸识别系统的搭建,通过模块测试和系统联调验证了该方法可成功地应用于实际项目中,并实现了预期的规划目标,达到了智能迎宾机器人的人脸识别需求。