基于嵌入式系统的人脸跟踪设计的性能由两个因素决定:(1)人脸检测算法的检测效率与性能;(2)嵌入式系统跟踪平台的灵活性。本设计着手于这两点进行人脸跟踪设计的创新:在人脸检测算法上,设计使用基于多任务级联卷积神经网络的人脸检测算法,该算法使用一套完整层叠式结构,通过精心设计的深度卷积神经网络由浅入深地预测人脸及其面部特征位置,借助人脸检测与人脸对齐之间的内部相关性分析,进一步提高算法性能,有效地解决了人脸检测算法在复杂面部表情、面部遮挡与光线昏暗这三种情况下检测效率低的问题。此外,该算法在进行模型训练的过程中使用了一种全新的在线难例挖掘策略,将样本依据人脸近似度进行归类,进一步提高了检测率。在算法移植到嵌入式的过程中,将人脸模型转换成一种嵌入式端高度优化的NCNN模型,提高了算法在嵌入式系统中的运行速度。在嵌入式系统跟踪平台上,设计硬件采用ZYNQ芯片,其集成了ARM Cortex-A的硬核和Xilinx 7系列的FPGA可编程逻辑,将ARM强劲的事务管理功能与FPGA并行高速运算结合起来,极大的增强了跟踪平台的灵活性。同时,设计使用可编程片上逻辑系统(System On Programmable Chip,下文用SOPC表示)作为系统架构,增加了系统的可重构性,不仅给设计的开发维护节约了时间,还为以后的设计扩展提供了便捷。本设计主要完成了以下工作:(1)本文查阅大量智能监控系统、人脸检测算法与SOPC的资料,通过分析得出一种优化的人脸跟踪设计方案,该方案将基于多任务级联卷积神经网络的人脸检测算法与SOPC架构结合,完成人脸跟踪设计的优化。(2)本文详细介绍了设计使用的人脸检测算法的原理、模型及训练模型使用的深度学习框架,将本设计使用算法与其他经典人脸检测算法进行比较,验证本算法在检测性能上的优越性。(3)完成人脸跟踪设计的硬件与软件平台的搭建:硬件主要完成了核心板与底板及相关器件的选型与焊接及舵机云台的搭建;软件主要搭建了设计运行的嵌入式系统与深度学习的框架并完成了模型的训练与转换与算法的移植。(4)完成人脸跟踪功能的实现,并通过实验得出数据验证了将本设计人脸检测算法与SOPC架构结合后有着更高检测率与更强劲的性能,同时在人的复杂面部表情、面部遮挡与光线昏暗的环境下依然有着良好的检测效果。通过一系列具体的数据及对数据的分析证明了本设计提出的人脸跟踪设计的优化方案具有可执行性。