生物识别具有人体固有的唯一性,而人脸识别相较于其他的生物识别具有非接触性、直观性等优点,并且随着图像识别和模式识别的发展,以及最近几年人工智能的飞速发展,人脸识别成为计算机视觉领域的热门研究方向。与传统的人脸识别算法相比较,近几年基于深度学习的人脸识别算法大大提升了人脸识别算法的性能。目前,市面上出现了许多基于人脸识别的应用产品,比如门禁系统、身份认证、考勤机等。人脸识别系统主要包括人脸的检测、一对一的人脸验证以及一对多的识别。本人主要研究一对多的人脸识别。由于嵌入式平台具有体积小、功耗低、便于部署、软硬件可剪裁、操作系统开源等优点,使用嵌入式平台来做人脸识别是一个很好的选择。但是由于图像处理运算量大、对处理器要求高等特点,普通的嵌入式平台的计算性能无法满足要求。故采用NVIDIA公司的Tegra架构的嵌入式平台作为处理器。本文首先对人脸识别的研究史和研究状况做了简单的调研、分析;其次对图像处理算法和技术做了简单的介绍;然后先采用PCA算法在嵌入式平台上实现了一个简单的人脸识别系统。接着详细描述了深度学习框架Caffe的特点、开发环境的搭建,以及如何使用Caffe来实现自己设计的神经网络。大部分的网络是基于PC设计的,无法在嵌入式平台上运行。本文利用Caffe设计了一个可以在嵌入式平台上运行的11层的深度卷积神经网络,该网络有五个卷积层、四个池化层、两个全连接层、一个SoftmaxWithLoss层,并且在中科院人脸数据库(CASIA-WebFace)上训练该网络,经过在ORL人脸数据库上的得到了91.25%的正确率。最后将设计好的网络和训练好的模型部署到NVIDIA Tegra K1嵌入式平台上,并应用在视频监控领域。考虑到嵌入式平台的处理、运算能力有限,以及对视频监控帧率的要求。故没有为了追求极致的识别精度而增加网络的层数,而是在保证识别精度不低于90%的情况下尽可能的提升识别的速度和视频的帧率。通过将图像转换为灰度图像的方式和适当减少卷积神经网络的层数,保证视频监控的帧率在5fps以上。最终,实现了一个简单的智能视频监控模型。