利用人的面部特征进行身份验证的人脸识别技术,近年来受到了广泛关注,基于深度学习的人脸识别技术在考勤系统中得到了广泛应用,在考勤中实现动态人脸识别,解决传统人脸识别考勤耗时久、对环境有局限的缺点,具有重要的实际应用价值。本文重点研究考勤系统中的动态人脸识别问题,其难点在于需要实时快速的人脸识别,以及如何解决运动、光照等因素对采集到的人脸图像的影响。针对上述问题,本文主要有如下研究内容:1.针对运动模糊、光照不良等不理想场景下捕捉到的人脸图像质量低导致人脸识别率低的问题,加入人脸图像质量评估环节,对于输入的连续人脸图片,用人脸图像质量评估算法处理,输入融合光照、清晰度等质量因素的人脸图像质量分数,有效过滤质量较低的人脸图像,提升识别效率。除此之外,还优化了 MTCNN人脸检测算法,在MTCNN的神经网络中融合特征金字塔等优化,有效降低了不理想场景下人脸检测时的漏检和误检。2.针对动态人脸识别时耗时久,对算法运算速度要求高的问题,本文提出利用在模型大小和速度上都优化了的轻量级网络作为基础网络,将其与高精度人脸识别模型相融合,大大降低计算量,并用中心损失函数的联合损失函数代替训练时难以收敛的三元组损失函数。实验结果表明,MobileNetV2达到的准确率和速度能满足实时性要求。3.针对在公开测试集上效果良好的人脸识别模型在考勤场景下性能退化,以及考勤注册人数变化的问题,通过Siamese人脸识别模型迁移学习人脸特征以提升在实际考勤场景中的人脸识别性能。