随着安检口及金融贸易方面应用需求的快速增长,生物识别技术得到了广泛关注,而人脸识别是所有生物识别方法中应用最为广泛的技术之一。人脸识别因其在金融验证、医学、人机交互和公共安全等方面的巨大应用前景而逐步成为了人工智能领域的一个研究热点。本文以迎宾机器人平台为入口,结合计算机视觉技术和运动控制技术,不仅让机器人具备了人脸特征识别的能力,同时结合目标跟踪算法,实现了人脸跟踪随动系统,增强了机器人的人机交互能力。本文的主要工作有如下几点:首先,介绍了基于深度学习的卷积神经网络的基本结构和训练方式,介绍了其核心工作原理和主要的优化方案。现如今主流方法为提高网络性能还在拓展网络结构或者加大训练数据量,使得训练的计算量不断加大。而本文则另辟蹊径从数据端入手,采用了一种基于mixup(混合)的训练方法,实现了网络训练方式的优化,使得网络在图片分类错误率上降低了一个百分点左右,对网络性能有一定提升。其次,介绍了人脸特征识别的主要流程,讨论了传统检测方法和基于卷积神经网络的方法各自的优缺点,并通过实际运行验证,找出了最适合的方案。同时也将基于mixup的网络训练方法运用于人脸特征识别的网络训练中,经验证对人脸识别准确率确实有所提高。为增加人机交互的水平,还添加了人脸表情、头部姿态、性别、年龄等识别功能最后,为加强机器人的智能交互水平,我们增加了机器人目标人脸跟踪随动功能,同时也将训练好的人脸特征识别网络应用于迎宾机器人上形成一个完整系统。通过语音控制机器人完成不同的识别任务,实际运行也达到了较好的准确性和实时性。