随着社会的不断进步与发展,占用大量工人时间而不顾效率的工作模式逐渐被淘汰,高效的健康工作模式得到认可。人脸状态识别是基于计算机视觉判断采集图像中人脸所处的状态的技术。人脸状态能够有效反应一个人的生理、心理信息,通过识别人脸图像判断一个人的行为信息逐渐成为状态检测的主流。目前主流人脸识别技术多以人面部纹理、骨架、器官的静态特征来判断人脸所处状态,不能依据脸部全局肌肉的运动变化判断人脸所处状态。生物视觉系统识别人脸面部状态不仅依据面部纹理特征,更多是依据面部肌肉的变化。本文提出一种基于时间序列的状态识别算法,提高对光照、复杂背景、不同面部特征的鲁棒性。本文的主要研究工作有:(1)基于SSD开发一种更为快速的多目标人脸检测算法。设计更轻量的特征提取网络、给出Default Boxes提取规则、标定更适合人脸检测的Ratio值等,以大幅度减少算法复杂度。(2)基于深度学习开发出一种时间序列检测状态识别算法。设计共享权值的双通道级联网络以提取特征图,基于Liteflownet从特征图中提取光流图,构建L-R模型以消除头部偏转矢量对识别结果的影响,给出一种时间序列分类器输出识别结果。(3)训练与测试模型可靠性。对于人脸识别模块使用VOC数据集训练网络,测试数据集检测精度达到67.4%;测试四种不同的现实场景下一千多组数据,测试精度达到了94.8%。对于状态检测模块,基于三种不同的数据集训练与测试模型,测试运动样本误差呈卡方分布,自由度为1.3,峰值为0.116,面部状态测试样本识别率达到84.7%;测试四种扰动场景下模型多个模块的可靠性,并与三种主流算法进行对比,测试结果为本文算法有着最佳的FPS与mAP。(4)开发一种适用于企业现场的人脸状态识别原型系统,通过双场景多维度扰动的设计,在实际案例中验证系统的可靠性。