目前基于人工智能的人脸检测技术得到了迅速的发展,应用在人脸检测、公安抓拍及边缘计算等领域。在以卷积神经网络为基础的人脸检测技术得到广泛应用的同时,夜间等弱光场景下的人脸检测挑战也随之浮现。目前的人脸检测技术主要通过软件方式实现在计算机等平台,随着5G时代的到来,更多的人脸检测产品将朝小型化、低成本等方向发展,对现有基于软件的人脸检测技术提出了一定的挑战。论文针对这一问题,主要研究弱光下的人脸检测技术的硬件设计及实现。论文首先阐述了人脸检测的技术背景,并分析了国内外人脸检测的研究现状,探讨了不同人脸检测算法及其在不同硬件上的研究。由弱光下的检测问题引出论文对弱光条件下基于FPGA的人脸检测的技术进行的研究,并介绍了图像增强算法以及MTCNN算法的基本原理。论文针对弱光下的人脸检测技术的硬件设计主要开展了以下几个方面的研究:1、MTCNN中神经网络的硬件设计。该部分为提取人脸特征,计算人脸目标框偏置。设计中采用了BRAM分块搭配可任意配置卷积核大小的卷积操作方式,来降低对卷积核数据提取的次数,并可以一次性输出6*6的数据块以及适应两种情况的全连接计算方式等。2、MTCNN中图像Resize和bounding box硬件设计。该部分作用分别为构建不同尺寸的图像金字塔和人脸目标框的计算输出。图像Resize中采用了BRAM数据分块为偶偶、偶奇、奇偶、奇奇的存储方式,加快模块提取数据的速度的设计。bounding box中则采用双层BRAM分块方式,来构成并行处理架构。3、图像增强硬件设计。该部分为增强弱光下的人脸图像亮度。为加快处理速度,降低提取数据功耗,采用BRAM分块、卷积S型窗口滑动及卷积核加压缩等操作。并在多位数据的除法操作部分,采用除法计算阵列方式来加快处理速度。论文采用Caffe、Matlab作为算法测试平台,在Vivado和Virtex-7 FPGA上完成了硬件设计及实现。设计的基于FPGA的弱光人脸检测硬件,可以在弱光下准确地检测到人脸位置,检测分数达到99%,并基本达到实时性要求(26帧/s)的性能。同时,与基于软件的弱光人脸检测算法相比,坐标和分数误差不超过2.7%和0.49%。该设计为实现小型化、实时性、低成本的弱光人脸检测硬件打下了基础。