人脸识别由于具有非侵入性和自然特性,成为用于身份认证的重要生物识别技术,被广泛应用于许多领域,如军事、金融、公共安全及日常生活等。这些领域的具体应用场景通常要求把人脸识别应用程序部署在服务器上,然而随着在资源受限设备上部署深度学习算法的需求与日俱增,如何提升模型的运行速度且降低精度损失成为了当下一大研究热点。轻量级网络设计和模型剪枝等技术简化了模型复杂度,模型量化、压缩等技术进一步加速了模型推理速度,这些技术提升了人脸识别技术部署到边缘计算设备上的可行性。深度学习的发展使得工智能进入了新时代,基于深度学习的人脸识别就是典型代表。构建一个轻量级人脸识别系统,部署在以CPU为计算资源的PC上,主要应用于课堂考勤和活动签到等场景。该人脸系统涉及到以轻量级网络为主干网络的人脸检测算法Retina Face和特征提取算法Mobile Face Nets。算法使用Pytorch深度学习框架在大规模公开的人脸数据集上对算法进行建模,并且使用Open VINO对得到的模型进行优化和推理。在构建系统时,使用Qt Designer、Py Qt5设计和实现用户交互界面。通过分析系统需求,设计并实现了一个具备人脸检测、人脸关键点检测、人脸对齐、特征提取、人脸注册、人脸验证和人脸搜索功能的人脸识别系统。基于深度学习的人脸识别系统利用摄像头从视频流中获取图像,分辨率为640x640,完成一系列操作后,在用户界面实时展示识别结果。使用Open VINO优化加速后,与直接使用深度学习框架推理的系统相比而言,在CPU上的推理速度有近10倍的提升。