目前前沿的深度学习人脸识别系统对于硬件要求比较高,不适用低配的嵌入式设备。而嵌入式技术的应用,算法的改进研究,有利于嵌入式人脸识别系统的高效和灵活的利用。本文主要工作如下:1.深入探讨在嵌入式设备上实现人脸检测和人脸识别部分常用算法的研究。人脸检测中重点分析了两个主要的分类器,Haar分类器和LBP分类器的原理以及最终选取级联强分类器来进行人脸检测。人脸识别中除了分析PCA算法、LDA算法、LBP算法外,使用改进LBP算子思想,即用旋转不变的LBP算子和分块加权的LBP算子相结合来完成人脸识别系统。2.对于人脸识别系统硬件的选取以及软件环境的搭建进行重点介绍,这些软硬件环境是人脸识别系统的设计的基础,是完成该项目的重要保障。硬件选取的是ARM系列的Cortex-A9架构的开发板,软件开发环境的搭建,完成了交叉编译、Opencv移植和QT移植等。3.着重分析了嵌入式平台上人脸检测和识别的原理与方法以及软硬件的设计。在嵌入式软件系统设计上主要分为四个模块。它们分别是基于QT图形用户界面的开发、基于V4L视频的采集与实现、利用Haar+Adaboost级联分类器进行人脸检测和利用局部融合的LBP算法进行人脸识别,并对比Eigenfaces和Fisher faces算法。4.独立完成了基于嵌入式的人脸识别系统,其中包括人脸数据库的建立,特征库的训练,人脸测试以及识别等。通过测试的一些数据分析,本系统运用的算法在ORL、Yale以及自建的人脸库上都能进行很好的人脸识别。通过实验数据知道:(a)Haar分类器人脸检测的时候比LBP分类器检测人脸速度慢,但其识别率要高;(b)三种人脸识别算法各有优缺点,进行训练识别的时候,LBP识别算法相对较慢,ARM平台上,LBP识别率相对于PCA和LDA要高;(c)系统在进行人脸识别的时候,对于图像分辨率而言,分辨率越高,识别率越好;(d)对于不同的人脸库,人脸库数据比较小的话,其识别速度较快,但识别测试样本也会较小,识别率也会相应的降低;(e)对于改进LBP算子中,使用分块加权的算法来进行人脸识别,分块越多识别率越高,但其识别所用的时间也会越长,综合时间和识别率的考虑,本文最终选取的是分四块来进行人脸识别。通过实验结论得出,本系统对于光照具有比较好的鲁棒性,对于佩戴眼镜等饰物也能进行很好的识别,在视频流下系统整体时间延迟28.50ms,具有相当的稳定性和可靠性,该人脸识别系统的设计具有一定的实际使用价值。