随着科学技术的不断发展,信息安全不断受到新技术的挑战,人们逐渐将目光转向安全性更高的生物特征识别技术,如指纹识别、虹膜识别、人脸识别等技术。由于人脸识别具有非接触性、非强制性以及准确性较高等优势,目前已经被应用于支付系统、安检系统以及门禁系统等应用系统中。目前,在车站的刷脸进站系统和小区的门禁系统中使用的人脸识别技术都需要被识别者停顿并注视摄像头。为了拓宽人脸识别技术的应用范围,本文设计了一个基于多角度视频的人脸识别系统。该系统可实现大范围、多角度的监控,并采集到更多的人脸图像,从而使得被识别者无需停顿且无需注视摄像头,被识别者只需在给定的空间范围内自由行走即可被识别。本文主要研究了在相对封闭的室内场景下基于多角度视频的人脸识别方法,并进行了系统实现。本文的主要工作如下:(1)设计了基于多角度视频的人脸识别系统的架构和总体解决方案,搭建了一个由多个摄像头组成的人脸识别通道,实现了一个基于多角度视频的人脸识别系统,并通过设置多组实验分析了摄像头和补光灯的安装位置对系统识别率的影响。(2)针对基于LBP特征的AdaBoost人脸检测算法误检率较高的问题,本文设计了一种结合AdaBoost和CNN的人脸检测方案。该方案首先采用AdaBoost算法过滤掉大多数非人脸窗口,然后使用训练好的CNN网络模型对少量的人脸候选窗口进行二次判断,从而实现保留人脸窗口并排除非人脸窗口的目标,在保证一定人脸检测速度的同时,减少了误检率。(3)针对基于深度学习的人脸特征提取模型在CPU上计算速度慢的问题,本文设计了一种改进的轻量级卷积神经网络模型用于人脸特征的提取。本文通过将全连接层替换为卷积层,来实现一个轻量级的全卷积神经网络模型,该模型减少了网络模型参数,缩短了人脸特征提取的时间。