随着大数据和人工智能时代的到来,人脸检测作为人脸识别技术的第一步,具有重要的研究意义。同时移动端设备的快速发展,为人脸检测算法的广泛部署提供了新的可能。然而当前主流的高精度人脸检测深度模型结构复杂、参数量巨大,通常依赖于高性能的图形处理器等硬件支持。而移动端设备有限的计算能力和存储资源无法满足其需求,限制了人脸检测技术在移动应用场景中的普及。因此,如何在资源受限的移动端平台上设计部署小尺寸、低能耗、高精度的人脸检测模型,成为当下迫切需要解决的问题。针对这一问题,本文主要从模型大小、检测精度两个方面对人脸检测算法进行研究,提出了一种面向于移动端的轻量级人脸检测算法Tiny-SSH,设计并实现了面向移动端的实时人脸检测系统。主要工作内容如下:1.针对移动端人脸检测对小尺寸模型和高检测速度的需求,本文在既有模型的基础上,设计了一种基于轻量级卷积神经网络的人脸检测算法Tiny-SSH。该算法在保持SSH人脸检测模型优点的基础上,主要进行了两方面的改进:一是采用轻量级卷积网络Mobile Net作为特征提取器,以降低模型计算复杂度;二是考虑到轻量级卷积网络相对深层卷积网络的特征提取能力较弱,会使模型精度降低,设计了一种包含可变形卷积的检测模块,保持模型的检测精度。实验结果表明,该算法有效降低了模型计算复杂度,减少了网络参数量,实现了对模型的推理加速。2.为了进一步提高人脸检测模型的检测精度,本文设计了一种基于知识蒸馏的新型网络架构。利用高精度的教师网络学习到的知识来指导学生网络,并设计一种基于知识蒸馏的人脸损失函数对网络进行优化,通过训练使得学生网络具有与教师网络相当的检测率,进而达到提高学生网络检测精度的目的。实验结果表明,经过训练后得到的模型检测效果与训练前的学生网络相比,在Wider Face验证集的三个子集上均得到了提高。与目前主流算法相比,在检测准确率、推理速度、模型大小等方面均占有优势。3.基于前述工作,本文设计实现了基于轻量级人脸检测算法Tiny-SSH的移动端实时人脸检测系统。该系统具备实时监控检测、视频录制与截图、监控回放与检测三种功能,同时具有较好的实时性和准确性,对工程应用具有一定的参考意义。