随着时代的发展,人们的出行次数也变得频繁,在许多公共场所,储物柜已成为不可缺少的工具,它解决了人们碎片化存储物品的需求。同时,随着人们生活品质的提高,现有的储物柜已无法满足人们的要求。人脸识别因其唯一性、非接触性等特点逐渐被用于储物柜系统,相较于传统的储物方式,基于面部识别的储物方式更加安全、高效。因此,研究基于面部识别技术的储物柜系统具有十分重要的意义和价值。在人脸检测与识别任务中,卷积神经网络展现出了优异的性能,为了达到更高的准确率,研究和设计更大更深的网络模型成为主要趋势,但更深的网络模型通常不适用于计算能力较弱和存储空间有限的嵌入式平台,例如电子储物柜。因此本文的主要目的是设计并实现运行速度快、模型体积小、检测与识别精度高,适用于嵌入式平台的轻量级人脸检测识别模型。本文以基于深度学习的人脸检测与识别模型为研究对象,认真研究它们的算法思想和缺点,围绕“轻量化”的目的对模型进行优化和改进,并将模型移植到树莓派平台,完成储物柜系统的设计。本文的主要研究工作如下:第一,在人脸检测方面,对SSD＿Mobile Net网络模型进行优化。首先使用空洞卷积代替传统卷积,将其作为首层卷积,空洞卷积能在相同参数和计算量的前提下,获得更多的感受野和细节特征;其次借鉴Mobile Net的轻量化思想,优化深度可分离卷积,设计得到Tiny构建块,改善深度可分离卷积的信息丢失问题;设计特征融合分支将浅层特征与深层特征进行融合,丰富特征层所包含的特征信息,提高检测精度;重新设计特征检测层,使人脸检测模型更加轻量。第二,在人脸识别方面,使用优化后的Mobile Net网络代替Face Net模型中的主干网络Google Net,使人脸识别模型更加轻量化;在网络末端去除全连接层,采用拥有更少参数和计算量的全局平均池化层,在保证识别精度的情况下,极大程度地减少了模型的体积和运算量;在模型训练阶段,采用Center Loss和Softmax Loss两种损失函数联合训练网络,最终得到精度高、体积小的人脸识别模型。第三,利用上述研究成果,设计并实现了基于面部识别技术的电子储物柜系统。对储物柜系统的人机交互模块进行了详细的设计与实现,并将储物柜系统应用在嵌入式平台上进行了功能测试和性能测试。实验结果表明,该系统运行稳定可靠、实时性好,并且拥有良好的准确率,满足实际储物场景下的基本要求。