借助算力的提升和云计算架构的推进,依赖于海量计算的深度学习算法迅速发展。在此基础上,许多过去依靠人工难以实现却亟待解决的应用问题获得了可行的解决方案。其中,身份识别问题成为最受人瞩目的问题之一,而依据面部信息进行身份识别的人脸识别方法因其便捷性得到了广泛的关注。目前深度学习算法在人脸识别方面已经取得了可投入应用的成果,但深度学习算法所需的海量算力资源却限制了其解决方案的普遍推广。目前解决算力问题的方法主要分为两类:一类是搭建配备高性能显卡的本地服务器,其成本昂贵且维持持续运算的功耗巨大,设备资源浪费严重;另一类为租用云计算服务,基于资源有限的嵌入式平台在本地完成信息采集、硬件控制和数据传输,而大部分的数据处理被置于云端服务器,这类方法过于依赖网络传输质量且存在潜在的信息泄露风险。针对这些问题,本文提出直接基于嵌入式平台搭建完整人脸识别深度学习解决方案的构想。通过对检测识别算法的原理及实际应用进行调研与分析,针对嵌入式平台资源不足的问题,本文引入一种新型专用计算资源(英特尔神经计算棒)来承担深度学习运算,并在对具有代表性的检测识别算法进行可行性实验后,选用SSD作为检测算法的基本框架进行精简优化,达到11fps的实时检测速度,在标准数据集FDDB上达到93.25%的精度。本文选取分辨能力较强的Sphereface作为人脸识别算法,达到25fps实时识别速度,基于优化的关键点检测模型完成人脸矫正后,在LFW数据集上达到93.03%的识别精度。最终完整识别流程稳定达到7fps,在具体应用场景测试中达到99.78%的识别精度。此外,本文设计了多设备调度机制,在增配计算棒的情况下可以有效提升流程速度。与现有的嵌入式人脸识别系统相比,本文设计的人脸识别深度学习解决方案在效果与扩展性上具有明显的应用优势。本文将完整的人脸识别解决方案应用于门禁使用场景:在门禁系统内部加入基于继电器的门控功能和白名单数据库,并额外加入活体识别机制以防止照片欺诈,提高系统安全性,同时基于Android和iOS搭建移动端交互界面,用于显示并记录识别结果以及远程控制门禁系统内的白名单数据库,最终完成对本文系统的实验评估。本文完成的工作具有强实用性,对于在资源有限但功耗表现优良的嵌入式平台完成高运算量解决方案具有较高参考价值。