计算机的发展瞬息万变,通过生物特征识别来鉴定个人信息已然成为了理想可靠的验证手段,依赖脸部特征的人脸识别更是凭借其直接、快速、非接触性等特点受到了学术界与产业界的青睐。但在实际场景中,人脸识别往往会受到光照、角度、遮挡等多方面因素的干扰,而深度学习能够利用自身的深层非线性结构,完成逼近复杂函数的功能,对输入样本数据有着强大的特征抽取能力。其中的卷积神经网络更是因其局部感受野、权值共享以及池化采样三大思想,成为了当前人脸识别领域的研究热点。本文充分调研了该课题的意义与背景,并通过国内外发展近况分析了当下人脸检测与识别所存在的主要困难,针对性地进行了以下几个方面的研究:(1)基于MTCNN的人脸检测。MTCNN由三个网络级联组成,其中每个网络均负责处理多个任务,包括检测任务、对齐任务等,同时使用了一种有效的在线难例挖掘方法,一定程度上改进了网络的性能,不仅适用于多目标人脸检测,而且实时性和鲁棒性好。通过在公共数据集与真实数据集上大量严格实验,结果证明MTCNN的确性能优异,检测率高。(2)基于 Inception-ResNet-V1 的人脸识别。Inception-ResNet-V1 网络结合了残差学习的思想,在保证其优秀的人脸图像表征能力同时,还避免了随着网络层次加深带来的精度退化问题。同样的,也在公共数据集以及真实数据集两方面进行验证,实验表明训练好的Inception-Re sNet-V1模型能够在达到实时性要求的条件下,也拥有不错的准确率,同时对于侧脸、遮挡等干扰因素适应性强。(3)将上述研究应用于真实场景中,设计了一个基于实时监控的多人考勤系统。该系统由视频流解析、人脸检测、人脸识别以及日志记录四个核心部分组成。根据实际场景中的情况,本文提出将帧间差分法应用在视频解析中,在此基础上结合人脸区域面积筛选,避免产生大量模糊、光照条件不佳的图像,也提高了系统的运行效率。实验表明,通过上述优化后检测与识别的准确性均得到了一定程度的提升。在真实场景的数据集上进行检验,结果获得了 98.25%的识别准确率,具有较强的实际应用价值。综上所述,本文采用MTCNN和Inception-ResNet-V1网络进行人脸检测和识别,并在公共数据集与真实数据集上进行实验,均取得了较高的准确率,故本文的研究工作具有一定的理论意义与应用价值。