Add to ORKG本文以国家科技支撑计划“国产机器人嵌入式实时操作系统开发与应用示范”为依托，针对目前人脸识别算法在复杂实际应用场景中识别率较低，鲁棒性较差，难以本地实时运算等问题，以及目前新松公司智能服务机器人人脸识别性能指标需要进一步提高，应用领域需要进一步拓展的需求。本课题面向新松智能服务机器人实际应用场景，基于人工智能中的深度学习方法，围绕人脸检测、人脸对齐和人脸识别三个关键模块，进行深入的理论分析与实际应用研究，提出一种具有较强鲁棒性的高精度实时人脸识别方法，并基于NVIDIA TX2嵌入式板卡实现基于深度学习的智能服务机器人人脸识别系统。本文的主要研究成果有：（1）在人脸检测和人脸对齐部分，提出了一种新的级联多任务卷积神经网络，同时实现了人脸检测和面部特征点定位任务。该方法将传统方法中的级联模式引入到深度卷积神经网络，由粗到精对候选区域进行判别。同时，多任务学习将人脸检测和面部特征点定位两个任务融合到一个深度框架中，不仅提高了算法的效率，而且可以充分挖掘任务之间的相关性，提高检测准确率。此外，在第一级模型末端采用了新的分块损失函数，使模型训练时更好地关注局部信息，对由于遮挡和姿态变化产生的部分信息损失具有较好的鲁棒性。最终，该方法在FDDB人脸检测评测数据集上100个误检时达到了90%准确率，在AFLW评测数据集上面部特征点平均定位误差优于传统算法。（2）在人脸识别部分，首先，利用通用三维人脸模板进行多姿态人脸生成，从训练数据姿态增广角度为人脸识别中的大姿态问题提供了一种有效的解决方式。然后，针对深度人脸识别模型参数量巨大的问题，提出了一种轻量化的NIN-ResNet模型。同时，设计了中心损失函数来对类内距离进行度量学习，并以分类损失与中心损失作为模型训练的联合监督信号，增强模型的...