人脸关键点检测是人脸识别的基础环节,属于人脸识别相关技术的重要组成部分,广泛应用于智能解锁、人脸支付、三维重建等领域。伴随着4G时代的到来,移动互联网得到了极大的发展,因此面向移动设备的人脸关键点检测技术具有广阔的发展空间。相比于依赖人工标注特征的传统的人脸关键点检测算法,基于深度学习的人脸关键点检测算法能够自行提取出稳定的具有尺度不变性的深层特征,因而检测精度要更高,在性能上要更加优越。然而基于深度学习的人脸关键点检测算法通常有着计算量大、占用内存空间多等特点,难以应用于存储空间和计算资源较为匮乏的移动设备。在这种背景下,本文提出了一种轻量级的面向移动设备的高效人脸关键点检测算法,该检测算法具有三层级联的卷积神经网络结构,可以由整体到局部地对图像中的人脸进行关键点检测,在保持一定的检测精度的同时提升检测速度。并且在提出的算法的基础上使用奇异值分解作进一步的优化,以达到实时检测的效果,并将该优化算法部署于移动设备。本文的主要工作内容如下:(1)对国内外人脸关键点检测算法的研究现状进行深入研究,对几种典型的人脸关键点检测方法进行分析并对比,发现基于深度学习方法的人脸关键点检测算法拥有更优越的性能,由此引出此类算法难以在移动设备上进行应用的特点,从而确定本文的研究方向。(2)对卷积神经网络的理论基础进行深入研究。首先对卷积神经网络的卷积层、池化层、激活层、全连接层等结构深入研究,分析相关结构的原理和特性。然后对几种典型的卷积神经网络结构进行简要阐述。(3)通过前文的分析,对两种不同类型的级联卷积神经网络以及面向移动设备的轻量级卷积神经网络进行研究,在此研究基础上提出了一种面向移动设备的高效人脸关键点检测算法,并使用奇异值分解对该算法作进一步的优化。该算法通过多层级联的卷积神经网络结构对人脸关键点实现由粗略至精细的检测,并与其他人脸关键点检测算法进行对比,实验结果表明本文提出的算法能够较好地在检测精度与速度间权衡,体现了一定的性能优势,并在通过进一步优化之后达到了实时检测的效果,有应用于移动设备的条件,并将其部署于移动设备上运行。