人脸检测是计算机视觉领域中的研究热点,在日常工作生活中起着越来越重要的作用,如智能安防、机器人视觉、娱乐美颜等领域均离不开人脸检测技术。在实际应用中,需要在计算资源有限的硬件平台或嵌入式平台上进行人脸检测任务,而传统的人脸检测算法虽然在检测精度方面得到了提高,却忽略了检测实时性,存在网络模型尺寸较大、运行效率低的问题,无法满足移植到低功耗硬件平台或嵌入式平台上的要求,因此,研究高精度、轻量、实时运行的人脸检测算法至关重要。本文提出了一种基于SSD框架的人脸检测算法,以轻量级卷积神经网络为主干网络,保证提取到足够的特征且能够大幅度降低网络复杂度,有效地提高了运行效率。考虑到人脸形状和比例的特殊性,本文对锚点框的数量、尺寸大小以及比例进行了调整,使人脸有更多更适合的锚点框进行匹配,从而提高了人脸检测网络的性能。将本文算法与其它算法对监控场景下的人脸数据集在低成本Ge Force GTX1080硬件平台和嵌入式Jetson TX1平台上进行对比实验,结果表明:本文提出的轻量级人脸检测算法,在保证了一定精度的前提下,模型尺寸仅为2.7MB,相比于S~3FD算法、SSD算法、Mobile Net SSD算法模型尺寸分别减少了87.1MB、92.3MB、19.5MB,在嵌入式Jetson TX1平台上的检测速度达到25FPS,其速度约是S~3FD算法和SSD算法的8倍、Mobile Net SSD算法的4倍,满足实时检测的要求。在上述改进方案的基础上,引入特征融合模块,将浅层和深层特征的语义信息进行融合,进一步提高人脸检测算法的精度。实验结果表明:本文提出的基于特征融合的人脸检测算法,对自建人脸数据集检测的准确率与召回率分别为97.88%与98.28%,在检测精度、模型尺寸、检测速度上均优于Mobile Net SSD算法。本文提出的两种人脸检测算法,在保证一定精度的同时大幅度降低了网络复杂度,提高了人脸检测的速度,能够在低成本硬件平台和嵌入式平台高效运行。