人脸表情的识别作为最能直观反映人类情绪的重要手段,被广泛应用在人机交互、自动驾驶、工业监控等领域。实际应用中,往往将人脸表情识别算法实现在云端。随着物联网技术的蓬勃发展和以5G为代表的下一代移动通信技术的运用,越来越多的边缘节点将接入现有的网络体系中。人脸表情识别算法若能实现在嵌入式边缘节点,则将大大降低众多节点产生的海量数据所带来的云端服务器性能负担和维护成本,以及网络带宽需求。在上述背景下,本文着眼于在嵌入式设备上实现一种可以实时采集场景内待检测图像并识别检出人脸的表情的系统,本文的工作主要包含以下几部分内容:首先,本文分析了边缘计算和人脸表情识别的国内外研究现状,以及两者涉及的相关技术,并在此基础上论证了本文的可行性。其次,本文在算法上将人脸表情识别分为人脸检测和深度表情识别两个方面,同时就这两方面分别实现了 Viola-Jones人脸检测框架和基于LeNet-5的改进深度表情识别网络,最终完成了嵌入式平台算法移植与实现。深度表情识别的嵌入式实现是本文的重点内容,在网络设计上采用了较新的激活函数和网络结构,配合清洗、扩张后的FER2013数据库训练出效果较好的表情识别网络;在网络轻量化和部署上研究了CMSIS-NN神经网络框架,就网络定点量化、神经网络相关计算加速两部分讨论了如何在嵌入式设备上部署训练好的表情识别网络。最后,本文在完成理论分析与算法研究的基础上,以STM32H7处理器为核心设计了低成本、高性能的嵌入式机器视觉系统,并在这一系统上实现了人脸检测算法和深度表情识别算法,最终验证了系统的实时性和可靠性。总的来看,本文以在嵌入式边缘设备上实现深度人脸表情识别算法为目标,通过对人脸检测和深度表情识别的算法研究、优化,搭建了一种边缘计算场景下的嵌入式软硬件平台,并成功将其用于人脸表情识别。在满足实时性和低成本的前提下,本文研发的人脸表情识别系统实现了七类人脸标准情绪的识别,同时保证了准确性和鲁棒性;系统还具有良好的人机交互界面和框架体系,为嵌入式机器视觉开发提供了一套参考模板;系统最终实现卷积神经网络轻量化并将网络在边缘节点上部署,为深度学习在边缘设备上的应用提供了一套可行性方案。