由于移动嵌入式设备本身硬件的性能的限制，在运行上需要优化检测、去重等算法，保证APP运行流畅。影响人脸检测运行速度因素主要在输入图片大小，神经网络模型选择和训练模型的数据量等。
人脸检测中使用caffe2来训练SSD模型，SSD网络分为两大部分，前半部分采用VGG16的结构去提取特征图谱（feature map），后半部分采用特征金字塔结构，在所级联的6层卷积网络上分别生成多个候选框，同时进行位置回归和物体分类任务，最后再利用非极大值抑制进行输出（Non-Maximum Suppression）。生成模型caffe.model和deploy.prototxt文件后,我们再将caffe2下SSD网络模型转换为NCNN模型。有时caffe训练的模型版本过低不能转换为NCNN模型，可以利用caffe自带的工具将旧版的caffe模型转换为新版的caffe模型后,再将新版本的模型转换为NCNN模型。在Ubuntu上运行ncnn的可执行文件caffe2ncnn，生成NCNN模型需要的param 与bin 文件。最后发布模型时对模型参数进行加密，运行ncnn提供的ncnn2mem可执行文件将param和bin文件进行二进制加密。对于处理器cortex-A7-600MHZ上运行每秒30帧的1080P图片1-10个人脸检测时间在50至300ms。
检测到人脸后通过OpenCV图像处理算法对人脸图片去重，对于不同的应用场景使用不同的去重算法：
1、Traditional Feature，采用传统图像特征（颜色直方图calcHist（）和LBP直方图特征）进行比对去重。判断两张人脸的这几个相似度，同时满足大于等于阈值的话，算法认为两张人脸为同一人的从而进行去重。函数中可以设置参数hist_thres, lbp_thres, hog_thres, total_thres，hist_thres表示直方图相似度阈值，LBP相似度阈值，HOG阈值（当前未加入，设为-1）和总的阈值（大于等于前三个之和，设为-1的不统计）。 默认阈值分别为0.85， 0.8， -1， 1.7，大概能去除50%的重复人脸，误去重比较低，可以根据实际情况微调阈值。
2、Motion Match，基于运动匹配的快速去重算法，主要针对静态目标的去重，尤其是去除静态误检。通过帧差法判断前后两帧对应目标区域的像素值差异，如果小于差异阈值则认为这些像素在前后两帧的目标区域没有运动，否则认为有运动，如果运动的像素占帧目标区域全部像素的比例大于差异比率的话，则认为前后两帧对应目标运动了，不做去重。函数中可以设置参数diff_thres, diff_ratio表示像素差异阈值和差异比率。默认阈值分别为25， 0.1，主要去除静态重复目标，可以根据实际情况微调阈值。
3、Big Face Track，基于跟踪的去重算法，主要针对多人流量监控，根据跟踪的ID序列进行去重。当前采用检测置信度作为人脸的质量分数，通过跟踪算法获得每个检测到人脸的ID信息，当前基于匹配的跟踪算法要求检测的频率至少是4fps/s，对于30fps的视频流的话track_freq要设置为不大于30/4=7，表示的是每几帧做一次关键帧检测用于跟踪算法；默认的去重算法在每个新的人脸ID出现的时候上传此人脸，中间通过跟踪序列如果质量分高于之前的则进行更新，在某个人脸ID消失的时候判断人脸序列是否有更新，如果有则上传更新人脸。函数中可以设置参数track_freq, dedup_freq, keep_freq，分别表示跟踪频率，去重频率和保留频率。 dedup_freq则表示可以设置每个人脸ID每出现几次就上传一次，默认为0表示不做手动设置（当前还没启用此项功能）；keep_freq用来缓存去重队列中保留的人脸ID序列对应的视频帧，如果超过这个值则进行清理工作（此处后续需要改进，有可能会出现MMZ空间不够的情况），根据系统资源做相应配置。默认值分别为5, 5, 10，去重效果依赖于检测算法和跟踪算法，可以根据实际情况微调阈值。