一种基于深度学习算法的人脸识别签到方法及装置制造方法及图纸

本申请公开了一种基于深度学习算法的人脸识别签到方法及装置，上述人脸识别签到方法包括：采集人物图像，基于Haar特征和积分图原理对上述人物图像进行处理，以确定上述人物图像中的人脸区域，确定所述人脸区域中各关键点的位置，从上述人物图像中截取上述人脸区域，并基于空间变换原则和预设的关键点参考位置对上述人脸区域中各关键点进行位置校正，得到人脸图像，将上述人脸图像输入预设的卷积神经网络，得到人脸特征信息，将上述人脸特征信息与预设的人员数据库进行匹配，若匹配成功，且本次匹配到的人员未签到，则根据当前时间为本次匹配到的人员执行签到处理。本申请提供的技术方案，可在高效率下提高人脸识别签到的准确率。

【技术实现步骤摘要】
一种基于深度学习算法的人脸识别签到方法及装置
本申请涉及电子签到
，尤其涉及一种基于深度学习算法的人脸识别签到方法及装置。
技术介绍
人脸是确定一个人身份时采用的最普遍的生物特征，研究人脸识别及其相关技术具有十分重要的理论价值和应用价值，人脸作为身份认证的条件，而“随身携带”的特征是其便利性的体现，同样其不可遗失性是能够保证识别的安全性，作为认证人员身份的手段，使用人们自身的生物特征来认证似乎更符合人们的认知，也是当下一段时间和未来的发展趋势。现有的人脸识别签到方法要求用户在签到时与签到设备保持预设距离，且不可移动，既不方便也不高效，如果用户在签到时移动或是拍摄光线不理想都会导致待测图像不清晰，影响检测结果，进而降低人脸识别签到的准确率。
技术实现思路
本申请提供了一种基于深度学习算法的人脸识别签到方法及装置，可在高效率下提高人脸识别签到的准确率。为实现上述技术效果，本申请第一方面提供了一种基于深度学习算法的人脸识别签到方法，上述人脸识别签到方法包括：采集人物图像，其中，上述人物图像为进入预设区域内的人物的图像；基于Haar特征和积分图原理对上述人物图像进行处理，以确定上述人物图像中的人脸区域；确定上述人脸区域中各关键点的位置；从上述人物图像中截取上述人脸区域，并基于空间变换原则和预设的关键点参考位置对上述人脸区域中各关键点进行位置校正，得到人脸图像；将上述人脸图像输入预设的卷积神经网络，得到上述卷积神经网络输出的人脸特征信息，其中，上述卷积神经网络预先基于人脸图像样本训练得到；将上述人脸特征信息与预设的人员数据库进行匹配，其中，上述人员数据库包含预先录入的各个人员的人脸特征信息；若匹配成功，且本次匹配到的人员未签到，则根据当前时间为本次匹配到的人员执行签到处理。基于本申请第一方面，在第一种可能的实现方式中，上述基于Haar特征和积分图原理对上述人物图像进行处理包括：计算上述人物图像的Haar特征的特征值，并基于积分图原理加速上述特征值的计算；基于上述特征值对每个Haar特征训练一个弱分类器；基于上述弱分类器生成强分类器；将上述强分类器级联起来构成级联分类器；基于上述级联分类器对上述人物图像进行处理，以确定上述人物图像中的人脸区域。基于本申请第一方面，或者本申请第一方面的第一种可能的实现方式，在第二种可能的实现方式中，上述确定上述人脸区域中各关键点的位置具体为：基于随机森林算法确定上述人脸区域中各关键点的位置。基于本申请第一方面，或者本申请第一方面的第一种可能的实现方式，在第三种可能的实现方式中，上述基于空间变换原则和预设的关键点参考位置对上述人脸区域中各关键点进行位置校正包括：基于变换矩阵对上述人脸区域及上述人脸区域中各关键点进行归一化处理，上述变换矩阵为：其中，θ表示坐标点旋转时绕原点逆时针旋转的角度，sx表示横坐标放大的倍数，sy表示纵坐标放大的倍数，p表示横坐标平移的距离，q表示纵坐标平移的距离，x表示变换前的横坐标，y表示变换前的纵坐标，x′表示变换后的横坐标，y′表示变换后的纵坐标；基于上述关键点参考位置对归一化处理后的上述人脸区域中各关键点进行位置校正。本申请第二方面提供了一种基于深度学习算法的人脸识别签到装置，上述人脸识别签到装置包括：采集单元，用于采集人物图像，其中，上述人物图像为进入预设区域内的人物的图像；第一处理单元，用于基于Haar特征和积分图原理对上述人物图像进行处理，以确定上述人物图像中的人脸区域；确定单元，用于确定上述人脸区域中各关键点的位置；截取单元，用于从上述人物图像中截取上述人脸区域；校正单元，用于基于空间变换原则和预设的关键点参考位置对上述人脸区域中各关键点进行位置校正，得到人脸图像；输入单元，用于将上述人脸图像输入预设的卷积神经网络，得到上述卷积神经网络输出的人脸特征信息，其中，上述卷积神经网络预先基于人脸图像样本训练得到；匹配单元，用于将上述人脸特征信息与预设的人员数据库进行匹配，其中，上述人员数据库包含预先录入的各个人员的人脸特征信息；签到单元，用于当匹配成功，且本次匹配到的人员未签到时，根据当前时间为本次匹配到的人员执行签到处理。基于本申请第二方面，在第一种可能的实现方式中，上述第一处理单元包括：计算单元，用于计算上述人物图像的Haar特征的特征值，并基于积分图原理加速上述特征值的计算；训练单元，用于基于上述特征值对每个Haar特征训练一个弱分类器；生成单元，用于基于上述弱分类器生成强分类器；级联单元，用于将上述强分类器级联起来构成级联分类器；子处理单元，用于基于上述级联分类器对上述人物图像进行处理，以确定上述人物图像中的人脸区域。基于本申请第二方面或者本申请第二方面的第一种可能的实现方式，在第二种可能的实现方式中，上述确定单元具体用于：基于随机森林算法确定上述人脸区域中各关键点的位置。基于本申请第二方面或者本申请第二方面的第一种可能的实现方式，在第三种可能的实现方式中，上述校正单元包括：第二处理单元，用于基于变换矩阵对上述人脸区域及上述人脸区域中各关键点进行归一化处理，上述变换矩阵为：其中，θ表示坐标点旋转时绕原点逆时针旋转的角度，sx表示横坐标放大的倍数，sy表示纵坐标放大的倍数，p表示横坐标平移的距离，q表示纵坐标平移的距离，x表示变换前的横坐标，y表示变换前的纵坐标，x′表示变换后的横坐标，y′表示变换后的纵坐标；子校正单元，用于基于上述关键点参考位置对归一化处理后的上述人脸区域中各关键点进行位置校正。本申请第三方面提供了一种人脸识别签到装置，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现权利要求1至4中任一项上述方法的步骤。本申请第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现权利要求1至4中任一项上述方法的步骤。由上可见，本申请方案公开了一种基于深度学习算法的人脸识别签到方法及装置，上述人脸识别签到方法包括：采集人物图像，基于Haar特征和积分图原理对上述人物图像进行处理，以确定上述人物图像中的人脸区域，确定上述人脸区域中各关键点的位置，从上述人物图像中截取上述人脸区域，并基于空间变换原则和预设的关键点参考位置对上述人脸区域中各关键点进行位置校正，得到人脸图像，将上述人脸图像输入预设的卷积神经网络，输出的人脸特征信息，将上述人脸特征信息与预设的人员数据库进行匹配，若匹配成功，且本次匹配到的人员未签到，则根据当前时间为本次匹配到的人员执行签到处理。一方面，由于上述人物图像为进入预设区域内的人物图像，预设区域可以根据用户需求进行设置，是一个区域范围，进入这个区域范围内会自动进行采集识别，因此不本文档来自技高网...

【技术保护点】
1.一种基于深度学习算法的人脸识别签到方法，其特征在于，包括：/n采集人物图像，其中，所述人物图像为进入预设区域内的人物的图像；/n基于Haar特征和积分图原理对所述人物图像进行处理，以确定所述人物图像中的人脸区域；/n确定所述人脸区域中各关键点的位置；/n从所述人物图像中截取所述人脸区域，并基于空间变换原则和预设的关键点参考位置对所述人脸区域中各关键点进行位置校正，得到人脸图像；/n将所述人脸图像输入预设的卷积神经网络，得到所述卷积神经网络输出的人脸特征信息，其中，所述卷积神经网络预先基于人脸图像样本训练得到；/n将所述人脸特征信息与预设的人员数据库进行匹配，其中，所述人员数据库包含预先录入的各个人员的人脸特征信息；/n若匹配成功，且本次匹配到的人员未签到，则根据当前时间为本次匹配到的人员执行签到处理。/n

【技术特征摘要】
1.一种基于深度学习算法的人脸识别签到方法，其特征在于，包括：
采集人物图像，其中，所述人物图像为进入预设区域内的人物的图像；
基于Haar特征和积分图原理对所述人物图像进行处理，以确定所述人物图像中的人脸区域；
确定所述人脸区域中各关键点的位置；
从所述人物图像中截取所述人脸区域，并基于空间变换原则和预设的关键点参考位置对所述人脸区域中各关键点进行位置校正，得到人脸图像；
将所述人脸图像输入预设的卷积神经网络，得到所述卷积神经网络输出的人脸特征信息，其中，所述卷积神经网络预先基于人脸图像样本训练得到；
将所述人脸特征信息与预设的人员数据库进行匹配，其中，所述人员数据库包含预先录入的各个人员的人脸特征信息；
若匹配成功，且本次匹配到的人员未签到，则根据当前时间为本次匹配到的人员执行签到处理。


2.根据权利要求1所述的人脸识别签到方法，其特征在于，所述基于Haar特征和积分图原理对所述人物图像进行处理包括：
计算所述人物图像的Haar特征的特征值，并基于积分图原理加速所述特征值的计算；
基于所述特征值对每个Haar特征训练一个弱分类器；
基于所述弱分类器生成强分类器；
将所述强分类器级联起来构成级联分类器；
基于所述级联分类器对所述人物图像进行处理，以确定所述人物图像中的人脸区域。


3.根据权利要求1或2所述的人脸识别签到方法，其特征在于，所述确定所述人脸区域中各关键点的位置具体为：基于随机森林算法确定所述人脸区域中各关键点的位置。


4.根据权利要求1或2所述的人脸识别签到方法，其特征在于，所述并基于空间变换原则和预设的关键点参考位置对所述人脸区域中各关键点进行位置校正包括：
基于变换矩阵对所述人脸区域及所述人脸区域中各关键点进行归一化处理，所述变换矩阵为：



其中，θ表示坐标点旋转时绕原点逆时针旋转的角度，sx表示横坐标放大的倍数，sy表示纵坐标放大的倍数，p表示横坐标平移的距离，q表示纵坐标平移的距离，x表示变换前的横坐标，y表示变换前的纵坐标，x′表示变换后的横坐标，y′表示变换后的纵坐标；
基于所述关键点参考位置对归一化处理后的所述人脸区域中各关键点进行位置校正。


5.一种基于深度学习算法的人脸识别签到装置，其特征在于，包括：
采集单元，用于采集人物图像，其中，所述人物图像为进入预设区域内的人物的图像；
第一处理单元，用于基于Haar特征和积分图原理对所述人物图像进行处理，以确定...

【专利技术属性】
技术研发人员：谷雨，王伟，王朝阳，徐洪福，蒋曦，刘志远，刘盼盼，刘海峰，刘东亮，王曼曼，杨越，
申请(专利权)人：国网河北省电力有限公司沧州供电分公司，国家电网有限公司，国网河北省电力有限公司，
类型：发明
国别省市：河北;13