本发明专利技术涉及一种基于深度卷积神经网络的人脸识别方法和考勤系统。系统包括在用户管理服务器上录入用户信息、人脸样本标签后发送至中心服务器；在中心服务器中，利用预处理的样本标签构建基于深度卷积神经网络的人脸识别模型；员工在各个地点的考勤机上，通过已经训练好的神经网络进行在线人脸识别，人脸识别结果将通过内部局域网返回用户管理服务器；管理人员可以在用户管理服务器上进行考勤记录查询、修改等。本发明专利技术使用的基于深度卷积神经网络的人脸识别算法，既能避免传统手工提取带来的特征描述不全面、不确定等问题，又能借助感受野和权值共享的优点，提高了人脸识别率，从而增加考勤系统的精确率。
【技术实现步骤摘要】
本专利技术涉及图像处理及模式识别领域，尤其涉及一种基于深度卷积神经网络的人 脸识别方法和基于该方法的考勤系统。
技术介绍
人脸识别主要用于身份识别，特别是近年来随着计算机技术、图像处理技术、模式 识别技术等快速进步，而出现的一种崭新的生物特征识别技术。由于可广泛应用于安全验 证、视频监控、出入口控制等诸多领域，识别速度快、识别率高，因此已经成为身份识别技术 研究领域主要的发展方向。目前主流的人脸识别考勤系统都是在手工提取特征的基础上，应用分类算法进行 人脸识别。由于容易受到光线变化、背景、姿态等诸多因素的干扰，使得通过手工提取的特 征在以上外界因素发生变化时，导致原始图像出现结构丢失、特征描述不全面和不确定等 问题，这些缺陷导致人脸识别率低，可靠性差，无法进行大面积推广等。因此实现准确快速 的人脸识别考勤技术成为当前具有挑战性的问题。
技术实现思路
针对上述技术问题，本专利技术提出了一种基于深度卷积神经网络的人脸识别方法和 考勤系统，对背景、光照以及姿态等变化具有较好的鲁棒性，可以直接将原始图片作为网络 的输入，抗干扰能力和识别率更高。 本专利技术为了解决上述问题，采用如下技术方案： 一种基于深度卷积神经网络的人脸识别方法，其特征在于包括如下步骤： (1)用户信息的采集：通过用户管理服务器录入员工个人信息并采集人脸样本， 对采集的人脸样本进行预处理，将预处理后的人脸样本与员工个人信息相关联；用户管理 服务器将关联后的员工个人信息与人脸样本发送至中心服务器； (2)人脸识别模型的构建：在中心服务器中构建基于深度卷积神经网络的人脸识 别模型，用步骤（1)的员工个人信息和人脸样本对深度卷积神经网络进行训练，并在中心 服务器中保存训练结果； (3)人脸的在线识别：在分布于各个地点的考勤机上进行在线人脸识别验证输 入，验证输入数据通过内部局域网由用户管理服务器发送至构建有人脸识别模型的中心服 务器中，人脸识别结果通过内部局域网返回给用户管理服务器和各个考勤机上面； (4)后台考勤数据的管理与分析：在用户管理服务器上修改考勤员工的信息、设 置考勤班次、考勤人员限权、密码修改操作；人脸的在线识别之后，在用户管理服务器上查 询考勤记录并能备份保存考勤记录。 上述技术方案中，步骤（1)用户信息的采集过程具体包括如下步骤： St印1 :通过用户管理服务器建立员工个人信息，并为员工个人信息分配用户ID ; St印2:通过用户管理服务器采集员工人脸样本，在采集人脸样本时，人脸保持与 摄像头30-80cm距尚；Step3:应用Haar特征与Adaboost算法对人脸样本进行检测，将检测到人脸区域 的图像进行截取，通过尺度归一化、直方图均衡对所采集的人脸样本进行预处理； St印4 :将所有预处理后的人脸样本与该员工的用户ID进行关联；Step5:返回至Stepl对下一个员工进行人脸样本采集； 上述技术方案中，步骤（2)人脸识别模型的构建具体包括如下步骤：Stepl:在中心服务器中构建深度卷积神经网络：整个深度卷积神经网络分为7 层，输入层神经元数为人脸样本的像素大小，其余各层参数设置为： 第1、3、5层分别为卷积层Cl、C2、C3,分别由6张5X5、12张5X5、12张5X5特 征图构成，每个神经元与输入中5X5的邻域相连； 第2、4层为下采样层Sl、S2,第2、4层特征图中的每个神经元与第1、3层中相对 应特征图的2X2邻域相连接； 第6层为隐含层，将C3的12张特征图中的特征值排列为一条列向量形成特征向 量，对一维的特征进行最后的分类识别； 第7层为输出层；神经元的数量由员工注册的人数所决定的，代表了共有多少个 员工；Step2:对深度卷积神经网络进行训练，主要包含以下两个阶段： 第1阶段：前向传播：将采集的人脸图片与用户ID输入到已经设置好的深度卷积 神经网络里面，通过逐级向前传播得到输出〇p; 第2阶段：反向传播：计算输出0P与相应的理想输出Yp的差，按极小化误差的方 法调整权值矩阵。 上述技术方案中，步骤（3)人脸的在线识别具体包括如下步骤：St印1 :员工在考勤机上进行用户ID验证，若输入的ID号是已经在用户管理服务 器上注册的有效用户，系统自动启动摄像头进行人脸图像采集；Step2:将采集的人脸样本通过用户管理服务器主机预处理后，发送至构建有人 脸识别模型的中心服务器中，由中心服务器对当前人脸进行识别，给出当前人脸的员工ID 号；St印3:若能输出员工ID号，则中心服务器判断输出与所输入ID号是否一致，若一 致，即显示员工姓名，并且记录下考勤的时间点、照片、考勤地点、ID号通过局域网返回给用 户管理服务器和考勤机；如果不能输出员工ID号，则继续检测人脸，重新识别； St印4 :点击"返回"即可进入下一个人员的考勤；Step5:考勤结束时，点击"结束"按钮即可结束考勤； 各步骤中信息传送所用的是IP/TCP协议。 上述技术方案中，步骤（4)在用户管理服务器上进行后台考勤数据的管理与分析 包括如下具体步骤：Stepl:员工信息的编辑：用于员工的基本信息用Access数据库管理，主要包括员 工信息的增加，删除，修改，转移等操作； St印2 :员工出勤分析：当考勤完毕时，在用户管理服务器上面生成考勤记录报 表，主要包括员工是否请假、迟到； Step3:系统管理模块：管理员通过查勤系统，设置考勤的班次、考勤人员的限权、 密码修改等操作。 -种基于深度卷积神经网络的人脸识别考勤系统，其特征在于包括： 若干个分布于各个地点的配置摄像头的考勤机，用于进行用户ID验证并在验证 正确情况下进行人脸图像采集； 用户管理服务器，用于录入员工个人信息并采集人脸样本，对采集的人脸样本进 行预处理，将预处理后的人脸样本与员工个人信息相关联；将关联后的员工个人信息与人 脸样本发送至中心服务器；验证输入ID号和预处理来自考勤机在线检测的人脸样本后，将 输入ID号和预处理的人脸样本发送给中心服务器；接收来自中心服务器的在线人脸识别 结果； 中心服务器，用于构建基于深度卷积神经网络的人脸识别模型，对深度卷积神经 网络进行训练；接收来自用户管理服务器的输入的人脸数据和用户ID，并进行在线人脸数 据与用户ID匹配，将在线人脸识别结果返回给用户管理服务器和考勤机； 考勤机、用户管理服务器、中心服务器通过内部局域网连接。 上述技术方案中，内部局域网采用IP/TCP协议。 上述技术方案中，用户管理服务器为Windows7操作系统，中心服务器为Windows Server2012〇 本专利技术利用基于深度卷积神经网络的人脸识别方法构建了一套完整的考勤系统， 为了对该考勤系统进行准确描述，本专利技术将该系统分为四个主要部分，并分别对其进行详 细描述：用户信息的采集、人脸识别模型的构建、人脸的在线识别、后台考勤数据的管理与 分析。卷积神经网络是为识别二维形状而特别设计的一个多层感知器。当其输入是二维人 脸图像时，图像不需要传统识别算法中复杂的特征提取和数据重建过程，可以直接将原始 图片作为网络的输入；在识别过程中，卷积神经网络通过借助局部感受野，即能够保证原始 信号空间结构关系的不变性，又能够通过共享权值减少网络中需要训练的参数。通过所构 建的多层卷积神经网本文档来自技高网...
【技术保护点】
一种基于深度卷积神经网络的人脸识别方法，其特征在于包括如下步骤：(1)用户信息的采集：通过用户管理服务器录入员工个人信息并采集人脸样本，对采集的人脸样本进行预处理，将预处理后的人脸样本与员工个人信息相关联；用户管理服务器将关联后的员工个人信息与人脸样本发送至中心服务器；(2)人脸识别模型的构建：在中心服务器中构建基于深度卷积神经网络的人脸识别模型,用步骤(1)的员工个人信息和人脸样本对深度卷积神经网络进行训练,并在中心服务器中保存训练结果；(3)人脸的在线识别：在分布于各个地点的考勤机上进行在线人脸识别验证输入，验证输入数据通过内部局域网由用户管理服务器发送至构建有人脸识别模型的中心服务器中，人脸识别结果通过内部局域网返回给用户管理服务器和各个考勤机上面；(4)后台考勤数据的管理与分析：在用户管理服务器上修改考勤员工的信息、设置考勤班次、考勤人员限权、密码修改操作；人脸的在线识别之后，在用户管理服务器上查询考勤记录并能备份保存考勤记录。
【技术特征摘要】
【专利技术属性】
技术研发人员：吴怀宇，何云，钟锐，陈镜宇，程果，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。