一种人脸识别系统的自我纠正方法、系统及设备技术方案

本发明专利技术提出的一种人脸识别系统的自我纠正方法、系统及设备，首先，统计员工固定周期内在人脸识别系统中的识别时间和识别率，对系统中人脸识别存在问题的用户进行标记作后续处理；然后，对于识别率不高或者识别缓慢的用户增加其在数据库中面部图像的特征向量个数；最后，由人脸识别系统定期批量地识别率较低或者识别缓慢的员工图像进行相似度函数参数的重新训练。本发明专利技术实现了在人脸识别系统的实际使用过程中，对系统中出现识别率低或者识别时间长的问题，进行无人干预的自我纠正。

A self correcting method, system and equipment of face recognition system

【技术实现步骤摘要】
一种人脸识别系统的自我纠正方法、系统及设备
本专利技术涉及人脸识别
，更具体的说是涉及一种人脸识别系统的自我纠正方法、系统及设备。
技术介绍
人脸识别是深度学习的一项重要应用，在现实生活中应用十分广泛，常见于各单位的门禁系统。当前，人脸识别系统中常用的方案如下：人员靠近人脸识别系统时，摄像头会采集人员的面部图像，得到待识别图像，并将其输入人脸识别系统，如果该输入图像与数据库中某位员工的面部图像相似度(由相似度函数计算得到)高于某个设定的阈值，则判断该人为单位员工，予以通过；否则，不予通行。目前采用的人脸识别系统，主要存在的问题是数据库图像是员工的工牌或者档案中的面部图像，数量基本为一张，比较少；而员工面部的妆容或者配饰会经常改变，造成人脸识别系统的识别困难，从而导致系统别时间长或者识别率低等问题。
技术实现思路
针对以上问题，本专利技术的目的在于提供一种人脸识别系统的自我纠正方法、系统及设备，使得实际使用的人脸识别系统自我解决某些员工识别率低和识别时间长的问题，提高人脸识别系统的工作效率。本专利技术为实现上述目的，通过以下技术方案实现：一种人脸识别系统的自我纠正方法，包括如下步骤：S1：通过统计在人脸识别系统中的识别时间和/或识别率异常的用户，确定人脸识别异常用户；S2：采集人脸识别异常用户的面部图像；S3：将采集得到的面部图像输入系统卷积神经网络部分提取得到特征向量，并存入数据库中作为相似度计算的特征向量；S4：系统对人脸识别异常用户的进行人脸识别计算相似度时，采用最新的数据库特征向量与待识别特征向量进行相似度计算，以此达到相似度的最大值；S5：如果人脸识别异常用户的在预设周期内新增的数据库特征向量的数目与其数据库特征向量总数的比值超过预设阈值，以数据库中保存的用户图像作为样本，重新训练相似度函数的参数。进一步，所述人脸识别异常用户在数据库中保存的面部图像的特征向量与系统当前检测得到的特征向量的相似度小于预设相似度阈值。进一步，所述步骤S2包括：如果人脸识别异常用户在固定周期内经过系统时，系统自动采集其面部图像；如果人脸识别异常用户未在固定周期内经过系统，系统不会采集其图像。进一步，所述步骤S4还包括：如果时间最新的特征向量和待识别特征向量的相似度小于预设相似度阈值，则按时间倒序取时间次新的特征向量与时间最新的特征向量的平均值作为特征向量与待识别特征向量进行相似度计算，并再次与预设相似度阈值比较。进一步，所述步骤S5中，重新训练相似度函数的参数，在人脸识别系统预设的工作时间之外的时间段进行。进一步，所述识别时间异常的用户为识别时间大于预设识别时间的用户，所述识别率异常的用户为识别率小于预设识别率的用户。相应的，本专利技术还公开了一种人脸识别系统的自我纠正系统，包括：统计判定模块，用于通过统计固定周期内在人脸识别系统中的识别时间和/或识别率异常的用户，确定人脸识别异常用户；图像采集模块，用于采集人脸识别异常用户的面部图像；图像提取模块，用于将采集得到的面部图像输入系统卷积神经网络部分提取得到特征向量，并存入数据库中作为相似度计算的特征向量；计算模块，用于选用时间最新的数据库特征向量与待识别特征向量进行相似度计算，以此达到相似度的最大值；比较模块，用于比较人脸识别异常用户的在预设周期内新增的数据库特征向量的数目与其数据库特征向量总数的比值是否超过预设阈值；训练模块，用于以数据库中保存的用户图像作为样本，重新训练相似度函数的参数。相应的，本专利技术还公开了一种人脸识别系统的自我纠正设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上文任一项所述人脸识别系统的自我纠正方法步骤。对比现有技术，本专利技术有益效果在于：本专利技术提供了一种人脸识别系统的自我纠正方法、系统及设备，首先，统计员工固定周期内在人脸识别系统中的识别时间和识别率，对系统中人脸识别存在问题的用户进行标记作后续处理；然后，对于识别率不高或者识别缓慢的用户增加其在数据库中面部图像的特征向量个数；最后，由人脸识别系统定期批量地识别率较低或者识别缓慢的员工图像进行相似度函数参数的重新训练。本专利技术实现了在人脸识别系统的实际使用过程中，对系统中出现识别率低或者识别时间长的问题，进行无人干预的自我纠正。由此可见，本专利技术与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。附图1是本专利技术的方法流程图。附图2是本专利技术的系统结构图。具体实施方式下面结合附图对本专利技术的具体实施方式做出说明。在实际人脸识别系统中，系统卷积神经网络部分是保持一致的，只有如此对待识别图像提取的特征向量才具有一致性。数据库存放的用户面部图像外，还存放经过卷积神经网络提前提取的特征向量，如此在计算相似度时可以直接使用，不必重复计算。A代表待识别图像的特征向量，B代表数据库中预提取得到的特征向量，通常使用高维空间距离函数L(A，B)表示特征向量的相似程度(空间距离越近，则相似度越高)。当特征向量A，B的相似度高于给定阈值α时，判断是同一员工。在上述基础上，如图1所示，本专利技术提供了一种人脸识别系统的自我纠正方法，包括如下步骤：S1：通过统计固定周期内在人脸识别系统中的识别时间和/或识别率异常的用户，确定人脸识别异常用户。其中，所述识别时间异常的用户为识别时间大于预设识别时间的用户，所述识别率异常的用户为识别率小于预设识别率的用户。识别时间和/或识别率异常的用户均被认定为人脸识别异常用户。而且，人脸识别异常用户在数据库中保存的面部图像的特征向量与系统当前检测得到的特征向量的相似度小于预设相似度阈值。S2：采集人脸识别异常用户的面部图像。如果人脸识别异常用户在固定周期内经过系统时，系统自动采集其面部图像；如果人脸识别异常用户未在固定周期内经过系统，系统不会采集其图像。S3：将采集得到的面部图像输入系统卷积神经网络部分提取得到特征向量，并存入数据库中作为相似度计算的特征向量。S4：系统再次对人脸识别异常用户的进行人脸识别计算相似度时，优先选用时间最新的数据库特征向量与待识别特征向量进行相似度计算，以此达到相似度的最大值。如果时间最新的特征向量和待识别特征向量的相似度小于预设相似度阈值，则按时间倒序取时间次新的特征向量与时间最新的特征向量的平均值作为特征向量与待识别特征向量进行相似度计算，并再次与预设相似度阈值比较。S5：如果人脸识别异常用户的在预设周期内新增的数据库特征向量的数目与其本文档来自技高网...

【技术保护点】
1.一种人脸识别系统的自我纠正方法，其特征在于，包括如下步骤：/nS1：通过统计在人脸识别系统中的识别时间和/或识别率异常的用户，确定人脸识别异常用户；/nS2：采集人脸识别异常用户的面部图像；/nS3：将采集得到的面部图像输入系统卷积神经网络部分提取得到特征向量，并存入数据库中作为相似度计算的特征向量；/nS4：系统对人脸识别异常用户的进行人脸识别计算相似度时，采用最新的数据库特征向量与待识别特征向量进行相似度计算，以此达到相似度的最大值；/nS5：如果人脸识别异常用户的在预设周期内新增的数据库特征向量的数目与其数据库特征向量总数的比值超过预设阈值，以数据库中保存的用户图像作为样本，重新训练相似度函数的参数。/n

【技术特征摘要】
1.一种人脸识别系统的自我纠正方法，其特征在于，包括如下步骤：
S1：通过统计在人脸识别系统中的识别时间和/或识别率异常的用户，确定人脸识别异常用户；
S2：采集人脸识别异常用户的面部图像；
S3：将采集得到的面部图像输入系统卷积神经网络部分提取得到特征向量，并存入数据库中作为相似度计算的特征向量；
S4：系统对人脸识别异常用户的进行人脸识别计算相似度时，采用最新的数据库特征向量与待识别特征向量进行相似度计算，以此达到相似度的最大值；
S5：如果人脸识别异常用户的在预设周期内新增的数据库特征向量的数目与其数据库特征向量总数的比值超过预设阈值，以数据库中保存的用户图像作为样本，重新训练相似度函数的参数。


2.根据权利要求1所述的人脸识别系统的自我纠正方法，其特征在于，
所述人脸识别异常用户在数据库中保存的面部图像的特征向量与系统当前检测得到的特征向量的相似度小于预设相似度阈值。


3.根据权利要求1所述的人脸识别系统的自我纠正方法，其特征在于，
所述步骤S2包括：
如果人脸识别异常用户在固定周期内经过系统时，系统自动采集其面部图像；如果人脸识别异常用户未在固定周期内经过系统，系统不会采集其图像。


4.根据权利要求1所述的人脸识别系统的自我纠正方法，其特征在于，
所述步骤S4还包括：
如果时间最新的特征向量和待识别特征向量的相似度小于预设相似度阈值，则按时间倒序取时间次新的特征向量与时间最新的特征向量的平均...

【专利技术属性】
技术研发人员：王振，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：江苏;32