一种基于人脸识别的无感考勤系统技术方案

本发明专利技术公开了一种基于人脸识别的无感考勤系统，包括以下步骤：S1通过摄像头预先采集员工人脸图像并提取特征点完成特征样本的获取后存储在PC机中；S2将数据库中的数据建立LAB boosted分类模型以及第二层至四层SURF、MLP分类模型、NMS非极大值抑制；S3当进行人脸识别时通过摄像头检测到画面内所有人脸；S4将检测到的人脸数据进行比对，比对成功继续下一步骤；比对失败，重新跳转到S1。该基于人脸识别的无感考勤系统建立了LABboosted分类模型以及第二层至四层SURF、MLP分类模型，对面部数据进行精准分类，在所拍摄的照片与数据库中的数据进行比对时更加精准，避免比对出现误差进行二次比对，大大提高比对精准度，同时提高了工作人员的打卡时的速度，避免造成排队的情况。避免造成排队的情况。避免造成排队的情况。

【技术实现步骤摘要】
一种基于人脸识别的无感考勤系统


[0001]本专利技术涉及人脸识别
，具体为一种基于人脸识别的无感考勤系统。

技术介绍

[0002]人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。人脸考勤系统，就是依托人脸识别技术的考勤管理系统，人脸考勤系统采集员工的姓名，ID号，员工面部图片，员工在考勤后记录会传递到考勤管理系统中，再由系统来运算缺勤，加班等信息。
[0003]目前市面上所使用的人脸考勤多是单人的方式打卡，要是人员同时上班则会造成排队等情况，而且对于人员近期改变了一些外观面貌或与录入的人脸差距太大则会造成误识别，所以我们提出了一种基于人脸识别的无感考勤系统，以便于解决上述中提出的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于人脸识别的无感考勤系统，以解决上述
技术介绍
提出的目前市面上所使用的人脸考勤多是单人的方式打卡，要是人员同时上班则会造成排队等情况，而且对于人员近期改变了一些外观面貌或与录入的人脸差距太大则会造成误识别的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于人脸识别的无感考勤系统，包括以下步骤：
[0006]S1通过摄像头预先采集员工人脸图像并提取特征点完成特征样本的获取后存储在PC机中；
[0007]S2将数据库中的数据建立LAB boosted分类模型以及第二层至四层SURF、MLP分类模型、NMS非极大值抑制。
[0008]S3当进行人脸识别时通过摄像头检测到画面内的所有人脸；
[0009]S4将检测到的人脸数据通过根据数据库所建立的LAB boosted分类模型以及第二层至四层SURF、MLP分类模型、NMS非极大值抑制进行比对，若比对成功继续下一步骤；若比对不成功，则重新跳转到S1，重新拍照进行识别；
[0010]S5比对成功之后将拍好的近照与数据库内的图片使用K
‑
means算法进行均值比对，若比对结果不大于均值，则不作处理；若比对结果大于均值，则将拍好的照片加入图像库，并将图像库中相似度最低的照片删除。
[0011]优选的，所述算法运行过程中摄像头不可有阻挡，且人脸处的光照不可过暗，与录入环境保持一致。
[0012]优选的，所述步骤S2中所建立的LAB boosted分类模型分为左脸、右脸以及正脸三个模型，且左脸、右脸以及正脸三个模型对应着三份不同的特征、权重以及阈值参数。
[0013]与现有技术相比，本专利技术的有益效果是：该基于人脸识别的无感考勤系统：
[0014](1)建立了LAB boosted分类模型以及第二层至四层SURF、MLP分类模型，对面部数据进行精准分类，在所拍摄的照片与数据库中的数据进行比对时更加精准，避免比对出现误差进行二次比对，大大提高比对精准度，同时提高了工作人员的打卡时的速度，避免造成排队的情况；
[0015](2)采用了K
‑
means算法对采集的照片进行处理，可以通过与数据库的对比对数据库中的照片进行更换以及删除，对于人员面部发生的细微改动也可以实时更新，进一步地提高了比对的精准性。
附图说明
[0016]图1为本专利技术一种基于人脸识别的无感考勤系统流程示意图
具体实施方式
[0017]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0018]实施例一
[0019]一种基于人脸识别的无感考勤系统，包括以下步骤：
[0020]S1、通过摄像头预先采集员工人脸图像并提取特征点完成特征样本的获取后存储在PC机中；
[0021]S2、将数据库中的数据建立LABboosted分类模型以及第二层至四层SURF、MLP分类模型、NMS非极大值抑制。
[0022]1、A：LABboosted分类模型分为左脸、右脸以及正脸三个模型，且左脸、右脸以及正脸三个模型对应着三份不同的特征、权重以及阈值参数；
[0023]B：每个LABboosted模型中，包括150个弱分类器；
[0024]C：弱分类器工作时，以10个为一组进行权重值累计，如果小于对应的累加权重值，则为非人脸窗口，继续下一个滑窗判断；如果15次累加结束(即150个弱分类器)，大于对应的权重值，则判断为人脸窗口。
[0025]2、A：第二层至四层SURF、MLP分类模型一共有三个SURF、MLP分类模型，每个模型在SURF窗口数、MLP神经网络层数、权重/偏置参数有不同，体现在模型文件中；
[0026]B：SURF特征，均是2x2的cells，但特征的宽高比有5种(1:11:22:12:33:2)，比如(0，0，16，16)为1:1、(0，0，32，16)为2:1；
[0027]C：MLP的使用激活函数均为Relu，最后一层激活函数为Sigmoid；
[0028]D：MLP输出结果为4维数据，0：score，1：x回归，2：y回归，3：w/h回归。所有MLP模型score>0.5，且经过NMS后score累加大于默认阈值2，才判断为人脸。(可以理解为NMS前，这个位置至少要有3个窗口叠加，单个人脸窗口score一般为0.9多)。
[0029]3、A：NMS非极大值抑制根据设置iou值(重叠区域/合并区域)来判断两个区域是否需合并。
[0030]B：按score对人脸位置队列排序，高分放在最前面。并设置一个标记位mask_
merged来判断对应区域是否已被合并。
[0031]C：遍历人脸位置队列，分别与后面mask_merged为0的区域进行判断，如果重叠比例大于设定的iou值，则累加score，并将被合并的区域标记位置1。
[0032]S3、当进行人脸识别时通过摄像头检测到画面内的所有人脸；
[0033]S4、将检测到的人脸数据通过根据数据库所建立的LABboosted分类模型以及第二层至四层SURF、MLP分类模型、NMS非极大值抑制进行比对，若比对成功继续下一步骤；若比对不成功，则重新跳转到S1，重新拍照进行识别；
[0034]S5、比对成功之后将拍好的近照与数据库内的图片使用K
‑
means算法进行均值比对，若比对结果不大于均值，则不作处理；若比对结果大于均值，则将拍好的照片加入图像库，并将图像库中相似度最低的照片删除。
[0035]S5中所使用的K
‑
means算法具体为：
[0036]1、选择初始化的K个样本作为初始聚类中心：a＝a1，a2，a3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人脸识别的无感考勤系统，其特征在于，包括以下步骤：S1通过摄像头预先采集员工人脸图像并提取特征点完成特征样本的获取后存储在PC机中；S2将数据库中的数据建立LAB boosted分类模型以及第二层至四层SURF、MLP分类模型、NMS非极大值抑制。S3当进行人脸识别时通过摄像头检测到画面内的所有人脸；S4将检测到的人脸数据通过根据数据库所建立的LAB boosted分类模型以及第二层至四层SURF、MLP分类模型、NMS非极大值抑制进行比对，若比对成功继续下一步骤；若比对不成功，则重新跳转到S1，重新拍照进行识别；S5比对成功之后将拍好的近照与数据库...

【专利技术属性】
技术研发人员：何湫雨，徐晨鑫，朱恩东，钱子瑜，
申请(专利权)人：南京北新智能科技有限公司，
类型：发明
国别省市：