[发明专利]一种基于级联神经网络和特征融合的人脸考勤系统

说明书

本发明涉及一种基于级联神经网络和特征融合的人脸考勤系统，包括：人脸检测模块，用于对图像进行预处理，提取大量人脸候选窗口及边框回归向量，利用多级卷积神经网络对人脸候选窗口进行筛选，根据每级网络得出的人脸预测值求取平均值作为最终检测结果得到人脸图像；人脸识别模块，通过Gabor小波特征从人脸图像中提取人脸的局部特征信息，并利用神经网络的卷积层提取人脸的深度特征，将融合局部特征和深度特征作为新的人脸特征并完成人脸识别；考勤模块，将识别出的人脸与数据库中的人脸进行匹配以达到考勤的目的。本发明能够达到增强抗干扰性，提高人脸检测和识别精度的效果。

技术领域

本发明涉及数字图像处理技术和机器学习领域，特别是涉及一种基于级联神经网络和特征融合的人脸考勤系统。

背景技术

随着时代的发展和信息科技的进步，人脸检测和识别技术获得了广泛研究。但是在人脸的识别研究中仍然需要解决人脸作为生物特征的特点所带来的困难和挑战，一方面需要考虑到人脸结构、面部器官形状相似所带来的类间微小变化，需要通过提取隐性特征的强判别性来放大这种类间变化，进而识别不同个体。另一方面，需要考虑到各种外部环境因素所带来的干扰，如不同的面部表情、人脸的旋转角度、外界光照以及随年龄增长所引起的面部结构的变化都会对个体的识别产生影响，从而在人脸的识别问题上带来困难。传统的人脸识别算法主要通过人工设计提取人脸的纹理、面部结构等特征来表示人脸，然后通过检测图像中人脸的纹理与结构作对比匹配，从而达到实现人脸匹配的效果。

当前，随着人工智能和深度学习的发展，对于图像的处理和学习，使得在人脸检测和识别技术方面有了一个新的提高，人脸的识别准确率也有显著的提高。深度学习通过对大量原始的人脸图像数据进行训练和学习，提取更具区分能力的有效特征来区分个体。因此这种方法在一定程度上提高了区分度，减弱了其他因素对于人脸识别的影响。但是考虑到在实际应用中需具备更高的安全性和稳定性，所以此类方法还有较大的优化空间。

发明内容

本发明所要解决的技术问题是提供一种基于级联神经网络和特征融合的人脸考勤系统，能够达到增强抗干扰性，提高人脸检测和识别精度的效果。

本发明解决其技术问题所采用的技术方案是：提供一种基于级联神经网络和特征融合的人脸考勤系统，包括：人脸检测模块，用于对图像进行预处理，提取大量人脸候选窗口及边框回归向量，利用多级卷积神经网络对人脸候选窗口进行筛选，根据每级网络得出的人脸预测值求取平均值作为最终检测结果得到人脸图像；人脸识别模块，通过Gabor小波特征从人脸图像中提取人脸的局部特征信息，并利用神经网络的卷积层提取人脸的深度特征，将融合局部特征和深度特征作为新的人脸特征并完成人脸识别；考勤模块，将识别出的人脸与数据库中的人脸进行匹配以达到考勤的目的。

所述人脸检测模块在对图像进行预处理时，具体包括图像进行光照补偿和滤波处理，同时提取图像中人脸区域、非人脸区域和边框。

所述人脸检测模块利用多级卷积神经网络进行检测时具体为：利用第一级神经网络进行对候选窗口及边框的预测，得出窗口为人脸的概率为X₁，将通过筛选的窗口和边框进入下级网络，得出下级的预测结果为X₂，以此类推得到每一级网络的预测结果，最后求取各级网络的预测结果值的平均值得出最后的检测结果。

所述人脸识别模块在通过Gabor小波特征从人脸图像中提取人脸的局部特征信息时，采用的二维Gabor滤波器核为其中，(x₀,y₀)是高斯核的中心点，θ是高斯核的旋转方向，(σ_x,σ_y)是高斯核两个方向上的尺度，(u₀,v₀)为频域坐标，K为高斯核的幅度比例；将二维Gabor滤波器核与图像卷积得到图像局部特征。

所述人脸识别模块在利用神经网络的卷积层提取人脸的深度特征时将最后一层卷积层的输出作为人脸图像的深度特征。