[发明专利]基于密集微小人脸识别的考勤方法、系统、设备及介质

说明书

本发明公开了一种基于密集微小人脸识别的考勤方法、系统、设备及介质，所述方法包括：根据预设扫描次数，获取每次扫描的目标区域的人脸数据；利用创建的图像金字塔和训练好的深度残差网络对目标区域的人脸数据进行检测，以框定人脸框；利用标定模型和训练好的深度残差网络对框定的人脸框进行特征提取，得到人脸深度特征；将人脸深度特征与数据库的深度特征进行比对，获得识别结果；根据每次扫描的识别结果，生成目标区域的考勤记录。本发明可以消除微小人脸特征描述符由于旋转、偏移所产生的影响，在微小人脸区域保留充分的特征细节，更精准快速地提取脸部特征，因此密集微小人脸识别精度较高且可满足多人脸同时识别的需求。

技术领域

本发明涉及一种基于密集微小人脸识别的考勤方法、系统、设备及介质，属于计算机视觉技术领域。

背景技术

考勤是人力资源管理重要内容，是保证工作人员能够自觉遵守劳动纪律以及工作时间的管理手段。近年来，随着大数据与人工智能的迅速发展，IC卡、指纹识别与人脸识别等考勤方法由于其统计精度高，速度快，节省人力等优点，已逐步取代了传统的人工考勤。IC卡与指纹考勤大多一次只能对一个身份进行认证，人脸识别作为考勤的新兴技术，为考勤系统的发展提供更大的空间和可能性。

人脸识别属于计算机视觉的范畴,特指计算机利用分析比较人脸视觉特征信息自动进行身份鉴别的“智能”技术。其研究范围包含图像采集、人脸检测、人脸对齐、特征表示等过程。近些年来随着深度卷积神经网络D-CNN(Deep-Convolution Neural Network)的引入，人脸识别的准确率得以跨越式提升。但由于光照环境、姿态遮挡、年龄变化、图像质量等难题，人脸识别仍是计算机视觉研究的热点。

2014年提出的DeepFace算法使用深度学习框架，重新研究了人脸的对齐和表示步骤，有效地克服以往人脸对齐方法的缺点和局限性。FaceNet算法，重新设计人脸图像的相似性度量，实现人脸识别，身份验证等任务，这些方法侧重于基于图像特征进行人脸识别，这些较为经典的人脸识别方法侧重单人脸识别，对密集微小人脸识别的准确率不高。

综上所述，传统的IC卡签到、指纹识别、人脸识别等考勤方法，虽然识别精度很高，但大多只能实现一次对一个身份的认证，不能同时对多个身份进行认证，效率较为低下。随着Fisherface、Deepface、FaceNet、Arcface等人脸识别算法的提出，针对图像中单一人脸识别技术经过多年的研究已日趋成熟。但人群密集环境下的微小人脸识别的研究仍偏少。由于图像中存在的人脸较多且微小不清晰，人脸检测难度提高且识别精度大大降低，无法满足应用场景的高效需求。且视频流中的人脸识别相比于图像人脸识别，其工作量要大得多，因此如何提高密集微小人脸识别的效率是需要解决的关键问题。

发明内容

有鉴于此，本发明提供了一种基于密集微小人脸识别的考勤方法、系统、设备及介质，其针对密集环境下人脸采集的特殊性，利用密集微小人脸检测的方法框定人脸框，并且利用标定模型和训练好的深度残差网络对框定的人脸框进行特征提取，以消除微小人脸特征描述符由于旋转、偏移所产生的影响，在微小人脸区域保留充分的特征细节，更精准快速地提取脸部特征，因此密集微小人脸识别精度较高且可满足多人脸同时识别的需求。

本发明的第一个目的在于提供一种基于密集微小人脸识别的考勤方法。

本发明的第二个目的在于提供一种基于密集微小人脸识别的考勤系统。

本发明的第三个目的在于提供一种计算机设备。

本发明的第四个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：

一种基于密集微小人脸识别的考勤方法，所述方法包括：

根据预设扫描次数，获取每次扫描的目标区域的人脸数据；

利用创建的图像金字塔和训练好的深度残差网络对目标区域的人脸数据进行检测，以框定人脸框；