[发明专利]一种移动终端的多面部识别方法

说明书

本发明公开了一种移动终端的多面部识别方法，包括如下步骤：步骤1、建立面部识别数据库；步骤2、初始化摄像头；步骤3、在教室采集正在上课同学的图像，拍照采集图像时所有同学面对摄像头；步骤4、将所述采集的图像传输到系统后端；步骤5、系统后端进行图像预处理、检测与定位、特征提取以及面部匹配与识别；步骤6、根据面部识别结果，对比上课应到名单，得出缺勤同学数据。本发明能够方便老师进行课堂点名，缩短冗长的点名时间，老师只需要课前通过手机拍几张同学们的集体照片，便可以把点名过程交给后端识别处理，等待15秒左右就能在手机上获得较准确的点名结果。

技术领域

本发明是一种移动终端的多面部识别方法，属于面部识别领域。

背景技术

面部识别是一种基于面部特征信息的生物识别技术，用于特定识别。摄影机捕获含有脸部的图像或视频流，并自动检测并跟踪图像中的脸部。进而，通过计算机技术的分析和比较，采用一系列相关技术识别检测到的面部。这些技术通常被称为人类图像识别和跟踪。面部识别和面部识别系统是一种新式的生物识别技术。它集人工智能，机器识别，机器学习，模型理论，专家系统，视频图像处理等专业技术于一体。它需结合中值处理的理论和实现，是国际科学技术领域的高集成度技术。其关键技术的执行表明了人工智能由弱人工智能向强人工智能的转变。面部识别的准确性主要受三个因素的影响：一是光源位置和光强的变化(在背光、弱光、强光等不同照明条件下很难获得标准的面部图像)；二是年龄的变化(年龄影响面部)；三是表情的变化，必须提取面部表情变化并不大的面部特征。

面部识别系统的研究始于20世纪50年代，80年代以来，随着计算机技术和光学成像技术的发展，面部识别系统得到了改进。然而，在20世纪90年代后期，美国、德国和日本的技术已经成为主要的实施阶段。在20世纪50年代，确定了面部器官的特征点及其拓扑关系。优点：简单直观；缺点：一旦面部姿势和表情发生变化，精度会严重降低。1991年，著名的“特征脸”方法第一次将主成分分析和统计特征技术引入面部识别。21世纪前十年，随着人工神经网络理论的发展，学者们尝试了基于遗传算法的面部识别、支持向量机(SVM)、增强、流形学习和核科学方法。2013年，MSRA的科学研究工作者首度探索了10万规模的大训练数据，并基于高维LBP特征和JointBayesian科学方法在LFW上做到了95.17％的精确度。2014年前后，随着大数据和深度学习的发展，神经网络在图像分类、笔迹识别、语音识别等领域受到了全面的注意，获得了比经典科学方法更佳的效果。从那时起，研究人员不断改进网络结构，扩大了训练样本量，使LFW上的识别准确率达到99.5％以上。本发明是针对课堂点名的，需要指出现有课堂点名技术存在的缺陷或问题/或者指出现有的面部识别技术存在的缺陷或问题，本发明能克服上述缺陷或问题。

发明内容

本发明的技术解决问题：人工智能是21世纪最前沿的技术之一。它致力于使计算机能够依据数据和分析做出与人类相似的评判。机器学习的先进技术是深度学习，它放弃了浅层学习，并允许计算机通过持续培训获得定期和复杂的识别方法，直截了当模仿人脑进行图像识别，促进人工智能的发展和完善。提高了机器识别图像的准确性。该方法使用深度学习方法识别面部图像。它不仅可以更准确地识别图像，还可以实现生物识别技术和相关算法的多点聚焦技术，可以为课堂点名带来极大的便利。

本发明的技术解决方案：本发明在B/S(Browser/Server，浏览器/服务器模式)架构下，使用手机拍照进行面部识别记录课堂考勤，实现课堂一键点名功能，主要应用到面部检测、面部分类、面部识别功能，应用了前沿科技热点知识理论如计算机图形学、计算机视觉。通过对该软件进行设计研究并实践，采用理论精度达到0.98的识别方法，因此能够满足现场级应用的需求，为实现该软件的功能提供了理论基础。

本发明提出了一种移动终端的多面部识别方法，其特征在于包括如下步骤：

步骤1、建立面部识别数据库；

步骤2、初始化摄像头；