[发明专利]一种无感知人脸识别考勤方法及装置

说明书

本发明公开一种无感知人脸识别考勤方法，涉及图像识别技术领域，其识别过程包括：步骤S1、通过考勤机的摄像头采集人脸视频，从视频中抽取多张连续的视频帧；步骤S2、利用人脸检测算法，提取视频帧中的人脸特征，将提取的人脸特征与数据库中预先存储的人脸图像进行相似度匹配，并找出相似度最高的人脸图像及其对应的身份信息；步骤S3、将步骤S2所找出人脸图像的身份信息与考勤名单中的身份信息进行比对，若比对结果一致，则该身份考勤成功，若比对结果不一致，则该身份为缺勤状态。本发明还公开一种无感知人脸识别考勤装置，其用于实现前述方法，解决了人员漏检和排队考勤的问题，提高了办事效率，具有使用方便、识别率高的优点。

技术领域

本发明涉及图像识别技术领域，具体的说是一种无感知人脸识别考勤方法及装置。

背景技术

人工智能(Artificial Intelligence,简称AI)，是指可模仿人类智能来执行任务，并基于收集的信息对自身进行迭代式改进的系统和机器。

AI更多的是一种为超级思考和数据分析而服务的过程和能力，而不是一种格式或功能。在不少人看来，AI意味着高功能的类人机器人接管世界。事实上，AI的初衷并不是要取代人类，它旨在大幅增强人类的能力和贡献。

人工智能算法(Artificial intelligence algorithm)，也被称之为软计算，它是人们受自然界规律的启迪，根据其原理模拟求解问题的算法。目前的人工智能算法有人工神经网络遗传算法、模拟退火算法、群集智能蚁群算法和例子群算等等。随着人工智能算法的不断优化，不仅可以帮助我们提高工作效率、改善我们的生活水平，同时也能为我们在庞大的现代信息资源中迅速的找到我们所需要的信息。

Mask R-CNN算法的Mask-RCNN是一个实例分割(Instance segmentation)框架，通过增加不同的分支可以完成目标分类，目标检测，语义分割，实例分割，人体姿态估计等多种任务。对于实例分割来讲，就是在Faster-RCNN的基础上(分类+回归分支)增加了一个分支用于语义分割。

MTCNN算法是英文Multi-task Cascaded Convolutional Neural Networks的缩写，翻译过来就是多任务级联卷积神经网络。第一次将人脸检测和人脸特征点定位结合起来得到的人脸特征点又可以实现人脸校正。该算法由3个阶段组成：第一阶段，通过CNN快速产生候选框体；第二阶段，通过更复杂一点的CNN精炼候选窗体，丢弃大量的重叠窗体；第三阶段，使用更强大的CNN，实现候选窗体去留，同时回归5个面部关键点。

FSA-Net算法采用一个双异构流，即stream one和stream two，采用双stream的目的是两个stream之间可以互相补充有效信息，每个stream所采用的结构都不相同。在双异构流中，每个stream在每一阶段的K中都提取一个特征映射；利用阶段融合模块，通过元素相乘的方式在每一阶段将两个stream提取的特征进行融合(中间的绿色方框)，而不是等到最后再融合；利用阶段融合模块，通过元素相乘的方式在每一阶段将两个stream提取的特征进行融合，而不是等到最后再融合；将融合后的特征利用1x1的卷积转换到卷积通道c中，这一部分为细粒度结构映射模块。

FaceNet算法没有用传统的softmax的方式去进行分类学习，而是抽取其中某一层作为特征，学习一个从图像到欧式空间的编码方法，然后基于这个编码再做人脸识别、人脸验证和人脸聚类等。

发明内容

本发明针对目前技术发展的需求和不足之处，提供一种无感知人脸识别考勤方法及装置。

首先，本发明提供一种无感知人脸识别考勤方法，解决上述技术问题采用的技术方案如下：

一种无感知人脸识别考勤方法，其识别过程包括：

步骤S1、通过考勤机的摄像头采集人脸视频，从视频中抽取多张连续的视频帧；