CN106407966A - 一种应用于考勤的人脸识别方法 - Google Patents

Abstract

本发明公开了一种应用于考勤的人脸识别方法。通过网络摄像头采集人脸信息存储到数据库中；实时对采集到的图像进行预处理并且进行人脸检测，对检测到的人脸图像与数据库中的人脸信息进行对比，之后进行识别匹配，结果输入考勤管理终端，并在数据库中存储考勤信息。该方法能有效的减少由于光照而导致的考勤出错，提高了考勤的效率，避免出现代打卡，代签等问题。

Description

一种应用于考勤的人脸识别方法

技术领域

本发明涉及生物特征识别领域，特别是一种应用于考勤的人脸识别方法。

背景技术

人脸识别作为生物特征识别技术的热门方向，是根据人类面部特征，利用图像处理和模式识别技术进行身份识别的一种计算机安全技术。与指纹、虹膜等其它生物特征识别相比，虽然其准确度低于二者，但是由于人脸识别是无接触，无侵犯性，容易被用户所接受，而且它不需要被动配合，可远距离采集人脸，是一种更加友好、便捷的识别技术。

考勤系统需要长时间的监控工作，所以无论白天还是晚上都需要良好的识别效果。但是在实际应用中，由于一些复杂条件的存在，摄像头采集人脸图像时，往往会受光照和姿态的影响较大，使得人脸识别率不高，从而降低了系统的整体性能。

发明内容

本发明的目的在于提供一种应用于考勤的人脸识别方法，能有效的减少由于光照而导致的考勤出错，以及避免考勤中出现代打卡，代签等问题，从而提高了考勤的效率以及安全性。

实现本发明目的的技术解决方案为：一种应用于考勤的人脸识别方法，步骤如下：

步骤1，首先通过摄像头采集三种光照条件下多角度的人脸图像，并根据线性判别分析法对采集的三种光照条件下的人脸图像分别求得投影矩阵，再求得各人员的图像矩阵在相对应的光照条件下投影后的特征向量；并存储到数据库中。

步骤2，实时对采集到的图像进行预处理，即采用双线性内插法缩小图像，并且将图像进行灰度化处理，最后使用Adaboost方法进行人脸检测。

步骤3，对检测到的人脸图像进行光照条件的判断，并且求得在相对应光照条件下的投影后特征向量，再通过与数据库中的相对应的光照条件下人脸特征信息进行对比，之后进行识别匹配，将结果输入考勤管理终端，最后考勤终端根据上班时间段和识别结果生成考勤信息并存储到数据库中。

本发明与现有技术相比，其显著效果为：本发明采用基于人脸识别的考勤方法，提高了考勤的效率以及安全性，能有效的减少由于光照而导致的考勤出错，以及避免考勤中出现代打卡，代签等问题。

附图说明

图1是本发明人脸采集流程图。

图2是本发明中图像预处理以及人脸检测流程图。

图3是本发明中人脸识别流程图。

图4为本发明的采集系统结构图。

具体实施方式

本发明通过采集人员在三种光照条件下多角度的人脸图像进行特征提取，根据检测到人脸的图像的暗像素所占比例分类对比、识别和匹配，能获取较好的识别性能，从而提高考勤效率。

结合附图，本发明的一种应用于考勤的人脸识别方法，其步骤如下：

步骤1、通过摄像头采集不同光照条件下多角度的人脸图像特征信息，并存储到数据库中；具体包括以下步骤：

步骤1-1、摄像头采集包含多个光照条件下无角度偏转人脸、+45度人脸、-45度人脸的图像，光照条件分为：①光照均匀条件，即人脸受光均匀，无光照影响；②在微弱偏光条件，即光照影响较小，人脸的轮廓和边缘可见；③严重偏光条件，即光照影响较大，人脸的轮廓和边缘模糊；

步骤1-2、通过线性判别分析法对采集的三种光照条件下的人脸图像分别进行特征提取，即光照均匀特征、微弱偏光特征以及严重偏光特征，每种都选取前20个特征向量；具体为：

步骤1-2-1、构建光照均匀条件下采集到的所有人脸样本的投影后总体均值向量：

其中c为人员个数，n为人脸总样本数，为第i个人员样本的均值向量，n_i表示第i个人员的样本个数；

步骤1-2-2、求得在光照均匀条件下的人脸样本的类内离散度矩阵以及类间离散度矩阵，其中类内离散度矩阵为：

类间离散度矩阵：

其中y＝W^Tx W表示投影矩阵，x表示样本矩阵；

步骤1-2-3、根据Fisher鉴别准则表达式，选取使得J_F(W)达到最大值的矢量W作为投影方向，使得投影后的样本具有最大的类间离散度和最小的类内离散度，选取W的前20个特征向量，其中Fisher准则表达式为：

步骤1-2-4、根据上述步骤分别求得微弱偏光条件下和严重偏光条件下的前20个特征向量。

步骤1-3、数据库建立各人员人脸特征表，存储各人员的特征信息，所述特征信息，表示人员的图像矩阵在相对应的光照条件下的特征向量上投影，获取前20的特征向量。

步骤2、实时对采集到的图像进行预处理并且进行人脸检测；具体包括以下步骤：

步骤2-1、采用双线性内插法将图像缩小至640*480，从而提高检测效率；

步骤2-2、对图像进行灰度化处理：将三通道的B、G、R图像转换为[0,255]范围的灰度图像；

步骤2-3、采用基于Harr特征的Adaboost方法检测出经过上述步骤处理的图像中的人脸图像。

步骤3、对检测到的人脸图像，通过与数据库中的人脸特征信息进行对比，之后进行识别匹配，将结果输入考勤管理终端，并在数据库中存储考勤信息。具体包括以下步骤：

步骤3-1、对获取的人脸图像灰度图的暗像素，根据暗像素所占比例，做如下操作：

(1)若暗像素占整个图像的5％～25％，则检测到的人脸图像在步骤1-2中得到的光照均匀特征投影，选取前20个特征信息；

(2)若暗像素占整个图像的25％～65％，则检测到的人脸图像在步骤1-2中得到的微弱偏光特征投影，选取前20个特征信息；

(3)若暗像素占整个图像的65％～100％，则检测到的人脸图像在步骤1-2中得到的严重偏光特征投影，选取前20个特征信息；

步骤3-2、将步骤3-1中获取的20个特征信息与数据库中存储的各人员相对应光照条件下的人脸特征信息求得欧式距离，再根据阈值判断人脸是否匹配，所述阈值为0.642；

步骤3-3、匹配成功后，将考勤时间，存储到数据库中。

本发明采用基于人脸识别的考勤方法，提高了考勤的效率以及安全性，能有效的减少由于光照而导致的考勤出错，以及避免考勤中出现代打卡，代签等问题。

下面进行更详细的描述。

应用于考勤的人脸识别方法，首先通过获取人员在三种光照条件下多角度的人脸图像以及特征提取，然后经过对实时视频的进行图像预处理并且进行人脸检测，再将得到的人脸图像的进行识别与匹配，最后考勤管理终端调用识别结果形成考勤信息存入数据库中。具体步骤如下：

结合图1，第一步，通过摄像头采集不同光照条件下多角度的人脸图像特征信息，并存储到数据库中，具体包括以下步骤：

步骤1-1、采集包含多个光照条件下不同角度人脸的图像，其主要包括：①在光照均匀条件下的无角度偏转人脸、+45度人脸、-45度人脸；②在微弱偏光条件下无偏转人脸、+45度人脸、-45度人脸；③在严重偏光条件下无偏转人脸、+45度人脸、-45度人脸；

步骤1-1、构建光照均匀条件下采集到的所有人脸样本的投影后总体均值向量：

其中c为人员个数，n为人脸总样本数，为第i个人员样本的均值向量，n_i表示第i个人员的样本个数；

步骤1-3、求得在光照均匀条件下的人脸样本的类内离散度矩阵以及类间离散度矩阵，其中类内离散度矩阵为：

类间离散度矩阵：

其中y＝W^Tx W表示投影矩阵，x表示样本矩阵。

步骤1-4、根据Fisher鉴别准则表达式，选取使得J_F(W)达到最大值的矢量W作为投影方向，使得投影后的样本具有最大的类间离散度和最小的类内离散度，选取W的前20个特征向量。其中Fisher准则表达式为：

步骤1-5、再根据上述步骤分别求得微弱偏光条件下和严重偏光条件下的前20个特征向量。

步骤1-6、数据库建立各人员人脸特征表，存储人员的三种光照条件下的人脸图像在相对应特征下的投影所得的特征信息，即人员的图像矩阵在相对应的光照条件下的特征向量上投影，每种都选取前20个特征向量。

结合图2，第二步，实时对采集到的图像进行预处理并且进行人脸检测，具体包括以下步骤：

步骤2-1、采用双线性内插法将图像缩小至640*480，从而提高检测效率；

步骤2-2、对图像进行灰度化处理：将三通道的B、G、R图像转换为[0,255]范围的灰度图像；

步骤2-3、采用基于Harr特征的Adaboost方法检测出经过上述步骤处理的图像中的人脸图像。

结合图3，第三步，对检测到的人脸图像，通过与数据库中的人脸特征信息进行对比，之后进行识别匹配，将结果输入考勤管理终端，并在数据库中存储考勤信息，具体包括以下步骤：

步骤3-1、对获取的人脸图像灰度图的暗像素，根据暗像素所占比例，做如下操作：

(1)若暗像素占整个图像的5％～25％，则检测到的人脸图像在步骤1-2中得到的光照均匀特征投影，选取前20个特征信息；

(2)若暗像素占整个图像的25％～65％，则检测到的人脸图像在步骤1-2中得到的微弱偏光特征投影，选取前20个特征信息；

(3)若暗像素占整个图像的65％～100％，则检测到的人脸图像在步骤1-2中得到的严重偏光特征投影，选取前20个特征信息；

步骤3-2、将步骤3-1中获取的20个特征信息与数据库中存储的各人员相对应光照条件下的人脸特征信息求得欧式距离，再根据阈值判断人脸是否匹配，所述阈值为0.642；

步骤3-3、将结果输入考勤管理终端，最后考勤终端根据上班时间段和识别结果生成考勤信息并存储到数据库中。

本发明采用基于人脸识别的考勤方法，提高了考勤的效率以及安全性，能有效的减少由于光照而导致的考勤出错，以及避免考勤中出现代打卡，代签等问题。

Claims (5)

1.一种应用于考勤的人脸识别方法，其特征在于，其步骤如下：

步骤1、通过摄像头采集不同光照条件下多角度的人脸图像特征信息，并存储到数据库中；

步骤2、实时对采集到的图像进行预处理并且进行人脸检测；

步骤3、对检测到的人脸图像，通过与数据库中的人脸特征信息进行对比，之后进行识别匹配，将结果输入考勤管理终端，并在数据库中存储考勤信息。

2.根据权利要求1所述的应用于考勤的人脸识别方法，其特征在于，步骤1通过摄像头采集不同光照条件下多角度的人脸图像特征信息，并存储到数据库中，具体包括以下步骤：

步骤1-1、摄像头采集包含多个光照条件下无角度偏转人脸、+45度人脸、-45度人脸的图像，光照条件分为：①光照均匀条件，即人脸受光均匀，无光照影响；②在微弱偏光条件，人脸的轮廓和边缘可见；③严重偏光条件，人脸的轮廓和边缘模糊；

步骤1-2、通过线性判别分析法对采集的三种光照条件下的人脸图像分别进行特征提取，即光照均匀特征、微弱偏光特征以及严重偏光特征，每种都选取前20个特征向量；

步骤1-3、数据库建立各人员人脸特征表，存储各人员的特征信息，所述特征信息，表示人员的图像矩阵在相对应的光照条件下的特征向量上投影，获取前20的特征向量。

3.根据权利要求1所述的应用于考勤的人脸识别方法，其特征在于，步骤2实时对采集到的图像进行预处理并且进行人脸检测，具体包括以下步骤：

步骤2-1、采用双线性内插法将图像缩小至640*480，从而提高检测效率；

步骤2-2、对图像进行灰度化处理：将三通道的B、G、R图像转换为[0,255]范围的灰度图像；

步骤2-3、采用基于Harr特征的Adaboost方法检测出经过上述步骤处理的图像中的人脸图像。

4.根据权利要求1所述的应用于考勤的人脸识别方法，其特征在于，步骤3所述对检测到的人脸图像，通过与数据库中的人脸特征信息进行对比，之后进行识别匹配，将结果输入考勤管理终端，并在数据库中存储考勤信息，具体包括以下步骤：

步骤3-1、对获取的人脸图像灰度图的暗像素，根据暗像素所占比例，做如下操作：

(1)若暗像素占整个图像的5％～25％，则检测到的人脸图像在步骤1-2中得到的光照均匀特征投影，选取前20个特征信息；

(2)若暗像素占整个图像的25％～65％，则检测到的人脸图像在步骤1-2中得到的微弱偏光特征投影，选取前20个特征信息；

(3)若暗像素占整个图像的65％～100％，则检测到的人脸图像在步骤1-2中得到的严重偏光特征投影，选取前20个特征信息；

步骤3-2、将步骤3-1中获取的20个特征信息与数据库中存储的各人员相对应光照条件下的人脸特征信息求得欧式距离，再根据阈值判断人脸是否匹配，所述阈值为0.642；

步骤3-3、匹配成功后，将考勤时间，存储到数据库中。

5.根据权利要求2所述的应用于考勤的人脸识别方法，其特征在于，步骤1-2中通过线性判别分析法对采集的三种光照条件下的人脸图像分别进行特征提取，即光照均匀特征、微弱偏光特征以及严重偏光特征，每种都选取前20个特征向量，具体为：

步骤1-2-1、构建光照均匀条件下采集到的所有人脸样本的投影后总体均值向量：

$\stackrel{\‾}{m}=\frac{1}{n}\underset{i=1}{\overset{c}{\Σ}}{n}_i{\stackrel{\‾}{m}}_i,i=1,...,c$

其中c为人员个数，n为人脸总样本数，为第i个人员样本的均值向量，n_i表示第i个人员的样本个数；

步骤1-2-2、求得在光照均匀条件下的人脸样本的类内离散度矩阵以及类间离散度矩阵，其中类内离散度矩阵为：

$\stackrel{\‾}{S_w}=\underset{i=1}{\overset{C}{\Σ}}\underset{y\∈Y_i}{\Σ}(y-{\stackrel{\‾}{m}}_i){(y-{\stackrel{\‾}{m}}_i)}^T$

类间离散度矩阵：

$\stackrel{\‾}{S_b}=\underset{i=1}{\overset{C}{\Σ}}({\stackrel{\‾}{m}}_i-\stackrel{\‾}{m}){({\stackrel{\‾}{m}}_i-\stackrel{\‾}{m})}^T$

其中y＝W^TxW表示投影矩阵，x表示样本矩阵；

步骤1-2-3、根据Fisher鉴别准则表达式，选取使得J_F(W)达到最大值的矢量W作为投影方向，使得投影后的样本具有最大的类间离散度和最小的类内离散度，选取W的前20个特征向量，其中Fisher准则表达式为：

$J_F\left(W\right)=\frac{\stackrel{\‾}{S_b}}{\stackrel{\‾}{S_w}}=\frac{{\mathrm{\Σ}}_{i=1}^C({\stackrel{\‾}{m}}_i-\stackrel{\‾}{m}){({\stackrel{\‾}{m}}_i-\stackrel{\‾}{m})}^T}{{\mathrm{\Σ}}_{i=1}^C{\mathrm{\Σ}}_{y\∈Y_i}(y-{\stackrel{\‾}{m}}_i){(y-{\stackrel{\‾}{m}}_i)}^T}$

步骤1-2-4、根据上述步骤分别求得微弱偏光条件下和严重偏光条件下的前20个特征向量。