一种基于宽度学习的人脸识别考勤方法与流程

本发明涉及人脸识别技术领域，具体涉及一种基于宽度学习的人脸识别考勤方法。

背景技术：

现有的人脸识别高校课堂考勤系统所用算法大体分为基于几何特征的识别算法、基于主成分分析的识别算法、基于深度学习包括但不限于cnn的识别算法。其中基于cnn的系统实现过程主要分为图像采集模块、人脸检测模块、深度学习训练模块、特征提取模块、匹配识别模块等。

现有的系统在大规模的人脸数据处理上取得了很不错的成就，但对于一个高校的学生来说，学生数量数以千计甚至万计，那么想要设计一个识别率较高的系统往往就需要层次更深的神经网络，但随之带来的巨大计算量就是一个很大的问题，进而存在训练时间过长、消耗内存过多的困扰；另一方面，层次更深的深度结构网络涉及到大量的权重、参数，这让我们不得不持续的调整它们以便达到网络的最好训练结果，此外，每年都会有新生加入学校，这就需要扩展网络，而如何高效重建这个网络也是一个技术问题。

技术实现要素：

本发明要解决的技术问题在于，针对上述目前高校人脸识别系统训练时间过长、消耗内存过多的技术问题，提供一种基于宽度学习的人脸识别考勤方法解决上述技术缺陷。

一种基于宽度学习的人脸识别考勤方法，包括：

步骤1、采集一定数量待考勤的人脸图像并整合到预设的数据库中；

步骤2、对数据库中的人脸图像进行预处理；

步骤3、对数据库中的预处理后的人脸图像进行人脸检测以定位人脸特征所在图像区域；

步骤4、对各个所述图像区域进行静态特征提取，以构建人脸特征库，人脸特征库分为训练集和测试集；

步骤5、利用所述训练集进行宽度学习网络的训练，构建宽度学习基础模型，利用所述测试集和训练完成后的宽度学习网络进行测试对比，测试对比得到一定数量的误判人脸图像；

步骤6、收集测试对比时的误判人脸图像作为新的特征向量集合，对宽度学习基础模型进行增量学习，以优化宽度学习基础模型得到最终的宽度学习模型；

步骤7、利用所述最终的宽度学习模型对待考勤的人进行人脸识别，将人脸识别结果与数据库中的身份信息匹配并作出相应的考勤记录，并将考勤记录信息存储在数据库中。

进一步的，所述步骤1具体包括：按预设的大小采集人脸图像，并对每一图像在数据库中登记被考勤人的基本信息，包括学号、学院、专业、考勤记录。

进一步的，所述步骤2具体包括：对采集的人脸图像进行光线补偿、灰度变换、图像增强、几何校正、直方图均衡化、归一化、滤波以及锐化处理。

进一步的，所述步骤3具体包括：

步骤31、利用高斯肤色建模算法、hog算法或者adaboost算法进行人脸检测；

步骤32、利用空间几何变化算法进行人脸定位。

进一步的，所述步骤4具体包括：

步骤41、对经过步骤3后得到的具有人脸特征所在图像区域进行特征描述，得到特征描述子，由所有特征描述子构建带标签的特征向量集；

步骤42、将带标签的特征向量集划分为训练集和测试集；

步骤43、对人脸特征进行建库。

进一步的，所述步骤5具体包括：

步骤51、利用特征向量集对宽度学习模型进行预训练并测试分类器性能；

步骤52、通过增加特征节点和增强型节点不断调整网络架构进行训练并测试直到分类器达到预期性能，获取各层权重信息并保存模型。

进一步的，所述步骤51具体包括：

步骤511、随机初始化分类器模型特征节点权重矩阵，并利用稀疏自编码对特征节点权重进行处理；

步骤512、训练集与步骤511获取的特征节点权重矩阵进行矩阵乘法得到特征节点矩阵；

步骤513、随机初始化增强节点权重矩阵；

步骤514、将步骤512获取的特征节点矩阵与步骤513获取的增强节点权重矩阵相乘获得增强节点矩阵；

步骤515、将步骤512获取的特征节点矩阵和步骤514获取的增强节点矩阵按列进行拼接得到输入矩阵；

步骤516、求取步骤515所得输入矩阵的加号广义逆并与训练集的标签集合进行矩阵乘法得到权重矩阵；

步骤517、将样本集替换训练集重复执行步骤512、步骤514和步骤515得到测试集的输入矩阵；

步骤518、将步骤517所得输入矩阵与步骤516所得权重矩阵进行矩阵乘法并与测试集的标签集合对比得到测试精度。

进一步的，所述步骤52具体包括：

步骤521、利用增加特征节点数和增强节点数的增量学习方法对步骤51中所得模型进行调整并进行测试；

步骤522、将步骤521循环设定次数并对所得测试精度进行记录，对比确定最优的特征节点数目和增强节点数目，保存此最优模型。

进一步的，所述步骤6具体包括：

步骤61、收集误判人脸图像和新收录的待考勤的人脸图像共同构建为新的特征向量集；

步骤62、利用步骤61新的特征向量集，对宽度学习模型进行增加输入的增量学习，以优化模型。

进一步的，所述步骤7具体包括：

步骤71、将模型的输出分类结果进行身份的数据库匹配，若人脸识别通过，对该学生作出勤加一处理并存储在数据库中；

步骤72、若人脸识别不通过，就判定人脸误判，进行下一次测试。

本发明的优点在于，预先采集大量样本进行宽度学习，仅需在个人pc端就可构建宽度学习模型进行人脸识别考勤签到，而不需要搭建一个计算能力较强的工作站；此外，宽度学习模型复杂度低，属于轻量级学习模型，对计算资源要求较低，使其既保证了运行速度又不损失运算精度。相比较于现有技术，本发明提出的宽度学习系统在训练速度方面明显优于现有的深度结构神经网络，且具有增量学习的能力，在接收到新的人脸数据时不必重新训练，只需要依据新的人脸数据提取的特征来对现有模型进行补充调整，具有很强的自适应学习能力；此外，与其他mlp训练方法相比，宽度学习系统在分类准确性和学习速度都有长足的表现，易于在个人pc端实现模型并搭建考勤系统。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明的一种基于宽度学习的人脸识别考勤方法流程图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

一种基于宽度学习的人脸识别考勤方法，如图1所示，包括：

步骤1、采集一定数量待考勤的人脸图像并整合到预设的数据库中；

步骤2、对数据库中的人脸图像进行预处理；

步骤3、对数据库中的预处理后的人脸图像进行人脸检测以定位人脸特征所在图像区域；

步骤4、对各个所述图像区域进行静态特征提取，以构建人脸特征库，人脸特征库分为训练集和测试集；

步骤5、利用所述训练集进行宽度学习网络的训练，构建宽度学习基础模型，利用所述测试集和训练完成后的宽度学习网络进行测试对比，测试对比得到一定数量的误判人脸图像；

步骤6、收集测试对比时的误判人脸图像作为新的特征向量集合，对宽度学习基础模型进行增量学习，以优化宽度学习基础模型得到最终的宽度学习模型；

步骤7、利用所述最终的宽度学习模型对待考勤的人进行人脸识别，将人脸识别结果与数据库中的身份信息匹配并作出相应的考勤记录，并将考勤记录信息存储在数据库中。

所述步骤1具体包括：按预设的大小采集人脸图像，并对每一图像在数据库中登记被考勤人的基本信息，包括学号、学院、专业、考勤记录。

所述步骤2具体包括：对采集的人脸图像进行光线补偿、灰度变换、图像增强、几何校正、直方图均衡化、归一化、滤波以及锐化处理。

所述步骤3具体包括：

步骤31、利用高斯肤色建模算法、hog算法或者adaboost算法进行人脸检测；

步骤32、利用空间几何变化算法进行人脸定位。

所述步骤4具体包括：

步骤41、对经过步骤3后得到的具有人脸特征所在图像区域进行特征描述，得到特征描述子，由所有特征描述子构建带标签的特征向量集；

步骤42、将带标签的特征向量集划分为训练集和测试集；

步骤43、对人脸特征进行建库。

所述步骤5具体包括：

步骤51、利用特征向量集对宽度学习模型进行预训练并测试分类器性能；

步骤52、通过增加特征节点和增强型节点不断调整网络架构进行训练并测试直到分类器达到预期性能，获取各层权重信息并保存模型。

所述步骤51具体包括：

步骤511、随机初始化分类器模型特征节点权重矩阵，并利用稀疏自编码对特征节点权重进行处理；

步骤512、训练集与步骤511获取的特征节点权重矩阵进行矩阵乘法得到特征节点矩阵；

步骤513、随机初始化增强节点权重矩阵；

步骤514、将步骤512获取的特征节点矩阵与步骤513获取的增强节点权重矩阵相乘获得增强节点矩阵；

步骤515、将步骤512获取的特征节点矩阵和步骤514获取的增强节点矩阵按列进行拼接得到输入矩阵；

步骤516、求取步骤515所得输入矩阵的加号广义逆并与训练集的标签集合进行矩阵乘法得到权重矩阵；

步骤517、将样本集替换训练集重复执行步骤512、步骤514和步骤515得到测试集的输入矩阵；

步骤518、将步骤517所得输入矩阵与步骤516所得权重矩阵进行矩阵乘法并与测试集的标签集合对比得到测试精度。

所述步骤52具体包括：

步骤521、利用增加特征节点数和增强节点数的增量学习方法对步骤51中所得模型进行调整并进行测试；

步骤522、将步骤521循环设定次数并对所得测试精度进行记录，对比确定最优的特征节点数目和增强节点数目，保存此最优模型。

所述步骤6具体包括：

步骤61、收集误判人脸图像和新收录的待考勤的人脸图像共同构建为新的特征向量集；

步骤62、利用步骤61新的特征向量集，对宽度学习模型进行增加输入的增量学习，以优化模型。

所述步骤7具体包括：

步骤71、将模型的输出分类结果进行身份的数据库匹配，若人脸识别通过，对该学生作出勤加一处理并存储在数据库中；

步骤72、若人脸识别不通过，就判定人脸误判，进行下一次测试。

针对现有的技术缺陷或改进需求，本发明提供了一种基于宽度学习的人脸识别考勤方法，其目的在于提高网络的训练速度，执行速度，减少训练时间和所耗费的机器资源，在保证识别准确率的基础上，提取人脸特征，构建宽度学习模型并移植到移动设备上，在短时间内实现对学生的考勤打卡，并能在训练时间大幅减少的情况下进行自适应学习，解决所需要的大量计算资源和网络资源，日后网络拓展的技术问题。相比对于深度学习，宽度学习的最大优势在于算法的执行速度，比深度学习还要快1000～2000倍，还可以随时进行增量学习，用于函数逼近都没有问题，而且准确率也得到了保证，又快又准。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。