技术特征：
1.一种大视场双目视觉的红外图像人脸识别考勤方法，其特征在于，包括以下步骤：1）课堂图像采集：利用设置在教室黑板所在墙面两端的双目红外相机对课堂进行同步数据采集，得到同一场景下的左目图像与右目图像，要求左目图像与右目图像之间有重叠区域；2）双目图像拼接：对左目图像与右目图像进行拼接；2.1)对左目图像与右目图像进行几何畸变校正和噪声点的抑制处理，让左目图像与右目图像不存在明显的几何畸变，处理后分别对左目图像与右目图像进行角点提取；2.2)检测出图像的角点后，利用双向的相似测度NCC算法进行粗匹配；2.3)对粗匹配的结果通过Ransac算法进行细匹配；2.4)图像的拼接和融合：确定左目图像与右目图像的位置关系和图片合成之后所在区域的边界，通过2.3）步骤中的细匹配结果对图像进行拼接和融合，并对拼接的边界通过加权的方法进行平滑处理从而实现了图像之间的无缝拼接；3）图像人脸定位：在大视场图像中搜索并确定出每个学生的人脸图像区域位置；4）图像人脸识别：对人脸图像进行特征提取，并在事先采集的特征库中搜索匹配特征，识别人脸图像以辨识学生身份；5）完成课堂考勤：对考勤结果进行记录，如匹配失败，即在人脸特征库里面没有匹配到待识别的人脸，则返回步骤1）调整双目红外相机角度进行数据采集。2.根据权利要求1所述的红外图像人脸识别考勤方法，其特征在于，所述步骤2.1）中对左目图像与右目图像进行角点提取的具体步骤如下：a.对拍照后获得的图像进行Harris计算，得到图像的水平、垂直方向梯度；b.计算整个图像中每个点的角点响应函数R和阈值T；c.选用窗口大小为9×9的模板，当角点响应函数R>T时，标记该点为角点。3.根据权利要求1所述的红外图像人脸识别考勤方法，其特征在于，所述步骤2.3）中通过Ransac算法进行细匹配的步骤如下：a.设置一个最大采样次数M，从通过步骤2.2）中的粗匹配点里面随机选5对，再从5对匹配点中选其中4对，利用这4对匹配点估计变换矩阵H的初始参数，设为临时模型；b.设置一个距离阈值t，计算第5对点到临时模型的距离d，若d<t，则设此临时模型为候选模型；c.计算所有粗匹配点到候选模型的距离，将所有小于t的点作为内点，并计算内点的个数；d.不断更新采样次数和迭代次数，最终获取一个包括内点所占比例最高的点集，将这个比例最高的点集所对应的变换矩阵设为最优变换矩阵。4.根据权利要求1所述的红外图像人脸识别考勤方法，其特征在于，所述步骤3）图像人脸定位包括：3.1)对训练人脸图像进行预处理：使用平移、旋转、放缩三种方式对人脸图像进行几何归一化；3.2)生成Haar特征集合；3.3)训练AdaBoost分类器；结合图像的预处理，Haar特征提取以及训练完成的AdaBoost分类器共同构成了人脸检测器；3.4）识别过程：当一定数量的显著特征出现在照片中时，步骤3.1)-3.3)中构建的人脸检测器输出高响应值报告学生人脸的出现和出现位置。5.根据权利要求2所述的红外图像人脸识别考勤方法，其特征在于，所述步骤2.1）中的c步骤中，在所有角点响应函数R>T的点中，取前1/5部分有较大R的点，标记该点为角点。