一种基于机器深度学习算法的人脸识别系统的制作方法

本发明具体涉及一种基于机器深度学习算法，使用摄像头将捕捉到的人像进行算法检测的人脸识别系统。

背景技术：

传统的个人身份验证手段如口令、证件、ic卡等方式，由于与身份人的可分离性，致使伪造、盗用、破译等现象时有发生，已经不能满足现代社会经济活动和社会安全防范的需要。生物特征识别包括指纹、掌纹、语音、人脸、虹膜、步态、掌静脉等。生物特征识别技术先投入广泛应用的是指纹、掌纹扫描识别技术，但是却常常因为受到皮肤纹理及干燥程度等条件制约出现误判，引发不必要的麻烦，已远远不能满足人们的需求。随着科学技术的不断发展，以及社会对于身份识别越来越高的要求，生物特征识别技术逐渐呈多样化发展，例如虹膜识别、声音识别、笔迹识别、签名识别、人脸识别等各项生物特征识别技术。

作为模式识别和图像处理领域成功的应用之一，人脸识别在过去20年里一直都是研究热点。相比之下，人脸识别的普遍性、可采集性与被采集者的可接受性较高，这就具有了方便友好、易于接受、不易伪造等一系列优点。机器自动人脸识别研究开始于1966年pri的bledsoe的工作。1990年日本研制的人像识别机，可在1s内中从3500人中识别到你要找的人。1993年，美国国防部高级研究项目署(advancedresearchprojectsagency)和美国陆军研究实验室(armyresearchlaboratory)成立了feret(facerecognitiontechnology)项目组，建立了feret人脸数据库，用于评价人脸识别算法的性能。2007年，上海市质量技术监督局公布了城市轨道交通和旅馆商务办公楼两项安全防范系统地方标准，为2010年上海世博会应用人脸识别技术提供技术规范。2008年人脸识别应用于奥运会的安防。人脸识别技术已经开始走入普通生活。国内外人脸识别技术还在进一步发展和完善之中，市场机会处于起步阶段，可广泛应用于安全、考勤、网络安全、银行、海关边检、物业管理、智能身份证、门禁、计算机登录系统、国家安全、公共安全、军事安全等领域。

技术实现要素：

本发明要解决的技术问题是提供一种基于机器深度学习算法的人脸识别系统；简单、可靠的pc客户端人机交互界面，当车间相关人员需要进行mes系统账号登录时，只需要面对摄像头进行人脸识别，本系统认证后返回相关人员的工号到mes系统中进行自动登录；将摄像头布置于产品重点质量检查点，便可记录设备操作人员的自检间隔时间以及自检频次等信息；同理还可进行维修人员到场确认的信息记录。

为了解决上述的问题本发明的采用的技术以及方法如下：

一种基于机器深度学习算法的人脸识别系统，包括摄像头、人脸识别软件和人脸库；所述人脸识别软件与人脸库通讯部分基本构成包括人脸检测adaboost算法、deepid深度学习模型算法和tcp/ip套接字socket通讯协议；

所述的摄像头作为人脸识别系统的信息采集器，将实时捕捉其面前停留的人脸，并将采集到的人脸保存于pc中；

所述的人脸识别软件是一套将摄像头采集到的人物信息使用人脸检测adaboost算法进行人脸识别，再使用deepid深度学习模型算法进行计算，抓取人脸特征并将其以数组的形式输出，软件系统利用车间现有的无线局域网，将通过tcp三次握手协议和tcp/ip套接字socket通讯协议建立连接并取出服务器人脸库中的所有人脸特征，将其与软件系统计算得出的人脸特征进行对比，从而判断出摄像头捕获到的人脸信息是否属于人脸库；

所述的人脸库是用作保存车间现有人员的人脸特征库存，使用新抓取到的人脸特征与库存人脸特征做算法对比，便可判断出其是否属于现有人脸库。

进一步地，所述人脸识别系统识别原理如下：

摄像头启动运行，将停留在摄像头面前的人脸进行实时捕获，并将获取到的信息以文件流的形式传递到人脸识别软件中，人脸识别软件通过创建byte数组读入并解析摄像头传来的信息，通过人脸检测adaboost算法以及deepid机器深度学习模型算法，检测到信息中的人脸，并将人脸中的关键特征提取出保存在string数组中；此时人脸识别软件通过tcp三次握手协议建立连接，然后通过tcp/ip套接字socket通讯协议中的套接字socket从服务器端人脸库中提取所有的人脸关键特征，并将这些特征挨个与string数组中需要被判断的人脸特征进行比对，人脸识别软件将最终的结果以百分之的形式输出，被判断的人脸越接近库存中的某一张人脸特征，打分将越接近100分，反之则越接近0分；分数最接近100的人脸特征则判断为同一人，若为0分则判断为外来人员。

进一步地，所述人脸识别软件输出结果包括员工工号、员工质检确认、员工到场确认、员工账号登录和外来人员识别。

相对于现有技术，本发明具有以下有益效果：

1、能够提升不同职能人员进行mes系统登录的便捷程度。传统的登录方式是相关人员进行手动账号输入登录，但由于登录人员不同，每次上一名职能人员进行登录后下一名人员需要再次手动输入账号登录，过程较为繁琐且浪费时间。使用此人脸识别系统，操作人员可在极短时间内进行登录操作，将更多重心投放于产品质量检测中。

2、能够将设备操作人员自检行为统一化。传统的生产模式中，设备操作人员进行自检行为往往有很大的随意性，并不能严格按照企业规定的20分钟进行一次产品自检。使用此人脸识别系统，将摄像头布置于产品重点自检区域，可进行设备操作人员的自检行为确认，并将时间以及频次进行数据录入，生成相应分析报表。

3、能够快速识别出外来人员。于制造车间入口处布置摄像头后，可实时记录制造车间人员流动情况以及厂外人员信息人脸录入登记。可于人脸库内设置黑名单，若出现黑名单人员进入制造车间入口区域，则可报警提示，提高了生产部门的人员出入安全。

4、该人脸识别系统采用车间内已经铺设的无线局域网，通过可靠性极高的tcp协议传送消息，很大程度得降低了信息传递的误差性。

5、该人脸识别系统以接口方式提供了很高的可扩展性，为今后车间的需求更新铺下了坚实的基础。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；

图1为本发明的人脸识别系统结构图。

图2为本发明的人脸识别软件adaboost算法流程图；

图3为本发明的人脸识别软件deepid深度学习算法示意图；

图4为本发明的软件端与服务器人脸库端进行通讯时tcp三次握手示意图；

图5为本发明的工作原理图。

具体实施方式

下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定；

如图1所示，本发明技术方案一种基于机器深度学习算法的人脸识别系统包括摄像头1、人脸识别软件2和人脸库3；所述人脸识别软件2与人脸库3通讯部分基本构成包括人脸检测adaboost算法、deepid深度学习模型算法和tcp/ip套接字socket通讯协议；

所述的摄像头1作为人脸识别系统的信息采集器，将实时捕捉其面前停留的人脸，并将采集到的人脸保存于pc中；

所述的人脸识别软件2是一套将摄像头采集到的人物信息使用人脸检测adaboost算法进行人脸识别，再使用deepid深度学习模型算法进行计算，抓取人脸特征并将其以数组的形式输出，软件系统利用车间现有的无线局域网，将通过tcp三次握手协议和tcp/ip套接字socket通讯协议建立连接并取出服务器人脸库中的所有人脸特征，将其与软件系统计算得出的人脸特征进行对比，从而判断出摄像头捕获到的人脸信息是否属于人脸库；

所述的人脸库3是用作保存车间现有人员的人脸特征库存，使用新抓取到的人脸特征与库存人脸特征做算法对比，便可判断出其是否属于现有人脸库。

如图5所示，所述人脸识别系统识别原理如下：

摄像头1启动运行，将停留在摄像头1面前的人脸进行实时捕获，并将获取到的信息以文件流的形式传递到人脸识别软件2中，人脸识别软件2通过创建byte数组读入并解析摄像头1传来的信息，通过人脸检测adaboost算法以及deepid机器深度学习模型算法，检测到信息中的人脸，并将人脸中的关键特征提取出保存在string数组中；此时人脸识别软件2通过tcp三次握手协议建立连接，然后通过tcp/ip套接字socket通讯协议中的套接字socket从服务器端人脸库3中提取所有的人脸关键特征，并将这些特征挨个与string数组中需要被判断的人脸特征进行比对，人脸识别软件2将最终的结果以百分之的形式输出，被判断的人脸越接近库存中的某一张人脸特征，打分将越接近100分，反之则越接近0分；分数最接近100的人脸特征则判断为同一人，若为0分则判断为外来人员。

所述人脸识别软件2输出结果包括员工工号、员工质检确认、员工到场确认、员工账号登录和外来人员识别。

如图2所示，adaboost算法中不同的训练集是通过调整每个样本对应的权重来实现的。

开始时，每个样本对应的权重是相同的，对于h1分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重，这样分错的样本就被突出出来，从而得到一个新的样本分布u2。在新的样本分布下，再次对弱分类器进行训练，得到弱分类器h2。依次类推，经过t次循环，得到t个弱分类器，把这t个弱分类器按一定的权重叠加(boost)起来，得到最终想要的强分类器。

首先，是初始化训练数据的权值分布d1。假设有n个训练样本数据，则每一个训练样本最开始时，都被赋予相同的权值：w1＝1/n。然后，训练弱分类器hi。具体训练过程中是：如果某个训练样本点，被弱分类器hi准确地分类，那么在构造下一个训练集中，它对应的权值要减小；相反，如果某个训练样本点被错误分类，那么它的权值就应该增大。权值更新过的样本集被用于训练下一个分类器，整个训练过程如此迭代地进行下去。最后，将各个训练得到的弱分类器组合成一个强分类器。各个弱分类器的训练过程结束后，加大分类误差率小的弱分类器的权重，使其在最终的分类函数中起着较大的决定作用，而降低分类误差率大的弱分类器的权重，使其在最终的分类函数中起着较小的决定作用。换而言之，误差率低的弱分类器在最终分类器中占的权重较大，否则较小。

如图3所示，同一个人在不同姿态、色彩、表情、年龄和遮挡的情况下会有很大不同，这样变化会使人脸识别很困难。所以，减小类内(一类代表一个人)差异，增加类间差异是人脸识别的主要方向。基于深度学习的深度和强悍的学习能力，可以学习到很有效的特征，使用识别新号和验证信号的组合方式。识别信号用来对输入的图像判定类别，验证信号判断输入的一对图像是否是同一个人。使用深度卷积神经网络学习逐层学习视觉特征，有4层卷积层，在第3层的卷积层，神经单元中2*2的子区域权重共享，在第4层卷积层，所有的神经单元权重不共享。图3中，共有4层卷积层，其中deepid层和第3层第4层卷积层都是全连接，因为第4层提取到的是更全局性的特征，所以，deepid2计算的是多尺度的特征。在卷积层和最后的deepid2层使用矫正线性单元(rectifiedlinearunitrelu)。

如图4所示，当软件端需要发送消息到服务器人脸库时，为了防止软件端已过期的连接再次被连接到服务器中，特使用tcp协议三次握手定理提供一个可靠的连接服务：

第一次握手：建立连接时,软件端发送syn包(syn＝j)到服务器,并进入syn_send状态,等待服务器确认；

syn：同步序列编号(synchronizesequencenumbers)

第二次握手：服务器收到syn包,必须确认软件端的syn(ack＝j+1),同时自己也发送一个syn包(syn＝k),即syn+ack包,此时服务器进入syn_recv状态；

第三次握手：软件端收到服务器的syn+ack包,向服务器发送确认包ack(ack＝k+1),此包发送完毕,软件端和服务器进入established状态,完成三次握手。

经过三次握手后，软件端便可和服务器端进行通信。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。