基于施工区域的人脸识别方法、装置、计算机设备与流程

本申请涉及计算机技术领域，特别是涉及一种基于施工区域的人脸识别方法、装置、计算机设备和存储介质。

背景技术：

在日常建筑施工过程中，由于施工现场环境吵杂，流程复杂，工地上人员众多，对每个施工人员进行识别存在一定的难度，需要耗费大量人力资源进行不定期排查，由此导致非施工人员很容易误入施工区域中，带来一定的安全隐患。因此，如何有效的对建筑施工区域内的所有人员进行准确的识别成为急需解决的问题。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够提高人员识别准确率的基于施工区域的人脸识别方法、装置、计算机设备和存储介质。

一种基于施工区域的人脸识别方法，所述方法包括：

通过摄像头采集施工区域内的视频流数据，所述视频流数据包括多帧图像；

读取所述视频帧图像，在所述视频帧图像中检测相应的人脸目标，得到包含人脸目标的图像；

加载识别模型对多个所述包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割，生成对应的多个待识别人脸目标图像；

对多个所述待识别人脸目标图像进行特征提取，得到对应的人脸目标特征数据；

利用匹配模型将所述人脸目标特征数据与施工人员人脸特征模版进行匹配，得到对应的识别结果。

在其中一个实施例中，所述读取所述视频帧图像，在所述视频帧图像中检测相应的人脸目标，得到包含人脸目标的图像之前，所述方法还包括：

对多帧图像进行灰度变换，得到灰度变换后的多帧图像；

对灰度变换后的多帧图像进行对比度调节，得到对比度调节后的多帧图像；

对对比度调节后的多帧图像进行归一化处理，得到归一化处理后的多帧图像；

对归一化处理后的多帧图像进行几何校正，得到矫正后的多帧图像；

对矫正后的多帧图像进行滤波和锐化处理，得到预处理后的多帧图像。

在其中一个实施例中，所述加载识别模型对多个所述包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割，包括：

加载识别模型对多个所述包含人脸目标的图像进行人脸定位，得到对应的人脸目标定位框的坐标信息；

根据所述人脸目标定位框的坐标信息，对所述人脸目标图像进行切割，生成对应的人脸标识矩形框；

利用所述人脸标识矩形框，生成对应的多个待识别人脸目标图像。

在其中一个实施例中，所述加载识别模型对多个所述包含人脸目标的图像进行人脸定位，得到对应的人脸目标定位框的坐标信息，包括：

所述人脸目标定位框的坐标信息包括人脸目标定位框的左上角位置的横纵坐标信息和人脸目标定位框的右下角位置的横纵坐标信息。

在其中一个实施例中，所述对多个所述待识别人脸目标图像进行特征提取，得到对应的人脸目标特征数据，包括：

利用识别模型对多个所述待识别人脸目标图像进行训练，得到每帧待识别人脸目标图像对应的特征点；

选取所述特征点相邻的多个像素点，构建所述特征点对应的特征向量；

根据所述特征点对应的特征向量，生成对应的人脸目标识别概率。

在其中一个实施例中，所述根据所述特征点对应的特征向量，生成对应的人脸目标识别概率之后，所述方法还包括：

将所述人脸目标识别概率与预设的阈值进行比较；

当所述人脸目标识别概率大于预设的阈值时，则将所述人脸目标识别概率对应的人脸目标特征数据与施工人员人脸特征模版进行匹配。

在其中一个实施例中，所述当所述人脸目标识别概率大于预设的阈值时，则将所述人脸目标识别概率对应的人脸目标特征数据与施工人员人脸特征模版进行匹配，包括：

当所述人脸目标特征数据与所述施工人员人脸特征模版匹配成功时，将匹配成功的结果输出，生成对应的施工人员识别成功消息提示框；

当所述人脸目标特征数据与所述施工人员人脸特征模版匹配失败时，将匹配失败的结果输出，触发自动报警。

一种基于施工区域的人脸识别装置，所述装置包括：

采集模块，用于通过摄像头采集施工区域内的视频流数据，所述视频流数据包括多帧图像；

读取模块，用于读取所述视频帧图像，在所述视频帧图像中检测相应的人脸目标，得到包含人脸目标的图像；

加载模块，用于加载识别模型对多个所述包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割，生成对应的多个待识别人脸目标图像；

提取模块，用于对多个所述待识别人脸目标图像进行特征提取，得到对应的人脸目标特征数据；

匹配模块，用于利用匹配模型将所述人脸目标特征数据与施工人员人脸特征模版进行匹配，得到对应的识别结果。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

通过摄像头采集施工区域内的视频流数据，所述视频流数据包括多帧图像；

读取所述视频帧图像，在所述视频帧图像中检测相应的人脸目标，得到包含人脸目标的图像；

加载识别模型对多个所述包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割，生成对应的多个待识别人脸目标图像；

对多个所述待识别人脸目标图像进行特征提取，得到对应的人脸目标特征数据；

利用匹配模型将所述人脸目标特征数据与施工人员人脸特征模版进行匹配，得到对应的识别结果。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

通过摄像头采集施工区域内的视频流数据，所述视频流数据包括多帧图像；

读取所述视频帧图像，在所述视频帧图像中检测相应的人脸目标，得到包含人脸目标的图像；

加载识别模型对多个所述包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割，生成对应的多个待识别人脸目标图像；

对多个所述待识别人脸目标图像进行特征提取，得到对应的人脸目标特征数据；

利用匹配模型将所述人脸目标特征数据与施工人员人脸特征模版进行匹配，得到对应的识别结果。

上述基于施工区域的人脸识别方法、装置、计算机设备和存储介质，通过摄像头采集施工区域内的视频流数据，视频流数据包括多帧图像。读取视频帧图像，在视频帧图像中检测相应的人脸目标，得到包含人脸目标的图像。加载识别模型对多个包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割，生成对应的多个待识别人脸目标图像。对多个待识别人脸目标图像进行特征提取，得到对应的人脸目标特征数据。利用匹配模型将人脸目标特征数据与施工人员人脸特征模版进行匹配，得到对应的识别结果。相对于传统的方式，通过加载识别模型对多个包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割，由此使得能够对生成的每帧待识别人脸目标图像进行精确的特征定位，从而能够有效的对建筑施工区域内的所有人员进行准确的识别。

附图说明

图1为一个实施例中基于施工区域的人脸识别方法的应用场景图；

图2为一个实施例中基于施工区域的人脸识别方法的流程示意图；

图3为一个实施例中对视频帧图像进行预处理步骤的流程示意图；

图4为一个实施例中加载识别模型对多个包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割步骤的流程示意图；

图5为一个实施例中基于施工区域的人脸识别装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的基于施工区域的人脸识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。终端102可以通过向服务器104发送请求，从服务器104获取对应的施工人员人脸特征模版数据。终端102通过摄像头采集施工区域内的视频流数据，视频流数据包括多帧图像。终端102读取视频帧图像，在视频帧图像中检测相应的人脸目标，得到包含人脸目标的图像。终端102加载识别模型对多个包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割，生成对应的多个待识别人脸目标图像。终端102对多个待识别人脸目标图像进行特征提取，得到对应的人脸目标特征数据。终端102利用匹配模型将人脸目标特征数据与从服务器104获取的施工人员人脸特征模版进行匹配，得到对应的识别结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种基于施工区域的人脸识别方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：

步骤202，通过摄像头采集施工区域内的视频流数据，视频流数据包括多帧图像。

终端中安装有摄像头。摄像头可以对施工区域内的人员进行实时拍摄生成对应的实时视频流数据。终端通过摄像头采集施工区域内的视频流数据，并对视频流数据进行视频解码，得到具有统一图片格式的多帧图像。其中，视频是由多帧具有时间顺序的图像组成的。视频流数据包括按序排列的多帧图像，视频流数据的传输是指将多帧图像按顺序通过视频流进行传输。

步骤204，读取视频帧图像，在视频帧图像中检测相应的人脸目标，得到包含人脸目标的图像。

终端通过摄像头采集施工区域内的视频流数据，终端读取视频帧图像，终端利用训练好的人脸分类器检测多帧视频帧图像中是否有相应的人脸目标存在。当终端检测到多帧视频帧图像中有相应人脸目标存在时，则终端对多帧视频帧图像的空间重合度进行检测。当空间重合度达到阈值时，确定检测到相应人脸目标，即将上述检测到相应人脸目标的图像筛选出来，得到包含人脸目标的图像。其中，上述包含人脸目标的图像可以为多个不同类别的人脸目标图像，例如可以分为戴眼镜的人脸目标图像和不戴眼镜的人脸目标图像。

步骤206，加载识别模型对多个包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割，生成对应的多个待识别人脸目标图像。

步骤208，对多个待识别人脸目标图像进行特征提取，得到对应的人脸目标特征数据。

终端加载识别模型对上述得到的多个包含人脸目标的图像进行人脸定位。具体的，终端通过加载识别模型进行多任务级联卷积神经网络的人脸定位识别。终端将多个包含人脸目标的图像输入上述识别模型中，得到对应的多个定位人脸目标图像的候选窗口和边界框回归向量。终端利用得到的边界框回归向量对多个定位人脸目标图像的候选窗口进行校准，得到对应的多个第一级人脸目标定位框的坐标信息和人脸分类的识别概率。进一步的，终端将上述第一级定位后的人脸目标图像发送到下一级识别模型进行人脸定位识别，得到对应的多个第二级人脸目标定位框的坐标信息和人脸分类的识别概率。终端加载识别模型对上述第二级定位后的人脸目标图像进行人脸定位和校准，得到对应的人脸关键点的定位信息、人脸目标定位框的坐标信息以及人脸分类的识别概率。进一步的，终端根据上述得到人脸定位识别信息，对定位后的人脸目标图像进行切割，生成对应的多个待识别人脸目标图像。终端对得到的多个待识别人脸目标图像进行特征提取，得到对应的人脸目标特征数据，包括脸部特征左眼、右眼、鼻子、左嘴角和右嘴角的特征数据。其中，人脸关键点的定位信息可以包括多个人脸特征点的坐标位置信息。

步骤210，利用匹配模型将人脸目标特征数据与施工人员人脸特征模版进行匹配，得到对应的识别结果。

终端根据上述获取到的人脸目标特征数据，终端利用匹配模型将上述人脸目标特征数据与施工人员人脸特征模版进行匹配，得到对应的识别结果。具体的，服务器中存储有大量的施工人员人脸特征数据，根据实际施工人员的调配情况可以预先配置每个施工人员对应的人脸特征数据并上传到服务器中进行存储。终端可以通过向服务器发送请求，从服务器获取对应的施工人员人脸特征模版数据。进一步的，终端利用匹配模型将人脸目标特征数据与施工人员人脸特征模版进行匹配，得到对应的识别结果。

本实施例中，通过摄像头采集施工区域内的视频流数据，视频流数据包括多帧图像。读取视频帧图像，在视频帧图像中检测相应的人脸目标，得到包含人脸目标的图像。加载识别模型对多个包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割，生成对应的多个待识别人脸目标图像。对多个待识别人脸目标图像进行特征提取，得到对应的人脸目标特征数据。利用匹配模型将人脸目标特征数据与施工人员人脸特征模版进行匹配，得到对应的识别结果。相对于传统的方式，通过加载识别模型对多个包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割，由此使得能够对生成的每帧待识别人脸目标图像进行精确的特征定位，从而能够有效的对建筑施工区域内的所有人员进行准确的识别。

在一个实施例中，读取视频帧图像，在视频帧图像中检测相应的人脸目标，得到包含人脸目标的图像之前，该方法还包括对视频帧图像进行预处理的步骤，如图3所示，具体包括：

步骤302，对多帧图像进行灰度变换，得到灰度变换后的多帧图像。

步骤304，对灰度变换后的多帧图像进行对比度调节，得到对比度调节后的多帧图像。

步骤306，对对比度调节后的多帧图像进行归一化处理，得到归一化处理后的多帧图像。

步骤308，对归一化处理后的多帧图像进行几何校正，得到矫正后的多帧图像。

步骤310，对矫正后的多帧图像进行滤波和锐化处理，得到预处理后的多帧图像。

终端通过摄像头采集施工区域内的视频流数据，视频流数据包括多帧图像。终端对上述多帧图像进行预处理。终端对多帧图像进行颜色空间转换，得到对应的颜色空间转换后的多帧图像，终端利用图像处理函数对颜色空间转换后的多帧图像进行灰度变换，得到灰度变换后的多帧图像。终端对灰度变换后的多帧图像进行对比度调节，终端对灰度变换后的多帧图像进行亮度和对比度的调节，得到对比度调节后的多帧图像。终端对对比度调节后的多帧图像进行归一化处理，终端调用转换函数将对比度调节后的多帧图像进行线性变换，得到对应的归一化处理后的多帧图像。进一步的，终端调用角点检测函数对归一化处理后的多帧图像进行角点检测，得到对应多帧图像的角点位置坐标，终端利用梯度下降算法迭代拟合函数，得到对应的拟合函数参数。终端根据拟合函数参数，计算多帧图像中每个点畸变后的位置坐标，选取近邻的像素值替代原始像素值，即可得到矫正后的多帧图像。终端调用图像处理函数对矫正后的多帧图像进行滤波和锐化处理，得到预处理后的多帧图像。由此使得不同维度图像之间的数据特征具有统一的标准化格式，可以提高对多帧图像进行分类识别的准确性。

在一个实施例中，加载识别模型对多个包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割的步骤，如图4所示，包括：

步骤402，加载识别模型对多个包含人脸目标的图像进行人脸定位，得到对应的人脸目标定位框的坐标信息。

步骤404，根据人脸目标定位框的坐标信息，对人脸目标图像进行切割，生成对应的人脸标识矩形框。

步骤406，利用人脸标识矩形框，生成对应的多个待识别人脸目标图像。

终端读取预处理后的多帧图像，在预处理后的视频帧图像中检测相应的人脸目标，得到包含人脸目标的图像。终端加载识别模型对多个包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割。具体的，终端通过加载识别模型进行多任务级联卷积神经网络的人脸定位识别。其中，多任务级联卷积神经网络可以包括三个子网络分别为：proposalnetwork(p-net)即第一级网络、refinenetwork(r-net)即第二级网络以及outputnetwork(o-net)即第三级网络。终端将上述得到的多个包含人脸目标的图像输入第一级网络识别模型中，得到对应的多个定位人脸目标图像的候选窗口和边界框回归向量。终端利用得到的边界框回归向量对多个定位人脸目标图像的候选窗口进行校准，同时终端利用非极大值抑制(nms)算法将高度重叠的候选窗口进行合并，最终输出尺度调整后的多个人脸目标图像，以及得到初步筛选后的多个第一级人脸目标定位框的坐标信息和人脸分类的识别概率。进一步的，终端将上述尺度调整后的多个人脸目标图像发送到第二级识别模型中进行人脸定位识别，终端通过在第二级识别模型中添加全连接层，对上述得到的第一级定位后的人脸目标图像进行滤除，终端利用边框回归向量和面部关键点定位器对人脸目标图像进行人脸区域的边框回归和关键点定位，输出第二级网络滤除调整后的人脸目标图像，以及对应的多个第二级人脸目标定位框的坐标信息和人脸分类的识别概率。终端将上述第二级网络滤除调整后的人脸目标图像发送到第三级识别模型中，对上述第二级网络滤除调整后的人脸目标图像进行人脸定位识别，得到对应的人脸关键点的定位信息、人脸目标定位框的坐标信息以及人脸分类的识别概率。进一步的，终端根据上述人脸目标定位框的坐标信息，对人脸目标图像进行切割，生成对应的人脸标识矩形框。终端利用人脸标识矩形框，生成对应的多个待识别人脸目标图像。其中，人脸关键点的定位信息包括人脸区域的五个特征点定位信息，五个特征点定位信息包括左眼、右眼、鼻子、左嘴角和右嘴角的特征定位信息。由此使得能够对多个包含人脸目标的图像进行精准的人脸定位，避免了因背景环境因素的干扰而不能进行准确识别的问题，有效的提高了人脸识别的可靠性。

在其中一个实施例中，加载识别模型对多个包含人脸目标的图像进行人脸定位，得到对应的人脸目标定位框的坐标信息的步骤，包括：

人脸目标定位框的坐标信息包括人脸目标定位框的左上角位置的横纵坐标信息和人脸目标定位框的右下角位置的横纵坐标信息。

终端加载识别模型对多个包含人脸目标的图像进行人脸定位，得到对应的人脸目标定位框的坐标信息。具体的，终端通过将上述第二级网络滤除调整后的人脸目标图像发送到第三级识别模型中，通过第三级识别模型中分辨率尺度为256的全连接层进行精确的人脸定位，输出人脸目标定位框的左上角位置的横纵坐标信息和人脸目标定位框的右下角位置的横纵坐标信息即l1＝(x1,y1)和l2＝(x2,y2)。终端根据上述l1和l2的坐标信息，生成对应的人脸标识矩形框。由此使得利用上述人脸标识矩形框进行人脸相似度匹配，能够有效的确定每个人员身份的功能。

在一个实施例中，对多个待识别人脸目标图像进行特征提取，得到对应的人脸目标特征数据的步骤，包括：

利用识别模型对多个待识别人脸目标图像进行训练，得到每帧待识别人脸目标图像对应的特征点。

选取特征点相邻的多个像素点，构建特征点对应的特征向量。

根据特征点对应的特征向量，生成对应的人脸目标识别概率。

终端利用识别模型对上述得到的多个待识别人脸目标图像进行训练，经过多层全连接网络进行提取特征，得到每帧待识别人脸目标图像对应的特征点。终端利用识别模型选取每个特征点相邻的多个像素点，构建每个特征点对应的特征向量。终端根据上述特征点对应的特征向量，生成对应的人脸目标识别概率。通过深度学习网络对每帧待识别人脸目标图像进行特征提取，使得能够保留人脸目标图像的主要特征数据，从而提高了人脸目标检测的精度。

在一个实施例中，根据特征点对应的特征向量，生成对应的人脸目标识别概率之后，方法还包括：

将人脸目标识别概率与预设的阈值进行比较。

当人脸目标识别概率大于预设的阈值时，则将人脸目标识别概率对应的人脸目标特征数据与施工人员人脸特征模版进行匹配。

终端将上述获取到的人脸目标识别概率与预设的阈值进行比较，例如，阈值可以设为90％。当终端检测到人脸目标识别概率大于预设的阈值90％时，终端则将人脸目标识别概率对应的人脸目标特征数据与施工人员人脸特征模版进行匹配。

在其中一个实施例中，当人脸目标识别概率大于预设的阈值时，则将人脸目标识别概率对应的人脸目标特征数据与施工人员人脸特征模版进行匹配的步骤，包括：

当人脸目标特征数据与施工人员人脸特征模版匹配成功时，将匹配成功的结果输出，生成对应的施工人员识别成功消息提示框。

当人脸目标特征数据与施工人员人脸特征模版匹配失败时，将匹配失败的结果输出，触发自动报警。

终端将人脸目标识别概率对应的人脸目标特征数据与施工人员人脸特征模版进行匹配时，终端利用余弦相似度算法，对人脸目标特征数据和施工人员人脸特征模版的余弦相似度进行求解计算，得到对应的相似度数值。当相似度大于阈值时，即人脸目标特征数据与施工人员人脸特征模版匹配成功，确定该人脸目标识别概率对应的人脸目标特征数据为该施工区域内的施工人员，将上述识别认证成功的结果输出，并生成对应的施工人员识别成功消息提示框。当相似度不大于阈值时，即人脸目标特征数据与施工人员人脸特征模版匹配失败，确定该人脸目标识别概率对应的人脸目标特征数据不是该施工区域内的施工人员，将上述识别认证失败的结果输出，触发自动报警。由此使得能够有效的对建筑施工区域内的所有人员进行准确的识别，实现自动识别施工区域内是否有非施工人员误入，一旦有非施工人员进入，通过串口通信自动触发报警。

应该理解的是，虽然图1-4流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种基于施工区域的人脸识别装置，包括：采集模块502、读取模块504、加载模块506、提取模块508和匹配模块510，其中：

采集模块502，用于通过摄像头采集施工区域内的视频流数据，视频流数据包括多帧图像。

读取模块504，用于读取视频帧图像，在视频帧图像中检测相应的人脸目标，得到包含人脸目标的图像。

加载模块506，用于加载识别模型对多个包含人脸目标的图像进行人脸定位，对定位后的人脸目标图像进行切割，生成对应的多个待识别人脸目标图像。

提取模块508，用于对多个待识别人脸目标图像进行特征提取，得到对应的人脸目标特征数据。

匹配模块510，用于利用匹配模型将人脸目标特征数据与施工人员人脸特征模版进行匹配，得到对应的识别结果。

在一个实施例中，该装置还包括：预处理模块。

预处理模块用于对多帧图像进行灰度变换，得到灰度变换后的多帧图像；对灰度变换后的多帧图像进行对比度调节，得到对比度调节后的多帧图像；对对比度调节后的多帧图像进行归一化处理，得到归一化处理后的多帧图像；对归一化处理后的多帧图像进行几何校正，得到矫正后的多帧图像；对矫正后的多帧图像进行滤波和锐化处理，得到预处理后的多帧图像。

在一个实施例中，该装置还包括：生成模块。

加载模块506还用于加载识别模型对多个包含人脸目标的图像进行人脸定位，得到对应的人脸目标定位框的坐标信息。生成模块用于根据人脸目标定位框的坐标信息，对人脸目标图像进行切割，生成对应的人脸标识矩形框；利用人脸标识矩形框，生成对应的多个待识别人脸目标图像。

在一个实施例中，加载模块506还用于加载识别模型对多个包含人脸目标的图像进行人脸定位，得到对应的人脸目标定位框的坐标信息。人脸目标定位框的坐标信息包括人脸目标定位框的左上角位置的横纵坐标信息和人脸目标定位框的右下角位置的横纵坐标信息。

在一个实施例中，该装置还包括：训练模块和构建模块。

训练模块用于利用识别模型对多个待识别人脸目标图像进行训练，得到每帧待识别人脸目标图像对应的特征点。构建模块用于选取特征点相邻的多个像素点，构建特征点对应的特征向量。生成模块还用于根据特征点对应的特征向量，生成对应的人脸目标识别概率。

在一个实施例中，该装置还包括：匹配模块。

匹配模块用于将人脸目标识别概率与预设的阈值进行相似度匹配；当人脸目标识别概率大于预设的阈值时，则将人脸目标识别概率对应的人脸目标特征数据与施工人员人脸特征模版进行匹配。

在一个实施例中，该装置还包括：报警模块。

生成模块还用于当人脸目标特征数据与施工人员人脸特征模版匹配成功时，将匹配成功的结果输出，生成对应的施工人员识别成功消息提示框。报警模块用于当人脸目标特征数据与施工人员人脸特征模版匹配失败时，将匹配失败的结果输出，触发自动报警。

关于基于施工区域的人脸识别装置的具体限定可以参见上文中对于基于施工区域的人脸识别方法的限定，在此不再赘述。上述基于施工区域的人脸识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于施工区域的人脸识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述各个方法实施例的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。