[发明专利]一种基于深度学习算法的人脸识别签到方法及装置

权利要求书

1.一种基于深度学习算法的人脸识别签到方法，其特征在于，包括：

采集人物图像，其中，所述人物图像为进入预设区域内的人物的图像；

基于Haar特征和积分图原理对所述人物图像进行处理，以确定所述人物图像中的人脸区域；

确定所述人脸区域中各关键点的位置；

从所述人物图像中截取所述人脸区域，并基于空间变换原则和预设的关键点参考位置对所述人脸区域中各关键点进行位置校正，得到人脸图像；

将所述人脸图像输入预设的卷积神经网络，得到所述卷积神经网络输出的人脸特征信息，其中，所述卷积神经网络预先基于人脸图像样本训练得到；

将所述人脸特征信息与预设的人员数据库进行匹配，其中，所述人员数据库包含预先录入的各个人员的人脸特征信息；

若匹配成功，且本次匹配到的人员未签到，则根据当前时间为本次匹配到的人员执行签到处理。

2.根据权利要求1所述的人脸识别签到方法，其特征在于，所述基于Haar特征和积分图原理对所述人物图像进行处理包括：

计算所述人物图像的Haar特征的特征值，并基于积分图原理加速所述特征值的计算；

基于所述特征值对每个Haar特征训练一个弱分类器；

基于所述弱分类器生成强分类器；

将所述强分类器级联起来构成级联分类器；

基于所述级联分类器对所述人物图像进行处理，以确定所述人物图像中的人脸区域。

3.根据权利要求1或2所述的人脸识别签到方法，其特征在于，所述确定所述人脸区域中各关键点的位置具体为：基于随机森林算法确定所述人脸区域中各关键点的位置。

4.根据权利要求1或2所述的人脸识别签到方法，其特征在于，所述并基于空间变换原则和预设的关键点参考位置对所述人脸区域中各关键点进行位置校正包括：

基于变换矩阵对所述人脸区域及所述人脸区域中各关键点进行归一化处理，所述变换矩阵为：

其中，θ表示坐标点旋转时绕原点逆时针旋转的角度，s_x表示横坐标放大的倍数，s_y表示纵坐标放大的倍数，p表示横坐标平移的距离，q表示纵坐标平移的距离，x表示变换前的横坐标，y表示变换前的纵坐标，x′表示变换后的横坐标，y′表示变换后的纵坐标；

基于所述关键点参考位置对归一化处理后的所述人脸区域中各关键点进行位置校正。

5.一种基于深度学习算法的人脸识别签到装置，其特征在于，包括：

采集单元，用于采集人物图像，其中，所述人物图像为进入预设区域内的人物的图像；

第一处理单元，用于基于Haar特征和积分图原理对所述人物图像进行处理，以确定所述人物图像中的人脸区域；

确定单元，用于确定所述人脸区域中各关键点的位置；

截取单元，用于从所述人物图像中截取所述人脸区域；

校正单元，用于基于空间变换原则和预设的关键点参考位置对所述人脸区域中各关键点进行位置校正，得到人脸图像；

输入单元，用于将所述人脸图像输入预设的卷积神经网络，得到所述卷积神经网络输出的人脸特征信息，其中，所述卷积神经网络预先基于人脸图像样本训练得到；

匹配单元，用于将所述人脸特征信息与预设的人员数据库进行匹配，其中，所述人员数据库包含预先录入的各个人员的人脸特征信息；

签到单元，用于当匹配成功，且本次匹配到的人员未签到时，根据当前时间为本次匹配到的人员执行签到处理。

6.根据权利要求5所述的人脸识别签到装置，其特征在于，所述第一处理单元包括：

计算单元，用于计算所述人物图像的Haar特征的特征值，并基于积分图原理加速所述特征值的计算；

训练单元，用于基于所述特征值对每个Haar特征训练一个弱分类器；

生成单元，用于基于所述弱分类器生成强分类器；

级联单元，用于将所述强分类器级联起来构成级联分类器；

子处理单元，用于基于所述级联分类器对所述人物图像进行处理，以确定所述人物图像中的人脸区域。