[发明专利]一种人脸识别素质教育智慧评价系统

说明书

本发明公开了一种人脸识别素质教育智慧评价方法，其特征在于，包括：对人脸检测，并对人脸特征点定位；对人脸图像预处理，生成人脸标准图；将人脸标准图生成基于深度学习的人脸识别模型，计算获得基于人脸识别模型的人脸特征向量与数据库中已有的人脸库向量之间的余弦相似度；基于余弦相似度的结果判定人脸识别结果；若人脸识别成功，则进入综合评价系统进行综合评价，并生成综合评价手册。本发明的人脸识别素质教育智慧评价方法，将人脸识别技术应用于素质教育智慧评价方法中，并且提出了能够有效地消除光照和眼镜遮挡物的方法，还提出了与照明变化无关、不受姿态变化的人脸识别方法。

技术领域

本发明涉及人脸识别应用技术领域，特别是涉及一种人脸识别素质教育智慧评价系统。

背景技术

人脸识别技术在过去几年中迅速发展，目前，人脸识别技术在室外环境等实际生活环境中不能很好应对，通常只在室内使用。人脸识别的难点依旧是照明变化、姿势变化、年龄变化、遮挡等，这些对人脸识别系统所采用的人脸识别算法产生影响。

目前，市面上主要采用haar特征进行人脸检测，具有光照影响较大、检测速度慢、人脸对齐速度慢的问题。采用PCA人脸识别，当图像维度很大时，识别速度非常缓慢，解决途径是对图像进行降维，但是降维会导致丢失大量细节，同时受光照影响较大，但光照条件不同时，比对结果将大打折扣。

基于深度学习的人脸识别方法，深度神经网络不采取人工提取方式，这就节约了人工提取所耗费的大量时间，以最快速度完成了人脸面部的智能识别过程。深度神经网络同传统的网络有巨大差距：第一点，其是模块式的层叠结构；第二点，当调整神经网络权值时，权值就会自动接近最优点。因此，不需要经过前期的训练以及监督，最终获取一个完美的数据。

绝大多数的研究显示，采取人工神经方法的人脸识别系统，不论是在顽健性、容错性还是识别准确性方面都具有较强的优势。

在实际生活环境中，人脸图像由照明、姿势、年龄、遮挡等变化造成人脸识别难度。因此，在实际生活环境中，人脸识别技术不能圆满，最近几年中，在此领域进行了很多研究，有了很大的进展，但是仍然达不到满意的效果。

另外，随着素质教育的推进，对学生的管理越来越需要一些智慧评价系统，而目前还没有出现利用人脸识别技术进行识别评价的人脸识别素质教育智慧评价系统。

发明内容

基于此，本发明的目的在于，提供一种人脸识别素质教育智慧评价系统。

一种人脸识别素质教育智慧评价方法，包括：

对人脸检测，并对人脸特征点定位；

对人脸图像预处理，生成人脸标准图；

将人脸标准图生成基于深度学习的人脸识别模型，计算获得基于人脸识别模型的人脸特征向量与数据库中已有的人脸库向量之间的余弦相似度；

基于余弦相似度的结果判定人脸识别结果；

若人脸识别成功，则进入综合评价系统进行综合评价，并生成综合评价手册。

进一步优选地，所述对人脸检测，并对人脸特征点定位，包括：基于LBP特征和AdaBoost进行人脸检测，并基于点分布模型算法对68个人脸特征点进行定位；

所述基于LBP特征和AdaBoost进行人脸检测，包括将彩色图转换成灰度图，在任意邻域内，以邻域中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若邻域像素值大于中心像素值，则该像素点的位置被标记为1，否则为0；

邻域内的8个像素经比较产生8位二进制数，将所述8位二进制数转换为十进制数，计算得到该邻域中心像素的LBP值。

进一步优选地，所述计算得到该邻域中心像素的LBP值，包括：