CN109214373A - 一种用于考勤的人脸识别***及方法 - Google Patents

Abstract

本发明涉及一种用于考勤的人脸识别***及方法，其中包括第一模型识别模块；第二模型识别模块，用于识别三庭和五眼特征点，并根据三庭的两个分割点和人脸高度范围计算三庭的比例信息，根据五眼的四个分割点和人脸宽度范围计算五眼的比例信息；比对图像筛选模块，用于根据识别到的三庭的比例信息和五眼的比例信息从预设的样本特征库中筛选得到备选的样本图像特征向量；第三模型识别模块；图像分类模块；考勤记录模块，用于记录考勤人员的身份标识信息、当前时间和考勤位置，作为考勤记录；以及红外测温模块。本发明首先基于三庭五眼比例对样本图像进行筛选，降低根据特征比对的样本图像的数量，提高数据处理效率，进而提高考勤效率。

Description

一种用于考勤的人脸识别***及方法

技术领域

本发明涉及数据处理技术领域，具体是指一种用于考勤的人脸识别***及方法。

背景技术

随着社会的发展，机器学习算法越来越多地应用到我们日常的生活中。采用机器学习可以大大提高各行各业中的数据处理效率。现在已经出现了很多将人脸识别应用到考勤***中的技术方案，然而现有技术的方法中，考勤的识别算法十分复杂，而且数据处理量大，当公司人员数量很大时，需要比对的工作量也很大，增加了考勤***的负担，降低了考勤的效率。

发明内容

本发明提供了一种用于考勤的人脸识别***及方法，其目的在于克服现有技术中的缺陷，首先基于三庭五眼比例对样本图像进行筛选，降低根据特征比对的样本图像的数量，提高数据处理效率，进而提高考勤效率。

为了实现上述目的，本发明具有如下构成：

该用于考勤的人脸识别***，包括：

第一模型识别模块，用于获取摄像头拍摄的考勤人员的图像，基于训练好的Adaboost分类器在摄像头拍摄的图像中检测人脸区域图像；

第二模型识别模块，用于获取人脸区域图像，采用训练好的主动形状模型，检测人脸图像中的下巴尖、左眼外侧发际点、右眼外侧发际点、顶部中央发际点、三庭的两个分割点和五眼的四个分割点，根据顶部中央发际点和下巴尖之间的间距确定人脸高度范围，根据左眼外侧发际点和右眼外侧发际点之间的间距确定人脸宽度范围，根据三庭的两个分割点和人脸高度范围计算三庭的比例信息，根据五眼的四个分割点和人脸宽度范围计算五眼的比例信息；

比对图像筛选模块，用于根据识别到的三庭的比例信息和五眼的比例信息从预设的样本特征库中筛选得到备选的样本图像特征向量；

第三模型识别模块，用于采用训练好的特征识别模型，提取待识别的人脸区域图像的特征向量；

图像分类模块，用于计算备选的样本图像特征向量与待识别的人脸区域图像的特征向量的欧氏距离，选择计算得到的最小的欧氏距离，判断最小的欧氏距离是否小于预设阈值，如果是，则将最小的欧氏距离所对应的样本图像作为最接近的样本图像，根据最接近的样本图像的身份标签确定待识别的人脸区域图像所对应的身份；

考勤记录模块，用于当图像分类模块识别得到人脸区域图像对应的身份时，根据拍摄图像的摄像头的位置，确定考勤人员的考勤位置，记录考勤人员的身份标识信息、当前时间和考勤位置，作为考勤记录；

红外测温模块，用于当考勤记录模块新增一条考勤记录时，查找距离考勤人员的考勤位置最接近的红外测温仪，控制最接近的红外测温仪对考勤人员进行体温测量，并将测量的体温数据添加到对应的考勤记录中。

可选地，所述特征识别模型为卷积神经网络，所述卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层和第三池化层，所述第一卷积层和第一池化层之间、第二卷积层和第二池化层之间、第三卷积层和第四卷积层之间以及第五卷积层和第三池化层之间分别设置有一Relu函数。

可选地，所述基于训练好的Adaboost分类器在摄像头拍摄的图像中检测人脸区域图像，包括如下步骤：

第一模型识别模块基于训练好的Adaboost分类器在摄像头拍摄的图像中人脸区域；

第一模型识别模块识别人脸区域的宽度w和高度h以及人脸区域的中心点C0；

第一模型识别模块以人脸区域的中心点为中心点，以h*1.2为高度、以w*1.1为宽度从摄像头拍摄的图像中提取人脸区域图像，提取到的人脸区域图像的中心点为C0，高度为h*1.2，宽度为w*1.1。

可选地，所述三庭的分割点包括鼻下点和眉毛尾点，所述五眼的分割特征点包括左眼外眼角、左眼内眼角、右眼内眼角和右眼外眼角。

可选地，所述***还包括：

第一报警模块，用于当图像分类模块检测不到与考勤人员匹配的样本图像时，根据拍摄图像的摄像头的位置，确定考勤人员的考勤位置，生成报警信号，所述报警信号的标识为未知人员闯入，所述报警信号包括考勤位置和考勤人员的拍摄图像；

第二报警模块，用于获取红外测温模块的体温数据，当体温数据大于预设体温阈值时，生成报警信号，所述报警信号的标识为体温异常，所述报警信号包括考勤人员的考勤位置和考勤人员的身份标识信息。

可选地，所述***还包括：

样本图像采集模块，用于采集多个样本图像；

所述第一模型识别模块还用于基于训练好的Adaboost分类器在样本图像中检测人脸区域图像；

所述第二模型识别模块还用于计算各个样本图像中的三庭的比例信息和五眼的比例信息；

所述第三模型识别模块还用于采用训练好的特征识别模型识别样本图像的人脸区域图像的特征向量，并存储到样本特征库中；

样本图像分类模块，用于根据样本图像的三庭的比例信息和五眼的比例信息将样本图像分为多个类别，每个类别的样本图像的三庭的比例信息均处于该类别对应的三庭比例信息范围内，每个类别的样本图像的五眼的比例信息均处于该类别对应的五眼比例信息范围内。

可选地，所述根据识别到的三庭的比例信息和五眼的比例信息从预设的样本特征库中筛选得到备选的样本图像特征向量，包括如下步骤：

所述比对图像筛选模块判断识别到的三庭的比例信息和五眼的比例信息落入哪一类别的三庭比例信息范围和五眼比例信息范围，确定考勤人员的图像所属的类别；

所述比对图像筛选模块选择考勤人员的图像所属的类别下的所有样本图像作为备选的样本图像，将备选的样本图像的特征向量作为备选的样本图像特征向量。

本发明实施例还提供一种用于考勤的人脸识别方法，采用所述的用于考勤的人脸识别***，所述方法包括如下步骤：

获取摄像头拍摄的考勤人员的图像，基于训练好的Adaboost分类器在摄像头拍摄的图像中检测人脸区域图像；

获取人脸区域图像，采用训练好的主动形状模型，检测人脸图像中的下巴尖、左眼外侧发际点、右眼外侧发际点、顶部中央发际点、三庭的两个分割点和五眼的四个分割点，根据顶部中央发际点和下巴尖之间的间距确定人脸高度范围，根据左眼外侧发际点和右眼外侧发际点之间的间距确定人脸宽度范围，根据三庭的两个分割点和人脸高度范围计算三庭的比例信息，根据五眼的四个分割点和人脸宽度范围计算五眼的比例信息；

根据识别到的三庭的比例信息和五眼的比例信息从预设的样本特征库中筛选得到备选的样本图像特征向量；

采用训练好的特征识别模型，提取待识别的人脸区域图像的特征向量；

计算备选的样本图像特征向量与待识别的人脸区域图像的特征向量的欧氏距离，选择计算得到的最小的欧氏距离，判断最小的欧氏距离是否小于预设阈值，如果是，则将最小的欧氏距离所对应的样本图像作为最接近的样本图像，根据最接近的样本图像的身份标签确定待识别的人脸区域图像所对应的身份；

当图像分类模块识别得到人脸区域图像对应的身份时，根据拍摄图像的摄像头的位置，确定考勤人员的考勤位置，记录考勤人员的身份标识信息、当前时间和考勤位置，作为考勤记录；

当考勤记录模块新增一条考勤记录时，查找距离考勤人员的考勤位置最接近的红外测温仪，控制最接近的红外测温仪对考勤人员进行体温测量，并将测量的体温数据添加到对应的考勤记录中。

可选地，所述基于训练好的Adaboost分类器在摄像头拍摄的图像中检测人脸区域图像，包括如下步骤：

基于训练好的Adaboost分类器在摄像头拍摄的图像中人脸区域；

识别人脸区域的宽度w和高度h以及人脸区域的中心点C0；

以人脸区域的中心点为中心点，以h*1.2为高度、以w*1.1为宽度从摄像头拍摄的图像中提取人脸区域图像，提取到的人脸区域图像的中心点为C0，高度为h*1.2，宽度为w*1.1。

可选地，所述方法还包括如下步骤：

当图像分类模块检测不到与考勤人员匹配的样本图像时，根据拍摄图像的摄像头的位置，确定考勤人员的考勤位置，生成报警信号，所述报警信号的标识为未知人员闯入，所述报警信号包括考勤位置和考勤人员的拍摄图像；

获取红外测温模块的体温数据时，比较红外测温模块的体温数据与预设体温阈值，当体温数据大于预设体温阈值时，生成报警信号，所述报警信号的标识为体温异常，所述报警信号包括考勤人员的考勤位置和考勤人员的身份标识信息。

采用了该发明中的用于考勤的人脸识别***及方法，具有如下有益效果：

本发明首先基于三庭五眼比例对样本图像进行筛选，降低根据特征比对的样本图像的数量，提高数据处理效率，进而提高考勤效率；进一步地，本发明增加了红外测温仪，根据考勤人员的位置获取考勤人员的体温数据，在完成考勤记录的同时也记录了考勤人员的体温数据，同时完成了考勤和健康监测。

附图说明

图1为本发明一实施例的用于考勤的人脸识别***的结构示意图；

图2为本发明一实施例的用于考勤的人脸识别方法的流程图；

图3为本发明一实施例的计算三庭比例信息的示意图；

图4为本发明一实施例的计算五眼比例信息的示意图；

图5为本发明一实施例的提取人脸区域图像的示意图。

具体实施方式

为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。

如图1所示的用于考勤的人脸识别***，包括：

第一模型识别模块100，用于获取摄像头拍摄的考勤人员的图像，基于训练好的Adaboost分类器在摄像头拍摄的图像中检测人脸区域图像；Adaboost是一种迭代方法，核心思想是针对不同的训练集训练同一个弱分类器，然后把在不同训练集上得到的弱分类器集合起来，构成一个最终的强分类器。

第二模型识别模块200，用于获取人脸区域图像，采用训练好的主动形状模型，检测人脸图像中的下巴尖、左眼外侧发际点、右眼外侧发际点、顶部中央发际点、三庭的两个分割点和五眼的四个分割点，根据顶部中央发际点和下巴尖之间的间距确定人脸高度范围，根据左眼外侧发际点和右眼外侧发际点之间的间距确定人脸宽度范围，根据三庭的两个分割点和人脸高度范围计算三庭的比例信息，根据五眼的四个分割点和人脸宽度范围计算五眼的比例信息；

比对图像筛选模块300，用于根据识别到的三庭的比例信息和五眼的比例信息从预设的样本特征库中筛选得到备选的样本图像特征向量；

第三模型识别模块400，用于采用训练好的特征识别模型，提取待识别的人脸区域图像的特征向量；

图像分类模块500，用于计算备选的样本图像特征向量与待识别的人脸区域图像的特征向量的欧氏距离，选择计算得到的最小的欧氏距离，判断最小的欧氏距离是否小于预设阈值，如果是，则将最小的欧氏距离所对应的样本图像作为最接近的样本图像，根据最接近的样本图像的身份标签确定待识别的人脸区域图像所对应的身份；

考勤记录模块600，用于当图像分类模块识别得到人脸区域图像对应的身份时，根据拍摄图像的摄像头的位置，确定考勤人员的考勤位置，记录考勤人员的身份标识信息、当前时间和考勤位置，作为考勤记录；

红外测温模块700，用于当考勤记录模块新增一条考勤记录时，查找距离考勤人员的考勤位置最接近的红外测温仪，控制最接近的红外测温仪对考勤人员进行体温测量，并将测量的体温数据添加到对应的考勤记录中。

如图2所示，本发明实施例还提供一种用于考勤的人脸识别方法，采用所述的用于考勤的人脸识别***，所述方法包括如下步骤：

S100：获取摄像头拍摄的考勤人员的图像，基于训练好的Adaboost分类器在摄像头拍摄的图像中检测人脸区域图像；

S200：获取人脸区域图像，采用训练好的主动形状模型，检测人脸图像中的下巴尖、左眼外侧发际点、右眼外侧发际点、顶部中央发际点、三庭的两个分割点和五眼的四个分割点，根据顶部中央发际点和下巴尖之间的间距确定人脸高度范围，根据左眼外侧发际点和右眼外侧发际点之间的间距确定人脸宽度范围，根据三庭的两个分割点和人脸高度范围计算三庭的比例信息，根据五眼的四个分割点和人脸宽度范围计算五眼的比例信息；

主动形状模型ASM，即全局形状模型，是一种基于点分布模型的算法，即外形相似的物体其几何形状可以通过若干关键特征点的坐标依次串联形成一个形状向量来标识；在实际应用中，ASM分为训练和搜索两部分进行，本发明中采用训练好的ASM形状模型进行上述人脸特征点的自动标记和提取，提高了人脸特征点检测的准确性和识别效率。

S300：根据识别到的三庭的比例信息和五眼的比例信息从预设的样本特征库中筛选得到备选的样本图像特征向量；

S400：采用训练好的特征识别模型，提取待识别的人脸区域图像的特征向量；

S500：计算备选的样本图像特征向量与待识别的人脸区域图像的特征向量的欧氏距离，选择计算得到的最小的欧氏距离，判断最小的欧氏距离是否小于预设阈值，如果是，则将最小的欧氏距离所对应的样本图像作为最接近的样本图像，根据最接近的样本图像的身份标签确定待识别的人脸区域图像所对应的身份；

具体地，欧氏距离的公式如下：

其中，ρ表示考勤人员的特征向量(x1，x2，x3，x4，……，xn)与样本图像特征向量(y1，y2，y3，y4，……，yn)之间的欧氏距离。n表示特征识别模型识别的维度，x1表示第一个维度的特征值，x2表示第2个维度的特征值，以此类推。

如果最小的欧式距离也大于或等于预设阈值，说明没有与考勤人员的人脸区域相近的样本图像，无法确定考勤人员的身份。

由于备选的样本图像是根据三庭五眼比例信息筛选得到的一部分的数据，大大减小了将考勤人员与样本图像比对的数据量，提高了考勤数据处理效率。

S600：当图像分类模块识别得到人脸区域图像对应的身份时，根据拍摄图像的摄像头的位置，确定考勤人员的考勤位置，记录考勤人员的身份标识信息、当前时间和考勤位置，作为考勤记录；

S700：当考勤记录模块新增一条考勤记录时，查找距离考勤人员的考勤位置最接近的红外测温仪，控制最接近的红外测温仪对考勤人员进行体温测量，并将测量的体温数据添加到对应的考勤记录中。

因此，本发明根据考勤人员的位置获取考勤人员的体温数据，在完成考勤记录的同时也记录了考勤人员的体温数据，同时完成了考勤和健康监测。

在该实施例中，所述特征识别模型为卷积神经网络，所述卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层和第三池化层。

在深度神经网络中，通常使用一种叫修正线性单元(Rectified linear unit，Relu)作为神经元的激活函数。通过Relu实现稀疏后的模型能够更好地挖掘相关特征，拟合训练数据。因此，在该实施例中，所述第一卷积层和第一池化层之间、第二卷积层和第二池化层之间、第三卷积层和第四卷积层之间以及第五卷积层和第三池化层之间分别设置有一Relu函数。

卷积神经网络中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。池化层也叫取样层，紧跟在卷积层之后，同样由多个特征面组成，它的每一个特征面对应于其上一层的一个特征面，不会改变特征面的个数。池化层旨在通过降低特征面的分辨率来获得具有空间不变性的特征。池化层起到二次提取特征的作用，它的每个神经元对局部接受域进行池化操作。常用的池化方法有最大池化即取局部接受域中值最大的点、均值池化即对局部接受域中的所有值求均值、随机池化等，本实例主要采用最大池化方法。

因此，卷积层和池化层的合理配合可以更好地提取人脸特征。

如图3和图4所示，在该实施例中，所述三庭的分割点包括鼻下点和眉毛尾点，所述五眼的分割特征点包括左眼外眼角、左眼内眼角、右眼内眼角和右眼外眼角。三庭的三个部分分别为图3中示出的A1、A2和A3；三庭的比例信息即为A1、A2和A3的高度分别与人脸高度范围的比值。五眼的五个部分分别为图4中示出的B1、B2、B3、B4和B5。五眼的比例信息分别为B1、B2、B3、B4和B5的宽度与人脸宽度范围的比值。

由于在人脸区域识别时，人脸区域可能是一个比较局限的区域，可能会损失掉人脸边缘的一些特征，因此，在该实施例中，所述基于训练好的Adaboost分类器在摄像头拍摄的图像中检测人脸区域图像，包括如下步骤：

第一模型识别模块基于训练好的Adaboost分类器在摄像头拍摄的图像中人脸区域；

第一模型识别模块识别人脸区域的宽度w和高度h以及人脸区域的中心点C0；

第一模型识别模块以人脸区域的中心点为中心点，以h*1.2为高度、以w*1.1为宽度从摄像头拍摄的图像中提取人脸区域图像，提取到的人脸区域图像的中心点为C0，高度为h*1.2，宽度为w*1.1。

如图5所示，D1即为摄像头拍摄的图像，D2即为人脸区域，D3即为基于人脸区域提取的人脸区域图像，其相比于人脸区域来说稍微向四边扩展了一部分。

在该实施例中，所述***还包括：

第一报警模块，用于当图像分类模块检测不到与考勤人员匹配的样本图像时，根据拍摄图像的摄像头的位置，确定考勤人员的考勤位置，生成报警信号，所述报警信号的标识为未知人员闯入，所述报警信号包括考勤位置和考勤人员的拍摄图像；报警信号可以发给公司安保人员，由公司安保人员到现场查看；

第二报警模块，用于获取红外测温模块的体温数据，当体温数据大于预设体温阈值时，生成报警信号，所述报警信号的标识为体温异常，所述报警信号包括考勤人员的考勤位置和考勤人员的身份标识信息，报警信号可以发给公司医务室工作人员或人事管理工作人员，如果发现某个员工体温过高，可以根据实际情况判断是否需要员工休息或者给员工服药。

在该实施例中，所述用于考勤的人脸识别***还包括：

样本图像采集模块，用于采集多个样本图像，在实际应用中，可以让公司员工依次拍摄多个角度的图像，分别为各个图像打上员工身份识别信息的标签；

所述第一模型识别模块还用于基于训练好的Adaboost分类器在样本图像中检测人脸区域图像；

所述第二模型识别模块还用于计算各个样本图像中的三庭的比例信息和五眼的比例信息；

所述第三模型识别模块还用于采用训练好的特征识别模型识别样本图像的人脸区域图像的特征向量，并存储到样本特征库中；

样本图像分类模块，用于根据样本图像的三庭的比例信息和五眼的比例信息将样本图像分为多个类别，每个类别的样本图像的三庭的比例信息均处于该类别对应的三庭比例信息范围内，每个类别的样本图像的五眼的比例信息均处于该类别对应的五眼比例信息范围内。

在该实施例中，所述根据识别到的三庭的比例信息和五眼的比例信息从预设的样本特征库中筛选得到备选的样本图像特征向量，包括如下步骤：

所述比对图像筛选模块判断识别到的三庭的比例信息和五眼的比例信息落入哪一类别的三庭比例信息范围和五眼比例信息范围，确定考勤人员的图像所属的类别；此处三庭的比例信息和五眼的比例信息落入一类别的三庭比例信息范围和五眼比例信息范围，需要三庭的三个比例值分别对应落入该类别的三庭的三个比例值的范围内，五眼的五个比例值分别对应落入该类别的五眼的五个比例值的范围内。

所述比对图像筛选模块选择考勤人员的图像所属的类别下的所有样本图像作为备选的样本图像，将备选的样本图像的特征向量作为备选的样本图像特征向量。

由于三庭五眼比例可以基本上很好地将一部分人与另一部分人进行区分开来，采用三庭五眼比例进行筛选可以很好地降低图像比对的数据处理量，大大提高了图像分类模块的处理效率。

与现有技术相比，采用了该发明中的用于考勤的人脸识别***及方法，具有如下有益效果：

本发明首先基于三庭五眼比例对样本图像进行筛选，降低根据特征比对的样本图像的数量，提高数据处理效率，进而提高考勤效率；进一步地，本发明增加了红外测温仪，根据考勤人员的位置获取考勤人员的体温数据，在完成考勤记录的同时也记录了考勤人员的体温数据，同时完成了考勤和健康监测。

在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (10)

1.一种用于考勤的人脸识别***，其特征在于，包括：

第一模型识别模块，用于获取摄像头拍摄的考勤人员的图像，基于训练好的Adaboost分类器在摄像头拍摄的图像中检测人脸区域图像；

第二模型识别模块，用于获取人脸区域图像，采用训练好的主动形状模型，检测人脸图像中的下巴尖、左眼外侧发际点、右眼外侧发际点、顶部中央发际点、三庭的两个分割点和五眼的四个分割点，根据顶部中央发际点和下巴尖之间的间距确定人脸高度范围，根据左眼外侧发际点和右眼外侧发际点之间的间距确定人脸宽度范围，根据三庭的两个分割点和人脸高度范围计算三庭的比例信息，根据五眼的四个分割点和人脸宽度范围计算五眼的比例信息；

比对图像筛选模块，用于根据识别到的三庭的比例信息和五眼的比例信息从预设的样本特征库中筛选得到备选的样本图像特征向量；

第三模型识别模块，用于采用训练好的特征识别模型，提取待识别的人脸区域图像的特征向量；

图像分类模块，用于计算备选的样本图像特征向量与待识别的人脸区域图像的特征向量的欧氏距离，选择计算得到的最小的欧氏距离，判断最小的欧氏距离是否小于预设阈值，如果是，则将最小的欧氏距离所对应的样本图像作为最接近的样本图像，根据最接近的样本图像的身份标签确定待识别的人脸区域图像所对应的身份；

考勤记录模块，用于当图像分类模块识别得到人脸区域图像对应的身份时，根据拍摄图像的摄像头的位置，确定考勤人员的考勤位置，记录考勤人员的身份标识信息、当前时间和考勤位置，作为考勤记录；

红外测温模块，用于当考勤记录模块新增一条考勤记录时，查找距离考勤人员的考勤位置最接近的红外测温仪，控制最接近的红外测温仪对考勤人员进行体温测量，并将测量的体温数据添加到对应的考勤记录中。

2.根据权利要求1所述的用于考勤的人脸识别***，其特征在于，所述特征识别模型为卷积神经网络，所述卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第五卷积层和第三池化层，所述第一卷积层和第一池化层之间、第二卷积层和第二池化层之间、第三卷积层和第四卷积层之间以及第五卷积层和第三池化层之间分别设置有一Relu函数。

3.根据权利要求1所述的用于考勤的人脸识别***，其特征在于，所述基于训练好的Adaboost分类器在摄像头拍摄的图像中检测人脸区域图像，包括如下步骤：

第一模型识别模块基于训练好的Adaboost分类器在摄像头拍摄的图像中人脸区域；

第一模型识别模块识别人脸区域的宽度w和高度h以及人脸区域的中心点C0；

第一模型识别模块以人脸区域的中心点为中心点，以h*1.2为高度、以w*1.1为宽度从摄像头拍摄的图像中提取人脸区域图像，提取到的人脸区域图像的中心点为C0，高度为h*1.2，宽度为w*1.1。

4.根据权利要求1所述的用于考勤的人脸识别***，其特征在于，所述三庭的分割点包括鼻下点和眉毛尾点，所述五眼的分割特征点包括左眼外眼角、左眼内眼角、右眼内眼角和右眼外眼角。

5.根据权利要求1所述的用于考勤的人脸识别***，其特征在于，所述***还包括：

第一报警模块，用于当图像分类模块检测不到与考勤人员匹配的样本图像时，根据拍摄图像的摄像头的位置，确定考勤人员的考勤位置，生成报警信号，所述报警信号的标识为未知人员闯入，所述报警信号包括考勤位置和考勤人员的拍摄图像；

第二报警模块，用于获取红外测温模块的体温数据，当体温数据大于预设体温阈值时，生成报警信号，所述报警信号的标识为体温异常，所述报警信号包括考勤人员的考勤位置和考勤人员的身份标识信息。

6.根据权利要求1所述的用于考勤的人脸识别***，其特征在于，所述***还包括：

样本图像采集模块，用于采集多个样本图像；

所述第一模型识别模块还用于基于训练好的Adaboost分类器在样本图像中检测人脸区域图像；

所述第二模型识别模块还用于计算各个样本图像中的三庭的比例信息和五眼的比例信息；

所述第三模型识别模块还用于采用训练好的特征识别模型识别样本图像的人脸区域图像的特征向量，并存储到样本特征库中；

样本图像分类模块，用于根据样本图像的三庭的比例信息和五眼的比例信息将样本图像分为多个类别，每个类别的样本图像的三庭的比例信息均处于该类别对应的三庭比例信息范围内，每个类别的样本图像的五眼的比例信息均处于该类别对应的五眼比例信息范围内。

7.根据权利要求6所述的用于考勤的人脸识别***，其特征在于，所述根据识别到的三庭的比例信息和五眼的比例信息从预设的样本特征库中筛选得到备选的样本图像特征向量，包括如下步骤：

所述比对图像筛选模块判断识别到的三庭的比例信息和五眼的比例信息落入哪一类别的三庭比例信息范围和五眼比例信息范围，确定考勤人员的图像所属的类别；

所述比对图像筛选模块选择考勤人员的图像所属的类别下的所有样本图像作为备选的样本图像，将备选的样本图像的特征向量作为备选的样本图像特征向量。

8.一种用于考勤的人脸识别方法，其特征在于，采用权利要求1至7中任一项所述的用于考勤的人脸识别***，所述方法包括如下步骤：

获取摄像头拍摄的考勤人员的图像，基于训练好的Adaboost分类器在摄像头拍摄的图像中检测人脸区域图像；

获取人脸区域图像，采用训练好的主动形状模型，检测人脸图像中的下巴尖、左眼外侧发际点、右眼外侧发际点、顶部中央发际点、三庭的两个分割点和五眼的四个分割点，根据顶部中央发际点和下巴尖之间的间距确定人脸高度范围，根据左眼外侧发际点和右眼外侧发际点之间的间距确定人脸宽度范围，根据三庭的两个分割点和人脸高度范围计算三庭的比例信息，根据五眼的四个分割点和人脸宽度范围计算五眼的比例信息；

根据识别到的三庭的比例信息和五眼的比例信息从预设的样本特征库中筛选得到备选的样本图像特征向量；

采用训练好的特征识别模型，提取待识别的人脸区域图像的特征向量；

计算备选的样本图像特征向量与待识别的人脸区域图像的特征向量的欧氏距离，选择计算得到的最小的欧氏距离，判断最小的欧氏距离是否小于预设阈值，如果是，则将最小的欧氏距离所对应的样本图像作为最接近的样本图像，根据最接近的样本图像的身份标签确定待识别的人脸区域图像所对应的身份；

当图像分类模块识别得到人脸区域图像对应的身份时，根据拍摄图像的摄像头的位置，确定考勤人员的考勤位置，记录考勤人员的身份标识信息、当前时间和考勤位置，作为考勤记录；

当考勤记录模块新增一条考勤记录时，查找距离考勤人员的考勤位置最接近的红外测温仪，控制最接近的红外测温仪对考勤人员进行体温测量，并将测量的体温数据添加到对应的考勤记录中。

9.根据权利要求8所述的用于考勤的人脸识别方法，其特征在于，所述基于训练好的Adaboost分类器在摄像头拍摄的图像中检测人脸区域图像，包括如下步骤：

基于训练好的Adaboost分类器在摄像头拍摄的图像中人脸区域；

识别人脸区域的宽度w和高度h以及人脸区域的中心点C0；

以人脸区域的中心点为中心点，以h*1.2为高度、以w*1.1为宽度从摄像头拍摄的图像中提取人脸区域图像，提取到的人脸区域图像的中心点为C0，高度为h*1.2，宽度为w*1.1。

10.根据权利要求8所述的用于考勤的人脸识别方法，其特征在于，所述方法还包括如下步骤：

当图像分类模块检测不到与考勤人员匹配的样本图像时，根据拍摄图像的摄像头的位置，确定考勤人员的考勤位置，生成报警信号，所述报警信号的标识为未知人员闯入，所述报警信号包括考勤位置和考勤人员的拍摄图像；

获取红外测温模块的体温数据时，比较红外测温模块的体温数据与预设体温阈值，当体温数据大于预设体温阈值时，生成报警信号，所述报警信号的标识为体温异常，所述报警信号包括考勤人员的考勤位置和考勤人员的身份标识信息。