1.一种基于改进ArcFace算法的人脸识别考勤方法,其特征在于,包括:通过摄像设备采集目标人员的人脸图像,并对所述人脸图像进行人脸检测、关键点对齐和归一化预处理;
将预处理后的人脸图像输入至基于改进ArcFace算法的神经网络模型中,提取对应的特征向量,其中,所述神经网络模型的主干网络采用MobileFaceNet结构,并在ArcFace的加性角度间隔损失函数中引入自适应margin机制,所述自适应margin机制根据输入样本的特征向量模长动态调整损失函数中的margin值;
基于提取的特征向量进行双阶段比对,在第一阶段利用向量检索算法从特征库中筛选与目标特征最接近的Top-K个候选特征,在第二阶段采用余弦相似度计算对所述Top-K个候选特征进行二次比对,得到最终匹配结果;
根据最终匹配结果与预设阈值判定是否通过验证,若验证通过则记录考勤信息或执行门禁控制。
2.根据权利要求1所述的基于改进ArcFace算法的人脸识别考勤方法,其特征在于,所述自适应margin机制中的动态margin值通过以下方式计算:;
其中,为动态调整后的margin值;为ArcFace的原始固定margin;为调节系数;为样本特征向量的模长;为质量阈值;
引入自适应margin机制的损失函数表达式为:
;
其中,为损失函数值,表示预测值和实际值之间的误差,为数据集中的样本数量,为尺度参数,为第个样本与其类别中心的角度,为第个样本与第个类别中心之间的角度,其中,为第个样本的真实类别标签。
3.根据权利要求1所述的基于改进ArcFace算法的人脸识别考勤方法,其特征在于,将预处理后的人脸图像输入基于改进ArcFace算法的神经网络模型之前,还包括模型构建与训练,具体包括:获取原始人脸图像数据集,并利用帧筛选算法剔除其中质量不合格的图像;
对筛选后的图像进行身份标签及人脸位置标注;
采用基于改进RetinaFace的人脸检测算法对标注图像进行人脸定位,再通过五点关键点对齐算法进行几何校正,其中,所述改进RetinaFace的人脸检测算法以MobileNetV3-Small为主干结构,并结合特征金字塔与多尺度融合机制,实现在不同分辨率特征层同时检测不同尺寸人脸;
将校正后的人脸图像统一缩放和裁剪为预设标准尺寸;
利用生成对抗网络对标准化后的人脸图像进行数据增强,生成包含不同遮挡、光照及姿态的合成样本,扩充数据集;
采用扩充后的数据集对所述基于改进ArcFace算法的神经网络模型进行训练,训练过程中采用Adam优化器,学习率设置为0.001,批量大小为128,训练轮数为200个epoch;
训练完成后,运用训练好的模型对目标人员的人脸图像进行特征提取。
4.根据权利要求3所述的基于改进ArcFace算法的人脸识别考勤方法,其特征在于,所述生成对抗网络采用改进的StyleGAN2架构,其生成器通过潜变量映射与条件控制模块生成具有特定属性的人脸样本,并引入显式遮挡掩模机制以模拟真实的遮挡分布;其判别器采用多尺度卷积的PatchGAN结构;其损失函数采用对抗损失与感知损失联合优化。
5.根据权利要求1所述的基于改进ArcFace算法的人脸识别考勤方法,其特征在于,还包括模板质量管理步骤:在存储用户人脸特征模板时,记录其对应的特征模长作为质量指标;
在进行身份比对时,根据所述质量指标为不同模板分配不同的权重;
当检测到某一已存模板的质量低于预设质量阈值时,触发新的人脸图像采集,并以最新提取的高质量特征向量替换数据库中原有的低质量模板。
6.根据权利要求1所述的基于改进ArcFace算法的人脸识别考勤方法,其特征在于,还包括异常识别机制:在检测到识别结果不稳定或连续多次验证失败时,自动标记当前识别为异常,保存对应图像以供人工复核,其中,所述识别结果不稳定包括:针对同一目标人员的连续M次识别中,相似度评分的波动幅度超过预设范围,或输出的身份识别结果在不同注册人员之间跳变。
7.根据权利要求1所述的基于改进ArcFace算法的人脸识别考勤方法,其特征在于,还包括安全保护机制:所有特征数据在传输与存储过程中采用AES-256加密算法处理,保障用户隐私与数据安全。
8.一种基于改进ArcFace算法的人脸识别考勤系统,基于权利要求1至7任一所述的人脸识别考勤方法,其特征在于,包括:图像采集模块,用于采集用户人脸图像;
人脸检测与预处理模块,用于对采集的人脸图像进行人脸检测、关键点对齐、裁剪及光照归一化处理;
特征提取模块,用于将预处理后的人脸图像输入基于改进ArcFace算法的神经网络模型,生成对应的特征向量,并采用轻量化卷积骨干结构并结合量化与加速推理技术,以提升在边缘设备上的运行速度;
比对与模板管理模块,用于基于双阶段比对策略进行身份识别,并结合特征模长对数据库中模板的质量进行管理与更新;
考勤与门禁控制模块,用于根据最终识别结果自动记录考勤信息并控制门禁开关。
9.根据权利要求8所述的基于改进ArcFace算法的人脸识别考勤系统,其特征在于,所述特征提取模块在模型训练过程中采用课程学习策略,在训练初期降低难样本的权重以保证模型快速收敛,在训练后期逐渐提高难样本的权重以提升对复杂场景的泛化能力,从而提高系统的识别准确率,其中,所述难样本被定义为特征向量模长小于预设质量阈值,或训练过程中被模型错误分类或分类概率低于预设置信度阈值的样本。
10.根据权利要求8所述的系统,其特征在于,所述比对与模板管理模块包括模板更新机制,当检测到新采集的用户人脸特征的模长大于数据库中对应模板的模长时,自动将数据库中的旧模板替换为新特征。