K8凯发(中国)天生赢家·一触即发

一种适用在线考试系统的人脸识别方法及其工作方法
栏目:k8凯发集团 发布时间:2025-09-17
 (71)申请人黑龙江资海科技集团有限公司地址150020黑龙江省哈尔滨市道外区南平街72号2层  一种适用在线考试系统的人脸识别方法及其工作方法,属于人脸识别计算领域。为提高在线考试系统的人脸识别精度。本发明输入人脸图像至数据库服务器,采用百度视觉基于人脸关键点的3D图像融合技术API,构建训练数据集,采用基于MTCNN的人脸检测方法进行人脸检测,利用局部特征提取LBP方法,对佩戴口罩的人脸进

  (71)申请人黑龙江资海科技集团有限公司地址150020黑龙江省哈尔滨市道外区南平街72号2层

  一种适用在线考试系统的人脸识别方法及其工作方法,属于人脸识别计算领域。为提高在线考试系统的人脸识别精度。本发明输入人脸图像至数据库服务器,采用百度视觉基于人脸关键点的3D图像融合技术API,构建训练数据集,采用基于MTCNN的人脸检测方法进行人脸检测,利用局部特征提取LBP方法,对佩戴口罩的人脸进行特征提取,进行人脸识别,输出识别结果。本发明采用“一对一”地对比验证人脸方式,用终端设备采集含有人脸的图像或视频流,通过与预先上传的人员照片进行人脸特征比对,核实是否是同一个人,通过人脸识别技术对身份核实的方式进行在线考试,解决了在线考试中的作弊现象的发生。

  S1、输入人脸图像至数据库服务器,采用百度视觉基于人脸关键点的3D图像融合技术API,构建训练数据集,

  S3.1、采用百度视觉基于人脸关键点的3D图像融合技术API,预先构建训练数据集,即调用API接口,将考试人员上传的人脸图像进行模拟口罩遮挡处理,使得同一人脸图像包括无口罩遮挡人脸图像、有口罩遮挡人脸图像,储存到训练数据集中,

  S3.2、通过LBP算子基于梯度信息的方法,对有口罩遮挡人脸图像进行注意力机制训练,提升有口罩遮挡人脸图像的眼部幅值特征,计算有口罩遮挡人脸图像中梯度信息的公式为,

  S3.3、将有口罩遮挡人脸图像的梯度方向进行量化处理,即将梯度角量化为N个区间,其量化公式为,

  其中,表示某个像素点的梯度角度值,i表示量化算子,对于梯度幅度中的任一像素点I(x,y),以I(x,y)为中心选定一个若干像素点的方块区域,然后在量化后的梯度方向图中选择与梯度幅度图中单元格位置相对应的一个相同大小的单元格幅度值进行累加得到眼部特征加权,

  2.根据权利要求1所述的一种适用在线考试系统的人脸识别方法,其特征在于,步骤S2中的具体实现方法包括如下步骤,

  S2.2、将输入尺寸为12*12*3的人脸图像通过第一个网络模型P‑Net提出候选人脸区域,判断人脸图像是否包括人脸时采用的交叉熵损失函数为,

  其中,pi为神经网络输出的概率,表示一个样本是人脸的概率,为第i个样本的人脸区域的线的人脸图像通过第二个网络模型R‑Net进行人脸边界框回

  其中,为网络模型输出的人脸边界框的坐标,为第i个样本的人脸边界框的线的人脸图像通过第三个网络模型O‑Net输出人脸标记定位和人脸特征点位置,包括双眼、鼻尖、左右嘴角,

  其中N表示训练样本数目,αj表示任务的重要性,表示样本类型,为当前采样率,det、box、landmar分别表示不同网络结构的权重函数,min为最小化函数。

  3.根据权利要求1或2所述的一种适用在线考试系统的人脸识别方法,其特征在于,步骤S3还包括对佩戴眼镜干扰的人脸进行特征提取,具体实现方法包括如下步骤,

  S3.4、基于图像的纹理、颜色以及颜色梯度特征排除眼镜,选用了三种不同模式的LBP特征,第一种是8邻域半径为1的LBP特征,第二种是16邻域半径为2的LBP特征,第三种是8邻域半径为2的LBP特征,

  xc,yc)表示中心像素pc的坐标,N表示中心像素邻域元素的个数,S表示二值操

  以纹理单位的中心像素点的灰度值为阈值,若其余相邻的像素点的灰度值大于中心像素点灰度值的阈值,则该像素点的编码值为1,小于中心像素点灰度值的阈值的时候取像素点的编码值为0,即得到8位的二进制数并转换为十进制数,统计LBP模式中每个十进制数出现的频率,并归一化处理,归一化处理的公式为,

  采用划分直方图的方式表示三种模式的LBP特征,将三种不同模式的LBP特征直方图叠

  4.根据权利要求3所述的一种适用在线考试系统的人脸识别方法,其特征在于,步骤S3还包括进行人脸识别,具体实现方法包括如下步骤,

  其中,εi为每张人脸的距离(W)(μ1,μ2,...,μN)表示全部特征脸建立的矩阵子空间,Ω为人脸检测的特征向量,μ为LBP排除眼镜、口罩干扰后的降维特征向量,依据给定的阈值θ判定人脸图像是否归属于数据库中的人员照片。

  5.一种适用在线考试系统的人脸识别方法的工作方法,步骤b依托于权利要求1‑4之一所述的一种适用在线考试系统的人脸识别方法实现,其特征在于,包括如下步骤,

  步骤a、考试人员使用个人电脑或手机输入身份信息,同时上传考试人员的人脸照片存储在数据库,

  步骤b、在进行考试之前,使用摄像头扫描识别考试人员的人脸来获取考试人员的图像数据,身份核对模块将考试人员的图像数据对比分析数据库内的考试人员人脸照片,用以确认考试人员身份,

  步骤c、在步骤b确认符合考试人员身份,随机抽取试题模块,考试题数据进行电子试题组卷,通过网络发送到终端设备,进行考试,

  步骤d、考试期间开启摄像头模式,随机抓拍考试过程中的考试人员图像,并且在提交试卷时上传抓拍考试人员图像,

  步骤e、考试管理模块计算考试成绩,并将抓拍考试人员图像对比数据库内考试人员人脸照片,分析是否符合本人,判断有无现象。

  [0001] 本发明属于人脸识别计算领域,具体涉及一种适用在线考试系统的人脸识别方法及其工作方法。

  [0002] 在线考试是检验学习效果的重要检验方式,利用人脸识别技术实现在线考试系统,将有效地杜绝考试等作弊行为的发生,并促进便捷、公平、高效的在线考试模式。近年来,人脸识别功能已广泛应用,目前人脸识别技术应用较多的是门禁系统、考勤系统、电子护照身份证系统等,但是,在线考试过程中由于仍存在多种影响人脸识别精度的因素,佩戴眼镜就是其中之一,在考试过程中由于是人员密集的公共场所,需戴上口罩,传统人脸识别不能正常核验身份,摘下口罩又会增加风险,这要求在线考试系统身份核对和随机抓拍过程,将会存在因人脸被遮挡导致识别率不高的问题,需要更高精度的人脸识别技术。

  [0003] 本发明要解决的问题是提高在线考试系统的人脸识别精度,提出一种适用在线考试系统的人脸识别方法及其工作方法。

  [0006] S1、输入人脸图像至数据库服务器,采用百度视觉基于人脸关键点的3D图像融合技术API,构建训练数据集,

  [0008] S3、利用局部特征提取LBP方法,对佩戴口罩的人脸进行特征提取,

  [0010] S3. 1、采用百度视觉基于人脸关键点的3D图像融合技术API,预先构建训练数据集,即调用API接口,将考试人员上传的人脸图像进行模拟口罩遮挡处理,使得同一人脸图像包括无口罩遮挡人脸图像、有口罩遮挡人脸图像,储存到训练数据集中,

  [001 1] S3.2、通过LBP算子基于梯度信息的方法,对有口罩遮挡人脸图像进行注意力机制训练,提升有口罩遮挡人脸图像的眼部幅值特征,计算有口罩遮挡人脸图像中梯度信息的公式为,

  [0015] S3.3、将有口罩遮挡人脸图像的梯度方向进行量化处理,即将梯度角量化为N个区间,其量化公式为,

  [0018] 其中, 表示某个像素点的梯度角度值,i表示量化算子,对于梯度幅度中的任一像素点I (x,y) ,以I (x,y)为中心选定一个若干像素点的方块区域,然后在量化后的梯度方向图中选择与梯度幅度图中单元格位置相对应的一个相同大小的单元格幅度值进行累加得到眼部特征加权,

  [0022] S2.2、将输入尺寸为12*12*3的人脸图像通过第一个网络模型P‑Net提出候选人脸区域,判断人脸图像是否包括人脸时采用的交叉熵损失函数 为,

  [0024] 其中,pi为神经网络输出的概率,表示一个样本是人脸的概率, 为第i个样本的人脸区域的线的人脸图像通过第二个网络模型R‑Net进行人脸边界框回归过滤边界框,人脸边界框回归采用欧氏距离损失函数 为,

  [0027] 其中, 为网络模型输出的人脸边界框的坐标, 为第i个样本的人脸边界框的线的人脸图像通过第三个网络模型O‑Net输出人脸标记定位和人脸特征点位置,包括双眼、鼻尖、左右嘴角,

  [0031] 其中, 为网络模型输出的人脸标记的坐标, 为第i个样本的人脸标记的线] 人脸的特征点位置采用的欧式距离损失函数为,

  [0034] 其中N表示训练样本数目,αj表示任务的重要性, 表示样本类型, 为当前采样率, det、box、landmar分别表示不同网络结构的权重函数,min为最小化函数。

  [0035] 进一步的,步骤S3还包括对佩戴眼镜干扰的人脸进行特征提取,具体实现方法包括如下步骤,

  [0036] S3.4、基于图像的纹理、颜色以及颜色梯度特征排除眼镜,选用了三种不同模式的LBP特征,第一种是8邻域半径为1的LBP特征,第二种是16邻域半径为2的LBP特征,第三种是8邻域半径为2的LBP特征,

  [0039] 其中, (xc,yc)表示中心像素pc的坐标,N表示中心像素邻域元素的个数,S表示二值操作,

  [0042] 以纹理单位的中心像素点的灰度值为阈值,若其余相邻的像素点的灰度值大于中心像素点灰度值的阈值,则该像素点的编码值为1 ,小于中心像素点灰度值的阈值的时候取像素点的编码值为0,即得到8位的二进制数并转换为十进制数,统计LBP模式中每个十进制数出现的频率,并归一化处理,归一化处理的公式为,

  [0044] 采用划分直方图的方式表示三种模式的LBP特征,将三种不同模式的LBP特征直方图叠加成图像特征向量,用于表述图像的纹理信息,表达式如下,

  [0046] 其中,H为叠加成的图像特征向量, 分别表示三种不同模式的LBP直方图。

  [0047] 进一步的,步骤S3还包括进行人脸识别,具体实现方法包括如下步骤,

  [0057] 其中, εi为每张人脸的距离(W)(μ1 ,μ2, . . . ,μN)表示全部特征脸建立的矩阵子空间,Ω为人脸检测的特征向量,μ为LBP排除眼镜、口罩干扰后的降维特征向量,依据给定的阈值θ判定人脸图像是否归属于数据库中的人员照片。

  [0058] 一种适用在线考试系统的人脸识别方法的工作方法,步骤b依托于所述的一种适用在线考试系统的人脸识别方法实现,其特征在于,包括如下步骤,

  [0059] 步骤a、考试人员使用个人电脑或手机输入身份信息,同时上传考试人员的人脸照片存储在数据库,

  [0060] 步骤b、在进行考试之前,使用摄像头扫描识别考试人员的人脸来获取考试人员的图像数据,身份核对模块将考试人员的图像数据对比分析数据库内的考试人员人脸照片,用以确认考试人员身份,

  [0061] 步骤c、在步骤b确认符合考试人员身份,随机抽取试题模块,考试题数据进行电子试题组卷,通过网络发送到终端设备,进行考试,

  [0062] 步骤d、考试期间开启摄像头模式,随机抓拍考试过程中的考试人员图像,并且在提交试卷时上传抓拍考试人员图像,

  [0063] 步骤e、考试管理模块计算考试成绩,并将抓拍考试人员图像对比数据库内考试人员人脸照片,分析是否符合本人,判断有无现象。

  [0065] 本发明所述的一种适用在线考试系统的人脸识别方法,通过人脸识别技术对身份核实的方式进行在线考试,解决了在线考试中的等作弊现象的发生,同时,解决了组织一次传统考试的繁琐的步骤,极大地提高考试的灵活性和工作效率。本发明采用“一对一”地对比验证人脸方式,用终端设备采集含有人脸的图像或视频流,通过与预先上传的人员照片进行人脸特征比对,核实是否是同一个人。

  [0066] 图1为本发明所述的一种适用在线考试系统的人脸识别方法的流程图,

  [0067] 图2为本发明所述的一种适用在线考试系统的人脸识别方法中MTCNN的人脸检测方法的示意图,

  [0068] 图3为本发明所述的一种适用在线考试系统的人脸识别方法中第一种LBP特征模式示意图,

  [0069] 图4为本发明所述的一种适用在线考试系统的人脸识别方法中第二种LBP特征模式示意图,

  [0070] 图5为本发明所述的一种适用在线考试系统的人脸识别方法中第三种LBP特征模式示意图,

  [0071] 图6为本发明所述的一种适用在线考试系统的人脸识别方法的工作方法的流程图。

  [0072] 为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施方式,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅用以解释本发明,并不用于限定本发明,即所描述的具体实施方式仅仅是本发明一部分实施方式,而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计,本发明还可以具有其他实施方式。

  [0073] 因此,以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式,都属于本发明保护的范围。

  [0074] 为能进一步了解本发明的发明内容、特点及功效,兹例举以下具体实施方式,并配合附图1‑6详细说明如下,

  [0077] S1、输入人脸图像至数据库服务器,采用百度视觉基于人脸关键点的3D图像融合技术API,构建训练数据集,

  [0081] S2.2、将输入尺寸为12*12*3的人脸图像通过第一个网络模型P‑Net提出候选人脸区域,判断人脸图像是否包括人脸时采用的交叉熵损失函数 为,

  [0083] 其中,pi为神经网络输出的概率,表示一个样本是人脸的概率, 为第i个样本的人脸区域的线的人脸图像通过第二个网络模型R‑Net进行人脸边界框回归过滤边界框,人脸边界框回归采用欧氏距离损失函数 为,

  [0086] 其中, 为网络模型输出的人脸边界框的坐标, 为第i个样本的人脸边界框的线的人脸图像通过第三个网络模型O‑Net输出人脸标记定位和人脸特征点位置,包括双眼、鼻尖、左右嘴角,

  [0090] 其中, 为网络模型输出的人脸标记的坐标, 为第i个样本的人脸标记的线] 人脸的特征点位置采用的欧式距离损失函数为,

  [0093] 其中N表示训练样本数目,αj表示任务的重要性, 表示样本类型, 为当前采样

  率, det、box、landmar分别表示不同网络结构的权重函数,min为最小化函数,

  [0094] S3、利用局部特征提取LBP方法,对佩戴眼镜干扰的人脸、佩戴口罩的人脸进行特征提取,

  [0098] S3. 1 . 1、基于图像的纹理、颜色以及颜色梯度特征排除眼镜,选用了三种不同模式的LBP特征进行叠加使用,第一种是8邻域半径为1的LBP特征,第二种是16邻域半径为2的LBP特征,第三种是8邻域半径为2的LBP特征,

  [0101] 其中, (xc,yc)表示中心像素pc的坐标,N表示中心像素邻域元素的个数,S表示二值操作,

  [0104] 以纹理单位的中心像素点的灰度值为阈值,若其余相邻的像素点的灰度值大于中心像素点灰度值的阈值,则该像素点的编码值为1 ,小于中心像素点灰度值的阈值的时候取像素点的编码值为0,即得到8位的二进制数并转换为十进制数,统计LBP模式中每个十进制数出现的频率,并归一化处理,归一化处理的公式为,

  [0106] 采用划分直方图的方式表示三种模式的LBP特征,将三种不同模式的LBP特征直方图叠加成图像特征向量,用于表述图像的纹理信息,表达式如下,

  [0108] 其中,H为叠加成的图像特征向量, 分别表示三种不同模式的LBP直方图,

  [0109] 由于结合了三种不同模式的LBP特征,因此,所提取到的纹理特征信息更加丰富,

  [01 12] S3.2. 1、采用百度视觉基于人脸关键点的3D图像融合技术API,预先构建训练数据集,即调用API接口,将考试人员上传的人脸图像进行模拟口罩遮挡处理,使得同一人脸图像包括无口罩遮挡人脸图像、有口罩遮挡人脸图像,储存到训练数据集中,

  [01 13] S3.2.2、通过LBP算子基于梯度信息的方法,对有口罩遮挡人脸图像进行注意力机制训练,提升有口罩遮挡人脸图像的眼部幅值特征,计算有口罩遮挡人脸图像中梯度信息的公式为,

  [01 17] S3.2.3、将有口罩遮挡人脸图像的梯度方向进行量化处理,即将梯度角量化为N个区间,其量化公式为,

  [0120] 其中, 表示某个像素点的梯度角度值,i表示量化算子,对于梯度幅度中的任一像素点I (x,y) ,以I (x,y)为中心选定一个若干像素点的方块区域,然后在量化后的梯度方向图中选择与梯度幅度图中单元格位置相对应的一个相同大小的单元格幅度值进行累加得到眼部特征加权,

  [0132] 其中, εi为每张人脸的距离(W)(μ1 ,μ2, . . . ,μN)表示全部特征脸建立的矩阵子空间,Ω为人脸检测的特征向量,μ为LBP排除眼镜、口罩干扰后的降维特征向量,依据给定的阈值θ判定人脸图像是否归属于数据库中的人员照片,

  [0135] 一种适用在线考试系统的人脸识别方法的工作方法,依托于具体实施方式一所述的一种适用在线考试系统的人脸识别方法实现,包括如下步骤,

  [0136] 步骤a、考试人员使用个人电脑或手机输入身份信息,同时上传考试人员的人脸照片存储在数据库,k8凯发官网