CN102831412A - 一种基于人脸识别的教学考勤方法及其装置 - Google Patents
一种基于人脸识别的教学考勤方法及其装置 Download PDFInfo
- Publication number
- CN102831412A CN102831412A CN2012103328930A CN201210332893A CN102831412A CN 102831412 A CN102831412 A CN 102831412A CN 2012103328930 A CN2012103328930 A CN 2012103328930A CN 201210332893 A CN201210332893 A CN 201210332893A CN 102831412 A CN102831412 A CN 102831412A
- Authority
- CN
- China
- Prior art keywords
- student
- profile
- recognition
- face
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提出一种基于人脸识别的教学考勤方法及其装置。该方法通过对教师拍摄的课堂照片进行分析,自动将各学生所在的图像区域分割开来,然后对各图像区域进行人脸检测,最后使用人脸识别技术来确定学生身份,从而得到课堂中的学生出席情况。该发明避免了传统的点名答到方式,节省了宝贵的教学时间,同时为教学分析留下凭据,并能有效地防止学生间代答的不端行为。
Description
技术领域
本发明涉及人脸识别技术领域,提供了一种基于人脸识别的教学考勤方法及其装置。
背景技术
传统的教学考勤通常需要通过点名答到的方式进行。这样的方式即浪费时间,又无法避免学生间代答。本发明使用图像技术自动地对教室中的学生身份进行识别,有效地克服了传统考勤系统的缺点,并节约了宝贵的教学时间。
发明内容
本发明的目的在于提供一种通过人脸识别技术对学生进行考勤的一种基于人脸识别的教学考勤方法及其装置。
本发明为了实现上述目的采用以下技术方案:
如图1所示,本发明实现一种基于人脸识别的教学考勤方法,其运行包括以下步骤:
1)对课堂情况进行拍照;
2)使用学生轮廓检测器从照片中分割出每个学生的轮廓;
3)使用人脸识别算法识别出每个轮廓对应的学生身份,并计入考勤;
4)识别到的考勤结果将公布在课程的教学网站上,学生登陆网站后可以对错误的识别结果进行纠正从而提高考勤的准确率。
如图2所示,上述方案中所述步骤2中学生轮廓检测器的训练和识别采用的步骤为:
21)训练过程:
a.提取训练数据集中所有的学生轮廓中包含的细节,使用AdaBoost算法对各细节的显著性进行评估并选出具有代表性的细节作为轮廓的识别标志;
b.使用步骤21挑选出的识别标志构建轮廓检测器;
22)识别过程:当一定数量的显著标志出现在照片中时,步骤21中b构建的轮廓检测器输出高响应值报告学生轮廓的出现和出现位置。
上述方案中,所述步骤3中人脸识别算法中训练和识别采用的步骤为:
31)训练过程:
a. 提取训练数据集中每个学生轮廓的特征脸(Eigenface)特征向量;
b. 使用每个学生M对应的多张照片中的多个轮廓的特征向量做为正样本,其他学生的特征向量做为负样本,输入支持向量机(SVM)并训练出一个简单人脸识别器,该人脸识别器会对每张未标示学生身份的轮廓x输出一个概率p(M|x)表达该轮廓属于学生M的概率。将所有学生的简单人脸识别器集合输出的概率组合在一起,可以产生一个概率矢量p(x)用于表达对x的识别结果;
c. 根据训练数据集中学生之间的长期位置选择关系学习出一张学生关系网,该网的节点为学生,学生节点间使用加权的边进行两两连接,每条边的权重为其连接的两学生坐在相邻位置的概率,例如:连接学生M和P的边权重为联合概率为
d. 对每张未标示学生身份的轮廓x,根据步骤31中b和c的结果构建一个全局人脸识别器。该识别器利用c中所学习到的学生关系辅助b中的简单人脸识别器进行学生身份的识别。该识别过程可表示为一个迭代过程:
32) 识别过程:将步骤31中所述全局人脸识别器应用于所有的轮廓即可识别出当前课堂中所有学生的身份并计入考勤记录。
本发明还提供了一种基于人脸识别的教学考勤装置,其特征在于包括:
图像采集模块:对课堂情况进行拍照;
轮廓检测器:用于提取学生轮廓的细节,输出高响应值报告学生轮廓的出现和出现位置;
人脸识别器:用于表达对未标识学生的身份轮廓x的识别结果,并根据轮廓检测器响应的学生之间的长期位置选择关系学习出一张学生关系网;
身份识别器:通过人脸识别器应用于轮廓检测器识别出当前课堂中所有学生的身份并计入考勤记录。
上述方案中,所述轮廓检测器包括训练子模块和识别子模块,
训练子模块:用于提取训练数据集中所有的学生轮廓中包含的细节,使用AdaBoost算法对各细节的显著性进行评估并选出具有代表性的细节作为轮廓的识别标志;
识别子模块:用于当一定数量的识别标志出现在照片中时,输出高响应值报告学生轮廓的出现和出现位置。
上述方案中,所述人脸识别器包括人脸特征向量提取模块,简单人脸识别子模块,学生关系网子模块和全局人脸识别子模块;
人脸特征向量提取模块:提取训练数据集中每个学生轮廓的特征脸(Eigenface)特征向量;
简单人脸识别子模块:使用每个学生 M 对应的多张照片中的多个轮廓的特征向量做为正样本,其他学生的特征向量做为负样本,对每张未标示学生身份的轮廓x输出一个概率p(M|x)表达该轮廓属于学生M的概率;将所有可能的学生组成一个集合,用该方法来估计x属于每个学生的概率后,将输出的所有概率组合在一起,产生一个概率矢量p(x)用于表达对未标识学生的身份轮廓x的识别结果;
学生关系网子模块:根据训练数据集中学生之间的长期位置选择关系学习出一张学生关系网,该网的节点为学生,学生节点间使用加权的边进行两两连接,每条边的权重为其连接的两学生坐在相邻位置的概率,连接学生M和P的边权重为联合概率为:
全局人脸识别子模块:通过学生关系网子模块学习到的学生关系辅助简单人脸识别子模块进行身份识别,该识别过程可表示为一个迭代过程:
其中为一平衡因子,通常根据经验在区间[0.5,0.8]上选择,上标(i+1)代表第(i+1)轮的识别结果,N(x)为一个自动查找函数用于返回当前照片中与x相邻的轮廓。该迭代过程一直进行到在临接两轮的变化趋于零时收敛,即:
本发明具有以下有益效果:
一、相对传统的点名答到方式,本发明节省了宝贵的课堂教学时间,并能有效避免学生间代答;
二、相对于传统的打卡考勤方式,本发明留下了照片证据,有利于以后追溯,能有效避免代打卡的行为。而且,本发明无需学生保存卡片和安装打卡机,有效节省了成本;
三、相对于传统的单人脸区域身份识别方法,本发明使用学生的整体轮廓进行身份识别,从而使检测器能获得更多的上下文关系(如:人脸区域周围的衣服和座椅等)并达到更高的识别精度;
四、相对于传统的对人脸逐一进行身份识别的方式,本发明利用学生的关系网帮助简单识别器进行身份推理,从而能进一步提高身份识别精度。
附图说明
图1为本发明整体框架;
图2为本发明流程图。
具体实施方式
下面对本发明做进一步的说明:
如图1所示,本发明实现一种基于人脸识别的教学考勤方法,其运行包括以下步骤:
1)对课堂情况进行拍照;
2)使用学生轮廓检测器从照片中分割出每个学生的轮廓;
3)使用人脸识别算法识别出每个轮廓对应的学生身份,并计入考勤;
4)识别到的考勤结果将公布在课程的教学网站上,学生登陆网站后可以对错误的识别结果进行纠正从而提高考勤的准确率。
如图2所示,上述方案中所述步骤2中学生轮廓检测器的训练和识别采用的步骤为:
21)训练过程:
a.提取训练数据集
从收集5万以上张包含单个学生图像的图片库的数据训练集中提取所有的学生轮廓中包含的细节,使用AdaBoost算法对各细节的显著性进行评估并选出具有代表性的细节作为轮廓的识别标志;
b.使用步骤21挑选出的识别标志构建轮廓检测器;
22)识别过程:当一定数量的显著标志出现在照片中时,步骤21中b构建的轮廓检测器输出高响应值报告学生轮廓的出现和出现位置。
上述方案中,所述步骤3中人脸识别算法中训练和识别采用的步骤为:
31)训练过程:
a. 提取训练数据集中每个学生轮廓的特征脸(Eigenface)特征向量;
b. 使用每个学生M对应的多张照片中的多个轮廓的特征向量做为正样本,其他学生的特征向量做为负样本,输入支持向量机(SVM)并训练出一个简单人脸识别器,该人脸识别器会对每张未标示学生身份的轮廓x输出一个概率p(M|x)表达该轮廓属于学生M的概率。将所有学生的简单人脸识别器集合输出的概率组合在一起,可以产生一个概率矢量p(x)用于表达对x的识别结果;
c. 根据训练数据集中学生之间的长期位置选择关系学习出一张学生关系网,该网的节点为学生,学生节点间使用加权的边进行两两连接,每条边的权重为其连接的两学生坐在相邻位置的概率,例如:连接学生M和P的边权重为联合概率为
d. 对每张未标示学生身份的轮廓x,根据步骤31中b和c的结果构建一个全局人脸识别器。该识别器利用c中所学习到的学生关系辅助b中的简单人脸识别器进行学生身份的识别。该识别过程可表示为一个迭代过程:
32) 识别过程:将步骤31中所述全局人脸识别器应用于所有的轮廓即可识别出当前课堂中所有学生的身份并计入考勤记录。
本发明还提供了一种基于人脸识别的教学考勤装置,其特征在于包括:
图像采集模块:对课堂情况进行拍照;
轮廓检测器:用于提取学生轮廓的细节,输出高响应值报告学生轮廓的出现和出现位置;
人脸识别器:用于表达对未标识学生的身份轮廓x的识别结果,并根据轮廓检测器响应的学生之间的长期位置选择关系学习出一张学生关系网;
身份识别器:通过人脸识别器应用于轮廓检测器识别出当前课堂中所有学生的身份并计入考勤记录。
上述方案中,所述轮廓检测器包括训练子模块和识别子模块,
训练子模块:用于提取训练数据集中所有的学生轮廓中包含的细节,使用AdaBoost算法对各细节的显著性进行评估并选出具有代表性的细节作为轮廓的识别标志;
识别子模块:用于当一定数量的识别标志出现在照片中时,输出高响应值报告学生轮廓的出现和出现位置。
上述方案中,所述人脸识别器包括人脸特征向量提取模块,简单人脸识别子模块,学生关系网子模块和全局人脸识别子模块;
人脸特征向量提取模块:提取训练数据集中每个学生轮廓的特征脸(Eigenface)特征向量;
简单人脸识别子模块:使用每个学生 M 对应的多张照片中的多个轮廓的特征向量做为正样本,其他学生的特征向量做为负样本,对每张未标示学生身份的轮廓x输出一个概率p(M|x)表达该轮廓属于学生M的概率;将所有可能的学生组成一个集合,用该方法来估计x属于每个学生的概率后,将输出的所有概率组合在一起,产生一个概率矢量p(x)用于表达对未标识学生的身份轮廓x的识别结果;
学生关系网子模块:根据训练数据集中学生之间的长期位置选择关系学习出一张学生关系网,该网的节点为学生,学生节点间使用加权的边进行两两连接,每条边的权重为其连接的两学生坐在相邻位置的概率,连接学生M和P的边权重为联合概率为:
全局人脸识别子模块:通过学生关系网子模块学习到的学生关系辅助简单人脸识别子模块进行身份识别,该识别过程可表示为一个迭代过程:
其中为一平衡因子,通常根据经验在区间[0.5,0.8]上选择,上标(i+1)代表第(i+1)轮的识别结果,N(x)为一个自动查找函数用于返回当前照片中与x相邻的轮廓。该迭代过程一直进行到在临接两轮的变化趋于零时收敛,即:
Claims (8)
1.一种基于人脸识别的教学考勤方法,其特征在于包括以下步骤:
1)对课堂情况进行拍照;
2)使用学生轮廓检测器从照片中分割出每个学生的轮廓;
3)使用人脸识别算法识别出每个轮廓对应的学生身份,并计入考勤;
4)识别到的考勤结果将公布在课程的教学网站上,学生登陆网站后可以对错误的识别结果进行纠正从而提高考勤的准确率。
2.根据权利要求1所述的一种基于人脸识别的教学考勤方法,其特征在于:所述步骤2中的学生轮廓检测器的训练和识别采用的步骤为:
21)训练过程:
a.提取训练数据集中所有的学生轮廓中包含的细节,使用AdaBoost算法对各细节的显著性进行评估并选出具有代表性的细节作为轮廓的识别标志;
b.使用前述步骤a挑选出的识别标志构建轮廓检测器;
22)识别过程:当一定数量的识别标志出现在照片中时,步骤21训练过程中b构建的轮廓检测器输出高响应值报告学生轮廓的出现和出现位置。
3.根据权利要求1所述的一种基于人脸识别的教学考勤方法,其特征在于:所述步骤3中人脸识别算法中训练和识别采用的步骤为:
31)训练过程:
a. 提取训练数据集中每个学生轮廓的特征脸特征向量;
b. 使用每个学生 M 对应的多张照片中的多个轮廓的特征向量做为正样本,其他学生的特征向量做为负样本,输入支持向量机并训练出一个简单人脸识别器,该人脸识别器会对每张未标示学生身份的轮廓x输出一个概率p(M|x)表达该轮廓属于学生 M 的概率;将所有学生的简单人脸识别器集合输出的概率组合在一起,可以产生一个概率矢量p(x)用于表达对未标识学生的身份轮廓x的识别结果;
c. 根据训练数据集中学生之间的长期位置选择关系学习出一张学生关系网,该网的节点为学生,学生节点间使用加权的边进行两两连接,每条边的权重为其连接的两学生坐在相邻位置的概率,连接学生M和P的边权重为联合概率为:
d. 对每张未标示学生身份的轮廓x,根据步骤31中b和c的结果构建一个全局人脸识别器;
32) 识别过程:将步骤31中d所述全局人脸识别器应用于所有的轮廓即可识别出当前课堂中所有学生的身份并计入考勤记录。
5.根据权利要求1所述的一种基于人脸识别的教学考勤方法,其特征在于:所述步骤4具体包括:
51)将全局人脸识别器识别到的考勤结果将公布在课程的教学网站上;
52)学生登陆网站后对错误的识别结果进行如下纠正,从而提高考勤的准确率:
a. 如果识别结果正确,不需要做任何事情;
b. 如果自己的轮廓被识别成其他人,直接在课堂照片中自己的轮廓上点击以将识别结果替换成自己的名字;
c.如果自己的轮廓未被识别任何人,直接在照片中自己的轮廓上点击以确认自己的身份。
6.一种基于人脸识别的教学考勤装置,其特征在于包括:
图像采集模块:对课堂情况进行拍照;
轮廓检测器:用于提取学生轮廓的细节,输出高响应值报告学生轮廓的出现和出现位置;
人脸识别器:用于表达对未标识学生的身份轮廓x的识别结果,并根据轮廓检测器响应的学生之间的长期位置选择关系学习出一张学生关系网;
身份识别器:通过人脸识别器应用于轮廓检测器识别出当前课堂中所有学生的身份并计入考勤记录。
7.根据权利要求6所述的一种基于人脸识别的教学考勤装置,其特征在于包括:所述轮廓检测器包括训练子模块和识别子模块,
训练子模块:用于提取训练数据集中所有的学生轮廓中包含的细节,使用AdaBoost算法对各细节的显著性进行评估并选出具有代表性的细节作为轮廓的识别标志;
识别子模块:用于当一定数量的识别标志出现在照片中时,输出高响应值报告学生轮廓的出现和出现位置。
8.根据权利要求6所述的一种基于人脸识别的教学考勤装置,其特征在于包括:所述人脸识别器包括人脸特征向量提取模块,简单人脸识别子模块,学生关系网子模块和全局人脸识别子模块;
人脸特征向量提取模块:提取训练数据集中每个学生轮廓的特征脸特征向量;
简单人脸识别子模块:使用每个学生 M 对应的多张照片中的多个轮廓的特征向量做为正样本,其他学生的特征向量做为负样本,对每张未标示学生身份的轮廓x输出一个概率p(M|x)表达该轮廓属于学生M的概率;将所有可能的学生组成一个集合,用该方法来估计x属于每个学生的概率后,将输出的所有概率组合在一起,产生一个概率矢量p(x)用于表达对未标识学生的身份轮廓x的识别结果;
学生关系网子模块:根据训练数据集中学生之间的长期位置选择关系学习出一张学生关系网,该网的节点为学生,学生节点间使用加权的边进行两两连接,每条边的权重为其连接的两学生坐在相邻位置的概率,连接学生M和P的边权重为联合概率为:
全局人脸识别子模块:通过学生关系网子模块学习到的学生关系辅助简单人脸识别子模块进行身份识别,该识别过程可表示为一个迭代过程:
其中为一平衡因子,通常根据经验在区间[0.5,0.8]上选择,上标(i+1)代表第(i+1)轮的识别结果,N(x)为一个自动查找函数用于返回当前照片中与x相邻的轮廓;该迭代过程一直进行到在临接两轮的变化趋于零时收敛,即:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210332893.0A CN102831412B (zh) | 2012-09-11 | 2012-09-11 | 一种基于人脸识别的教学考勤方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210332893.0A CN102831412B (zh) | 2012-09-11 | 2012-09-11 | 一种基于人脸识别的教学考勤方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102831412A true CN102831412A (zh) | 2012-12-19 |
CN102831412B CN102831412B (zh) | 2015-01-07 |
Family
ID=47334540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210332893.0A Active CN102831412B (zh) | 2012-09-11 | 2012-09-11 | 一种基于人脸识别的教学考勤方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102831412B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104183029A (zh) * | 2014-09-02 | 2014-12-03 | 济南大学 | 一种便携式快速人群考勤方法 |
CN104331691A (zh) * | 2014-11-28 | 2015-02-04 | 深圳市捷顺科技实业股份有限公司 | 一种车标分类器训练方法、车标识别方法及装置 |
CN104732601A (zh) * | 2014-11-19 | 2015-06-24 | 东北大学 | 一种基于人脸识别技术的高识别率自动考勤装置及方法 |
CN104916093A (zh) * | 2015-06-05 | 2015-09-16 | 重庆智韬信息技术中心 | 实现学生坐姿智能矫正提醒的方法 |
CN105205646A (zh) * | 2015-08-07 | 2015-12-30 | 江苏诚创信息技术研发有限公司 | 自动点名系统及实现自动点名系统的方法 |
CN105741375A (zh) * | 2016-01-20 | 2016-07-06 | 华中师范大学 | 一种大视场双目视觉的红外图像考勤方法 |
CN107492154A (zh) * | 2017-07-22 | 2017-12-19 | 华中师范大学 | 一种课堂考勤系统及其工作方法 |
CN107784273A (zh) * | 2017-09-28 | 2018-03-09 | 陕西师范大学 | 基于学生社交关系模型的课堂座位分布预测方法 |
CN108022318A (zh) * | 2017-12-28 | 2018-05-11 | 上海享服信息技术有限公司 | 多人人脸识别考勤系统及其考勤方法 |
CN108257056A (zh) * | 2018-01-23 | 2018-07-06 | 余绍志 | 一种应用于教学行业的大数据的课堂辅助教学系统 |
CN108335374A (zh) * | 2018-01-29 | 2018-07-27 | 河南大学 | 一种自动点名方法 |
CN108388138A (zh) * | 2018-02-02 | 2018-08-10 | 宁夏玲杰科技有限公司 | 设备控制方法、装置及系统 |
CN108764149A (zh) * | 2018-05-29 | 2018-11-06 | 北京中庆现代技术股份有限公司 | 一种针对班级学生人脸模型的训练方法 |
CN109191341A (zh) * | 2018-08-29 | 2019-01-11 | 广州凯风科技有限公司 | 一种基于人脸识别和贝叶斯学习的教室视频点到方法 |
CN109308452A (zh) * | 2018-08-10 | 2019-02-05 | 中山全播网络科技有限公司 | 一种基于人脸识别的课堂考勤图像处理方法 |
CN109345427A (zh) * | 2018-09-28 | 2019-02-15 | 广州凯风科技有限公司 | 一种结合人脸识别和行人识别技术的教室视频点到方法 |
CN110827432A (zh) * | 2019-11-11 | 2020-02-21 | 深圳算子科技有限公司 | 一种基于人脸识别的课堂考勤方法及系统 |
CN111227789A (zh) * | 2018-11-29 | 2020-06-05 | 百度在线网络技术(北京)有限公司 | 人体健康监护方法和装置 |
CN111311772A (zh) * | 2019-08-19 | 2020-06-19 | 深圳市鸿合创新信息技术有限责任公司 | 一种考勤处理方法及装置、电子设备 |
CN112819984A (zh) * | 2021-01-13 | 2021-05-18 | 华南理工大学 | 一种基于人脸识别的课堂多人点名签到方法 |
CN112954451A (zh) * | 2021-02-05 | 2021-06-11 | 广州市奥威亚电子科技有限公司 | 视频人物添加信息的方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526997A (zh) * | 2009-04-22 | 2009-09-09 | 无锡名鹰科技发展有限公司 | 嵌入式红外人脸图像识别方法及识别装置 |
-
2012
- 2012-09-11 CN CN201210332893.0A patent/CN102831412B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526997A (zh) * | 2009-04-22 | 2009-09-09 | 无锡名鹰科技发展有限公司 | 嵌入式红外人脸图像识别方法及识别装置 |
Non-Patent Citations (5)
Title |
---|
JOHN WRIGHT ,ETAL.: ""Robust Face Recognition via Sparse Representation"", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE 2009》, vol. 31, no. 2, 31 December 2009 (2009-12-31), pages 210 - 227 * |
KOVAC, J.: ""Human skin color clustering for face detection "", 《EUROCON 2003. COMPUTER AS A TOOL. THE IEEE REGION 8》, vol. 2, 24 September 2003 (2003-09-24), pages 144 - 148 * |
PAUL VIOLA,MICHAEL JONES: ""Rapid Object Detection using a Boosted Cascade of Simple Feature"", 《COMPUTER VISION AND PATTERN RECOGNITION 2011》, vol. 1, 31 December 2001 (2001-12-31), pages 511 - 518 * |
XIAO-YONG WEI,ZHEN-QUN YANG: ""Mining In-Class Social Networks for Large-Scale Pedagogical Analysis"", 《ACM MULTIMEDIA 2012》, 2 November 2012 (2012-11-02), pages 1 - 10 * |
吴明芳等: ""多人脸影像视觉辩识技术"", 《昆山科技大学学报》, no. 8, 31 July 2011 (2011-07-31) * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104183029A (zh) * | 2014-09-02 | 2014-12-03 | 济南大学 | 一种便携式快速人群考勤方法 |
CN104732601B (zh) * | 2014-11-19 | 2017-05-10 | 东北大学 | 一种基于人脸识别技术的高识别率自动考勤装置及方法 |
CN104732601A (zh) * | 2014-11-19 | 2015-06-24 | 东北大学 | 一种基于人脸识别技术的高识别率自动考勤装置及方法 |
CN104331691A (zh) * | 2014-11-28 | 2015-02-04 | 深圳市捷顺科技实业股份有限公司 | 一种车标分类器训练方法、车标识别方法及装置 |
CN104916093A (zh) * | 2015-06-05 | 2015-09-16 | 重庆智韬信息技术中心 | 实现学生坐姿智能矫正提醒的方法 |
CN105205646A (zh) * | 2015-08-07 | 2015-12-30 | 江苏诚创信息技术研发有限公司 | 自动点名系统及实现自动点名系统的方法 |
CN105741375A (zh) * | 2016-01-20 | 2016-07-06 | 华中师范大学 | 一种大视场双目视觉的红外图像考勤方法 |
CN107492154A (zh) * | 2017-07-22 | 2017-12-19 | 华中师范大学 | 一种课堂考勤系统及其工作方法 |
CN107784273A (zh) * | 2017-09-28 | 2018-03-09 | 陕西师范大学 | 基于学生社交关系模型的课堂座位分布预测方法 |
CN107784273B (zh) * | 2017-09-28 | 2021-05-11 | 陕西师范大学 | 基于学生社交关系模型的课堂座位分布预测方法 |
CN108022318A (zh) * | 2017-12-28 | 2018-05-11 | 上海享服信息技术有限公司 | 多人人脸识别考勤系统及其考勤方法 |
CN108257056A (zh) * | 2018-01-23 | 2018-07-06 | 余绍志 | 一种应用于教学行业的大数据的课堂辅助教学系统 |
CN108335374A (zh) * | 2018-01-29 | 2018-07-27 | 河南大学 | 一种自动点名方法 |
CN108388138A (zh) * | 2018-02-02 | 2018-08-10 | 宁夏玲杰科技有限公司 | 设备控制方法、装置及系统 |
CN108764149A (zh) * | 2018-05-29 | 2018-11-06 | 北京中庆现代技术股份有限公司 | 一种针对班级学生人脸模型的训练方法 |
CN108764149B (zh) * | 2018-05-29 | 2022-02-18 | 北京中庆现代技术股份有限公司 | 一种针对班级学生人脸模型的训练方法 |
CN109308452B (zh) * | 2018-08-10 | 2021-10-01 | 全播教育科技(广东)有限公司 | 一种基于人脸识别的课堂考勤图像处理方法 |
CN109308452A (zh) * | 2018-08-10 | 2019-02-05 | 中山全播网络科技有限公司 | 一种基于人脸识别的课堂考勤图像处理方法 |
CN109191341A (zh) * | 2018-08-29 | 2019-01-11 | 广州凯风科技有限公司 | 一种基于人脸识别和贝叶斯学习的教室视频点到方法 |
CN109191341B (zh) * | 2018-08-29 | 2020-10-23 | 广州云从凯风科技有限公司 | 一种基于人脸识别和贝叶斯学习的教室视频点到方法 |
CN109345427A (zh) * | 2018-09-28 | 2019-02-15 | 广州凯风科技有限公司 | 一种结合人脸识别和行人识别技术的教室视频点到方法 |
CN109345427B (zh) * | 2018-09-28 | 2020-07-03 | 广州云从凯风科技有限公司 | 一种结合人脸识别和行人识别技术的教室视频点到方法 |
CN111227789A (zh) * | 2018-11-29 | 2020-06-05 | 百度在线网络技术(北京)有限公司 | 人体健康监护方法和装置 |
CN111311772A (zh) * | 2019-08-19 | 2020-06-19 | 深圳市鸿合创新信息技术有限责任公司 | 一种考勤处理方法及装置、电子设备 |
CN110827432A (zh) * | 2019-11-11 | 2020-02-21 | 深圳算子科技有限公司 | 一种基于人脸识别的课堂考勤方法及系统 |
CN112819984A (zh) * | 2021-01-13 | 2021-05-18 | 华南理工大学 | 一种基于人脸识别的课堂多人点名签到方法 |
CN112954451A (zh) * | 2021-02-05 | 2021-06-11 | 广州市奥威亚电子科技有限公司 | 视频人物添加信息的方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102831412B (zh) | 2015-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102831412B (zh) | 一种基于人脸识别的教学考勤方法及其装置 | |
JP6892558B2 (ja) | 教学補助方法およびその方法を採用する教学補助システム | |
CN110414432A (zh) | 对象识别模型的训练方法、对象识别方法及相应的装置 | |
CN104376611A (zh) | 一种基于人脸识别的下井考勤方法及其装置 | |
CN107122416A (zh) | 一种中文事件抽取方法 | |
CN107491890A (zh) | 一种可量化课堂教学质量评估系统及方法 | |
CN106874902B (zh) | 一种车牌信息识别方法及装置 | |
CN104915643A (zh) | 一种基于深度学习的行人再标识方法 | |
Fu et al. | University classroom attendance based on deep learning | |
CN109145717A (zh) | 一种在线学习的人脸识别方法 | |
CN110046941A (zh) | 一种人脸识别方法、系统及电子设备和存储介质 | |
CN106127197A (zh) | 一种基于显著标签排序的图像显著性目标检测方法 | |
CN106874877A (zh) | 一种结合局部和全局特征的无约束人脸验证方法 | |
CN110287952A (zh) | 一种维语图片字符的识别方法及系统 | |
KR20190137384A (ko) | 출석 확인 시스템 및 방법 | |
Balasuriya et al. | Learning platform for visually impaired children through artificial intelligence and computer vision | |
CN104063721A (zh) | 一种基于语义特征自动学习与筛选的人类行为识别方法 | |
CN107578015B (zh) | 一种基于深度学习的第一印象识别与回馈系统及方法 | |
CN106445146A (zh) | 用于头盔显示器的手势交互方法与装置 | |
Leong | Deep learning of facial embeddings and facial landmark points for the detection of academic emotions | |
CN110414431A (zh) | 基于弹性上下文关系损失函数的人脸识别方法及系统 | |
CN114445052A (zh) | 基于区块链的智慧教育学生出勤大数据统计方法及系统 | |
Agrawal et al. | Redundancy removal for isolated gesture in Indian sign language and recognition using multi-class support vector machine | |
CN106897770B (zh) | 一种建立车牌识别模型的方法及装置 | |
CN103310217B (zh) | 基于图像协方差特征的手写体数字识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |