CN106204780A - 一种基于深度学习和云服务的人脸识别考勤系统及方法 - Google Patents
一种基于深度学习和云服务的人脸识别考勤系统及方法 Download PDFInfo
- Publication number
- CN106204780A CN106204780A CN201610519532.5A CN201610519532A CN106204780A CN 106204780 A CN106204780 A CN 106204780A CN 201610519532 A CN201610519532 A CN 201610519532A CN 106204780 A CN106204780 A CN 106204780A
- Authority
- CN
- China
- Prior art keywords
- face
- information
- data
- attendance
- human face
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习和云服务的人脸识别考勤系统及方法,包括人脸检测模块、数据无线传输模块、云服务器和考勤信息管理网页,人脸检测模块与数据无线传输模块连接,数据无线传输模块通过网络与云服务器连接;通过在云服务器中建立深度学习网络训练模块,预先训练人脸图像,获得特征向量予以保存;再通过人脸检测模块与数据无线传输模块,提取人面部图像并传送至云端,作为测试样本输入深度学习网络训练模块,进行人脸匹配,将匹配结果保存至数据库,通过考勤信息管理网页与数据库交互,来获取考勤信息。通过分类储存和分类调用,避免在海量的数据中进行匹配识别,提高存储效率和比对识别效率,使系统具有更好的鲁棒性和更高的效率。
Description
技术领域
本发明涉及考勤设备技术领域,具体涉及一种基于深度学习和云服务的人脸识别考勤系统及方法。
背景技术
目前在高校考勤方式中,人工考勤为主要考勤途径,这种考勤方式耗时多,且容易发生代人考勤的情况,影响高校教学管理行为规范,部分高校引入了射频识别考勤、指纹考勤的签到方式,使考勤效率得到一定的提升,然而射频识别考勤极易发生代替考勤情况,指纹考勤存在健康卫生隐患,且需要排队进行考勤,因此上述两种考勤方式均未能受到高校教务管理部门的青睐。
人脸识别考勤是近年来逐渐兴起的一种考勤方式,其主要通过识别人脸进行特征匹配来完成签到;而且,现有人脸识别考勤机存在识别率偏低、人脸存储量小的缺陷,无法系统化地应用于高校考勤,现有人脸识别考勤机未能将教务管理部门与考勤系统进行联系,学生的考勤状态教务管理部门无法进行在线查看,因此若将现有人脸识别考勤机应用于高校,则不能实质性的提高教务管理效率。
发明内容
本发明要解决的技术问题是,针对现有技术存在的上述缺陷,提供了一种基于深度学习和云服务的人脸识别考勤系统及方法,通过分类储存和分类调用,避免在海量的数据中进行匹配识别,提高存储效率和比对识别效率,使系统具有更好的鲁棒性和更高的效率。
本发明为解决上述技术问题所采用的技术方案是:
一种基于深度学习和云服务的人脸识别考勤系统,包括人脸检测模块、数据无线传输模块、云服务器和考勤信息管理网页,人脸检测模块与数据无线传输模块连接,所述数据无线传输模块通过网络与云服务器连接,通过考勤信息管理网页与云服务器连接,进行双向数据交换;
云服务器包括深度学习网络训练模块、回归分类器、记忆存储单元、人员信息数据库和考勤记录数据库,深度学习网络训练模块将预先训练录入的人脸视频或图像,转化为人脸数据,将人脸数据与人员其它录入信息进行对应,将对应后的结果以信息中的某一特征为标签,分类保存至人员信息数据库,以上述标签生成深度学习网络的各层级参数,形成提取特征参数,分类保存在记忆存储单元中;当进行人脸识别考勤时,依据所述标签从记忆存储单元中调取相应的提取特征参数,从人脸检测模块呈递的人脸视频或图像中提取人脸的数据,再依据所述标签,查找人员信息数据库中已经保存的人脸数据,通过回归分类器计算相似度进行匹配识别,将匹配识别后的结果形成考勤记录数据库,从而反映到考勤信息管理网页上。
按照上述技术方案,所述人脸识别考勤系统用于高校课程考勤时,所述某一特征标签为课程信息,课程信息包括课程文本信息、课程时间、课程的上课地点和任课老师。
按照上述技术方案,深度学习网络训练模块包括视频分帧器、人脸提取与预处理器和多层卷积神经网络,视频分帧器将呈递的人脸视频进行分帧处理,人脸提取与预处理器是将分帧处理后图像进行归一化、去噪等预处理,将其传输给多层卷积神经网络。
按照上述技术方案,多层卷积神经网络依次包括输入层、卷积层、抽样层和输出层,所述记忆存储单元与多层卷积神经网络的输出层、卷积层与抽样层进行连接,以某一特征信息为分类标签,在进行人脸训练时,卷积层与抽样层单向连接于记忆存储单元,卷积层和抽样层参数以上述的某一特征为标签,保存至记忆存储单元;在进行人脸识别时,记忆存储单元单向连接于卷积层与抽样层,输出层与回归分类器连接,对训练好的多层卷积神经网络与各层级的参数进行分区保存;在进行人脸识别时,通过数据无线传输模块上传的信息,调用相应的各层级参数至多层卷积神经网络中进行识别。
按照上述技术方案,考勤信息管理网页包括学生权限界面、任课老师权限界面和教务管理权限界面;
学生权限界面包括人脸注册端和个人考勤记录端,任课老师权限界面包括课堂考勤记录端,教务管理权限界面包括学院考勤记录端,考勤记录数据库与考勤信息管理网页双向连接进行数据通信。
按照上述技术方案,所述数据无线传输模块包括内置无线网卡、存储器、时钟芯片,存储器和时钟芯片分别与无线网卡连接,人脸检测模块通过无线网卡与深度学习网络训练模块连接,通过手机与无线传输模块连接,设置安装教室的课程信息储存在存储器中。
采用以上所述的人脸识别考勤系统的考勤方法,考勤系统用于高校的课程考勤时,所述考勤方法包括以下步骤:
1)通过考勤信息管理网页将学生人脸视频、学生信息和课程信息录入到云服务器上的人员信息数据库中;
2)学生进入教室时,人脸检测模块自动采集学生的人脸面部区域图像;
3)数据无线传输模块内存储有当前的课程信息,数据无线传输模块将当前的课程信息和人脸检测模块呈递的人脸数据传送至云端服务器;
4)深度学习网络训练模块以接受到的课程信息为标签,从记忆存储模块中调用提取特征参数;
5)深度学习网络训练模块调用提取特征参数从人脸检测模块呈递的人脸视频或图像中提取人脸数据,再以课程信息为标签,查找人员信息数据库中已经保存的人脸数据,传送至回归分类器;
6)将提取出的人脸数据呈递至回归分类器,与所述的课程信息标签所对应的,人员信息数据库中的人脸数据进行匹配,通过回归分类器对计算人脸数据之间相似度,寻找相应学生的信息;
7)将对应学生的信息和当前课程状态在考勤记录数据库中进行检索,若未检索到,则将其存入考勤记录数据库中,否则取消存入。
按照上述技术方案,所述步骤1)中,学生信息录入包括以下步骤:
a)学生在人脸注册端发送请求命令,并上传自己的一段人脸面部视频,填写相应的学生信息,学生信息包括学院、班级、姓名、课程信息和学号;
b)人脸面部视频将上传至深度学习网络训练模块,经过深度学习网络训练模块进行处理转化为人脸数据;
c)将人脸数据与录入的学生信息进行对应;
d)以课程信息为标签,将人脸数据结合学生信息分类保存至人员信息数据库中。
按照上述技术方案,所述步骤6)中,通过回归分类器对人脸数据的匹配识别包括以下步骤:数据集合中包含有已经学习到的人脸数据,回归分类器将接收的人脸数据与人员信息数据库中的人脸数据进行距离求解与置信度计算,当某一人脸数据满足下条件:1、置信度的达到85%以上,2、置信度为最高,则认定检测到的人脸为该人脸数据所对应的学生;两个条件若有一个未能达到,则不执行下一步骤。
按照上述技术方案,步骤7)之后,还包括以下步骤:学生在考勤信息管理网页上发送请求,查看自己的考勤记录,若发现自己未能考勤成功,可在人脸检测模块前进行补签;任课老师、教务管理者在教务考勤管理网页上登录后,同样发送命令与考勤记录数据库进行交互。
本发明具有以下有益效果:
1、以信息中的某一特征为标签,分类形成人员信息数据库,并同样以该信息为标签,将卷积神经网络模型与各层参数分类存储至记忆存储单元,当进行人脸识别考勤时,依据所述标签快速从记忆存储单元中调取参数,从人员信息数据库中通过参数调用与所述标签相关联人员的人脸数据,通过回归分类器将人脸检测模块检测到的人脸数据与从人员信息数据库中调取的的人脸数据进行匹配识别,将匹配识别后的结果形成考勤记录数据库,从而反映到考勤信息管理网页上,通过分类储存和分类调用,避免在海量的数据中进行匹配识别,提高存储效率和比对识别效率,使系统具有更好的鲁棒性和更高的效率。
2、通过所述的考勤系统及方法,实现了对学生进入课堂时的人脸识别考勤,而无需教师进行人工考勤;通过在云端建立的卷积神经网络模型进行人脸训练,有效提升了人脸匹配的精确度;通过考勤记录数据库与考勤信息管理网页的数据交互,可以让任课老师与教务管理者查看到学生的考勤状态,能够有效提高考勤管理的效率;学生自身可以在网页上查看到自己的考勤状态,并可以在人脸检测模块前进行补签,有效地提高了考勤系统的可靠性;云服务器上可分区建立多个数据库,利用课程信息作为分类枢纽,能够应用于多个课程乃至多个高校的考勤工作,具备良好的可拓展性。
附图说明
图1是本发明实施例中基于深度学习和云服务的人脸识别考勤系统的结构示意图;
图2是本发明实施例中深度学习网络训练模块的结构示意图;
图3是本发明实施例中进行人脸注册时的系统工作流程图;
图4是本发明实施例中进行人脸识别与考勤时的系统工作流程图;
图中,1-人脸检测模块,2-数据无线传输模块,3-云端服务器,4-考勤信息管理网页,5-深度学习网络训练模块,6-回归分类器,7-学生信息数据库,8-考勤记录数据库,9-记忆存储单元,10-存储器,11-时钟芯片,12-无线网卡,13-视频分帧器,14-人脸提取与预处理器,15-多层卷积神经网络。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
参照图1~图4所示,本发明提供的一个实施例中的基于深度学习和云服务的人脸识别考勤系统,其特征在于,包括人脸检测模块1、数据无线传输模块2、云服务器和考勤信息管理网页4,人脸检测模块1与数据无线传输模块2连接,所述数据无线传输模块2通过网络与云服务器连接,通过考勤信息管理网页4与云服务器连接,进行双向数据交换,通过考勤信息管理网页4向云服务器上录入、查询和修改信息;
云服务器包括深度学习网络训练模块5、回归分类器6、记忆存储单元9、人员信息数据库和考勤记录数据库8,深度学习网络训练模块5将预先训练录入的人脸视频或图像,转化为人脸数据,将人脸数据与人员其它录入信息进行对应,将对应后的结果以信息中的某一特征为标签,分类保存至人员信息数据库,以上述标签生成深度学习网络的各层级参数,形成提取特征参数,分类保存在记忆存储单元中;当进行人脸识别考勤时,依据所述标签从记忆存储单元中调取相应的提取特征参数,从人脸检测模块呈递的人脸视频或图像中提取人脸的数据,再依据所述标签,查找人员信息数据库中已经保存的人脸数据,通过回归分类器计算相似度进行匹配识别,将匹配识别后的结果形成考勤记录数据库,从而反映到考勤信息管理网页上,通过分类储存和分类调用,避免在海量的数据中进行匹配识别,提高存储效率和比对识别效率,使系统具有更好的鲁棒性和更高的效率。
进一步地,所述人脸识别考勤系统用于高校课程考勤时,所述某一特征标签为课程信息,课程信息包括课程文本信息、课程时间、课程的上课地点和任课老师,在具体实施例中人员信息数据库为学生信息数据库。
进一步地,深度学习网络训练模块5包括视频分帧器13、人脸提取与预处理器14和多层卷积神经网络15,视频分帧器13将呈递的人脸视频进行分帧处理,人脸提取与预处理器14是将分帧处理后图像或视频转化为人脸数据(具体实施例中,人脸数据为特征向量),将其传输给多层卷积神经网络15;。
进一步地,多层卷积神经网络15依次包括输入层、卷积层、抽样层和输出层,自下而上分布,顶层输出层与回归分类器6、记忆存储单元9进行连接,所述记忆存储单元9与多层卷积神经网络15的输出层、卷积层与抽样层进行连接,以某一特征信息为分类标签,在进行人脸训练时,卷积层与抽样层单向连接于记忆存储单元,卷积层和抽样层参数以上述的某一特征为标签,保存至记忆存储单元;在进行人脸识别时,记忆存储单元9单向连接于卷积层与抽样层,输出层与回归分类器6连接;人脸提取与预处理器14与记忆存储单元9连接,对数据无线传输模块2呈递的课程信息进行传输,所述卷积层与抽样层作为网络的中间层,实际在网络中交替出现多次,所述输出层为全连接方式,输出层的前一抽样层将所得的二维模式特征拉伸为一个向量,与输出层以全连接方式相连;
对训练好的多层卷积神经网络15与各层级的参数进行分区保存;在进行人脸识别时,通过数据无线传输模块2上传的信息,调用相应的各层级参数至多层卷积神经网络15中进行识别。
进一步地,考勤信息管理网页4包括学生权限界面、任课老师权限界面和教务管理权限界面;
学生权限界面包括人脸注册端和个人考勤记录端,任课老师权限界面包括课堂考勤记录端,教务管理权限界面包括学院考勤记录端,考勤记录数据库8与考勤信息管理网页4双向连接进行数据通信。
进一步地,所述数据无线传输模块2包括内置无线网卡12、存储器10、时钟芯片11,存储器10和时钟芯片11分别与无线网卡12连接,人脸检测模块1通过无线网卡12与深度学习网络训练模块5连接,通过手机与无线传输模块连接,设置安装教室的课程信息储存在存储器10中。
采用以上所述的人脸识别考勤系统的考勤方法,考勤系统用于高校的课程考勤时,所述考勤方法包括以下步骤:
1)通过考勤信息管理网页4将学生人脸视频、学生信息和课程信息录入到云服务器上的人员信息数据库(具体实施例中用于高校课程考勤时人员信息数据库即为学生信息数据库7)中;
2)学生进入教室时,人脸检测模块1自动采集学生的人脸面部区域图像;
3)数据无线传输模块2内存储有当前的课程信息,数据无线传输模块2将当前的课程信息和人脸检测模块1呈递的人脸数据传送至云端服务器3;
4)深度学习网络训练模块5以接受到的课程信息为标签,从记忆存储模块中调用提取特征参数;
5)深度学习网络训练模块5调用提取特征参数,从人脸检测模块呈递的人脸视频或图像中提取人脸数据,再以课程信息为标签,查找人员信息数据库中已经保存的人脸数据,传送至回归分类器;
6)将提取出的人脸数据呈递至回归分类器,与所述的课程信息标签所对应的,人员信息数据库中的人脸数据进行匹配,通过回归分类器计算人脸数据之间相似度,寻找相应学生的信息;
7)将对应学生的信息和当前课程状态在考勤记录数据库8中进行检索,若未检索到,则将其存入考勤记录数据库8中,否则取消存入。
进一步地,所述步骤1)中,学生信息录入包括以下步骤:
a)学生在人脸注册端发送请求命令,并上传自己的一段人脸面部视频,填写相应的学生信息,学生信息包括学院、班级、姓名、课程信息和学号;
b)人脸面部视频将上传至深度学习网络训练模块5,经过深度学习网络训练模块5进行处理转化为人脸数据;
c)将人脸数据与录入的学生信息进行对应;
d)以课程信息为标签,将人脸数据结合学生信息分类保存至人员信息数据库中。
进一步地,所述步骤6)中,人脸数据的匹配识别包括以下步骤:数据集合中包含有已经学习到的人脸数据,回归分类器6将接收的人脸数据与人员信息数据库中的人脸数据进行距离求解与置信度计算,当某一人脸数据满足下条件:1、置信度的达到85%以上,2、置信度为最高,则认定检测到的人脸为该人脸数据所对应的学生;两个条件若有一个未能达到,则不执行下一步骤。
进一步地,步骤7)之后,还包括以下步骤:学生在考勤信息管理网页4上发送请求,查看自己的考勤记录,若发现自己未能考勤成功,可在人脸检测模块1前进行补签;任课老师、教务管理者在教务考勤管理网页上登录后,同样发送命令与考勤记录数据库8进行交互;该法可防止学生进行重复考勤,并可让学生查看到自己的考勤状态,未识别成功时可进行补签。
本发明的一个实施例中,本发明的工作原理:
如图1所示,一种基于深度学习和云服务的人脸识别高校考勤系统及方法,包括:人脸检测模块1、数据无线传输模块2、云服务器和考勤信息管理网页4,实现了对学生的人脸识别考勤,通过云端的数据处理后,可以由任课老师与教务管理者在考勤管理网页上查看学生的考勤状态,此外学生也可查看到自己的考勤状态,在考勤未能成功时可以在人脸检测模块1前进行补签。
进一步地,数据无线传输模块2由无线网卡12、存储器10组成;在安装时,安装人员可通过手机连接无线网卡12,将安装位置的教室信息输入至存储器10中。
进一步地,人脸注册端属于考勤信息管理网页4中的学生权限界面,深度学习网络训练模块5与学生信息数据库7属于云服务器;学生于人脸注册端上传自己的脸部视频、姓名、班级、学院、学号、课程信息后,深度学习网络训练模块5将上传的脸部视频分析处理,提取出人脸特征向量,并将训练完毕的卷积神经网络模型与各层参数保存至记忆存储单元9,存储时以课程信息为标签进行分区存储;而提取出的特征向量将与学生个人信息和课程信息保存至学生信息数据库7中。
如图2所示,阐述本发明的云服务器中的深度学习网络训练模块5结构及其外部连接图;深度学习网络训练模块5包括:视频分帧器13、人脸提取与预处理器14、多层卷积神经网络15、记忆存储单元9。其中多层卷积神经网络15分为:输入层、卷积层、抽样层、输出层;输出层与回归分类器6连接,用于样本测试分类。
进一步地,所述视频分帧器13接收来自人脸注册端的视频,并对视频进行分帧提取。特别地,所述视频格式包括:3GP、MP4、RMVB、MOV等格式视频。
进一步地,所述人脸提取与预处理器14接收分帧后的图片,进行图像去噪与灰度化处理后,提取图片中的人脸区域,再进行人脸校正,最后将该区域处理为像素32*32的矩阵。
进一步地,所述卷积层与抽样层作为网络的中间层,实际在网络中交替出现多次。所述输出层为全连接方式,具体表现为:输出层的前一抽样层将所得的二维模式特征拉伸为一个向量,与输出层以全连接方式相连。
如图3所示,阐述本发明在学生进行人脸注册时的学生信息录入方法,包括以下步骤:
a)学生在人脸注册端发送请求命令,并上传自己的一段人脸面部视频、填写学院、班级、姓名、课程信息、学号等个人信息;
b)人脸面部视频将上传至深度学习网络训练模块5的视频分帧器13进行分帧,经过人脸提取与预处理器14提取处理后的人脸图像矩阵,作为多层卷积神经网络15的输入层训练样本;
c)通过卷积神经网络模型训练学习得到多维度的特征向量,并进行输出。经过训练的多层卷积神经网络15模型与各层参数将保存在记忆储存单元;
d)学习到的特征向量结合学院、班级、姓名、课程信息、学号等个人保存在学生信息数据库7中。
基于以上所述的方法,可以得到大量的面部区域图像,从而能够很好的符合卷积神经网络模型的数据要求。
特别地,上述人脸注册端所录制的视频长度为15s,在录制过程中注册端将会要求学生进行面部表情变化,偏头等动作,以保证训练样本的多样性。
如图4所示,阐述本发明在学生进行人脸识别考勤时的方法,包括以下步骤:
1)学生进入教室时,人脸检测模块1自动采集学生的人脸面部区域图像;
2)数据无线传输模块2中时钟芯片11存储当前时间信息,并传至存储器10,依据存储器10中存储的课程信息匹配出当前课程信息。课程信息与人脸检测模块1呈递的人脸数据通过无线网卡12传送至云端服务器3;
3)人脸提取与预处理器14对人脸数据进行处理,并作为多层卷积神经网络15的测试样本进行输入。课程信息传送至记忆存储单元9,调用已经训练好的卷积神经网络模型与各层参数至卷积层与抽样层,提取该图像的特征向量;
4)回归分类器6接收提取的特征向量,根据课程信息在学生信息数据库7中寻找该课程所对应分类的数据集合。明显地,数据集合中包含有已经学习到的特征向量。回归分类器6将接收的特征向量与数据集合中的特征向量进行距离求解与置信度计算,当某一特征向量满足下条件:1、置信度的达到85%以上,2、置信度为最高,则认定检测到的人脸为该特征向量所对应的学生;两个条件若有一个未能达到,则不执行下一步骤;
5)将该学生对应的姓名、班级、学院、学号、当前课程状态在考勤记录数据库8中进行检索,若未检索到,则将其存入考勤记录数据库8中,否则取消存入。
6)学生在考勤信息管理网页4上发送请求,查看自己的考勤记录。若发现自己未能考勤成功,可在人脸检测模块1前进行补签;任课老师、教务管理者在教务考勤管理网页上登录后,同样发送命令与考勤记录数据库8进行交互。该法可防止学生进行重复考勤,并可让学生查看到自己的考勤状态,未识别成功时可进行补签。
该发明可应用于多个高校,多个课堂的考勤,其具备在线查看与云端存储考勤记录功能,能够有效地提高教务管理效率。
本发明的一个实施例中:
一种基于深度学习和云服务的人脸识别高校考勤系统及方法,由人脸检测模块1、数据无线传输模块2、云服务器、考勤信息管理网页4组成;通过在云服务器中建立深度学习网络训练模块5,预先训练学生的人脸图像,获得特征向量予以保存;再通过在教室中安装人脸检测模块1与数据无线传输模块2,提取学生的面部图像并传送至云端,作为测试样本输入深度学习网络训练模块5,进行人脸匹配,将匹配结果保存至数据库;而后通过考勤信息管理网页4与数据库交互,来获取学生考勤信息。
上述人脸检测模块1与数据无线传输模块2相连接,所述数据无线传输模块2通过网络连接于云服务器。云服务器中包含深度学习网络训练模块5、记忆存储单元9、回归分类器6、学生信息数据库7、考勤记录数据库8。深度学习网络训练模块5中包括:视频分帧器13、人脸提取与预处理器14、多层卷积神经网络15。其中多层卷积神经网络15自下而上包括输入层、卷积层、抽样层、输出层。顶层输出层与回归分类器6、记忆存储单元9进行连接。
为了实现教务管理工作者与任课老师能够查看考勤记录,学生能够进行人脸信息的注册,上述考勤信息管理网页4中分为学生权限界面、任课老师权限界面、教务管理权限界面。学生权限界面中具有人脸注册端、个人考勤记录端;任课老师权限界面具有课堂考勤记录端、教务管理权限界面具有学院考勤记录端。其中考勤记录数据库8与考勤信息管理网页4双向连接进行数据通信。
进一步地,所述数据无线传输模块2中含存储器10、无线网卡12、时钟芯片11。时钟芯片11与当前时间进行同步。需要说明的是,存储器10中包含当前教室在不同时间段的课程信息,故需要安装人员使用手机与无线网卡12进行通信,进而写入。
进一步地,所述人脸检测模块1与数据无线传输模块2都需要安装于教室内,学生走入教室后可前往人脸检测模块1前进行考勤。
进一步地,所述学生信息数据库7中包含的信息包括:通过深度学习网络训练模块5提取后的特征向量、与该人脸信息对应的姓名、班级、学院、学号、课程信息。
进一步地,上述学生信息数据库7的建设方法为:以课程信息将学生进行归类,在特定时间特定教室相同课程的学生将被分为一类,由班级、学院、姓名、学号信息在同类中进行具体区分,每一个学生的数据列都包含:课程信息、通过深度学习网络训练模块5提取后的特征向量、姓名、班级、学院、学号。
进一步地,所述记忆存储单元9与多层卷积神经网络15的输出层、卷积层与抽样层进行连接。在进行人脸训练时,输出层单向连接于记忆存储单元9;在进行人脸识别时,记忆存储单元9单向连接于卷积层与抽样层;人脸提取与预处理器14也连接于记忆存储单元9,对数据无线传输模块2呈递的课程信息进行传输。
进一步地,需要说明的是,上述的课程信息为该教室所有课程的详细信息,包括:课程名称、上课时间区间、上课地点、任课老师。如:课程名称:《高等数学A下》,上课时间区间:周二上午10时至周二上午12时,上课地点:武汉理工大学第一教学楼304,任课老师:陈某某。
综上所述,本发明有以下3个特点:
1.在云服务器中以课程信息为标签,建立深度学习训练网络,训练网络中的训练样本为该节课的学生人脸信息,系统将依据学生课表建立多个上述的深度学习网络,每个网络顶层均为分类器,用于特定课程考勤时进行人脸识别,避免了在一个巨大的数据集中进行分类,有效地提高了系统运行效率。
2.在深度学习训练网络训练模块中包含有记忆存储单元9,用于储存已经训练好的多层卷积神经网络15模型与各层级的参数,并能够直接调取用于提取测试样本的特征向量。需要说明的是,该记忆存储单元9中储存的多层卷积神经网络15模型与各层级的参数以课程信息为标签,即不同课程间的多层卷积神经网络15模型与各层级参数是不同的,它们以课程信息为标签,进行分类储存。因此在进行人脸识别考勤时,记忆存储单元9可以依据学生的当前课程情况调用该课程对应的多层卷积神经网络15模型进行人脸识别,具备更好的鲁棒性与更高的效率。
3.将云服务器与前端网页进行结合,在云服务器上建立考勤信息数据库,与前端考勤管理网页进行数据交互,让任课老师在手机上查看当前课程考勤状态,同时还能让教务管理部门工作人员在终端上查看各个班级的考勤信息。本发明具有良好的可拓展性,云服务器上可分区建立多个数据库,因此可应用于多个课程乃至多个高校的考勤工作。
以上的仅为本发明的较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明申请专利范围所作的等效变化,仍属本发明的保护范围。
Claims (10)
1.一种基于深度学习和云服务的人脸识别考勤系统,其特征在于,包括人脸检测模块、数据无线传输模块、云服务器和考勤信息管理网页,人脸检测模块与数据无线传输模块连接,所述数据无线传输模块通过网络与云服务器连接,通过考勤信息管理网页与云服务器连接,进行双向数据交换;
云服务器包括深度学习网络训练模块、回归分类器、记忆存储单元、人员信息数据库和考勤记录数据库,深度学习网络训练模块将预先训练录入的人脸视频或图像,转化为人脸数据,将人脸数据与人员其它录入信息进行对应,将对应后的结果以信息中的某一特征为标签,分类保存至人员信息数据库,以上述标签生成深度学习网络的各层级参数,形成提取特征参数,分类保存在记忆存储单元中;当进行人脸识别考勤时,依据所述标签从记忆存储单元中调取相应的提取特征参数,从人脸检测模块呈递的人脸视频或图像中提取人脸的数据,再依据所述标签,查找人员信息数据库中已经保存的人脸数据,通过回归分类器计算相似度进行匹配识别,将匹配识别后的结果形成考勤记录数据库,从而反映到考勤信息管理网页上。
2.根据权利要求1所述的基于深度学习和云服务的人脸识别考勤系统,其特征在于,所述人脸识别考勤系统用于高校课程考勤时,所述某一特征标签为课程信息,课程信息包括课程文本信息、课程时间、课程的上课地点和任课老师。
3.根据权利要求1所述的基于深度学习和云服务的人脸识别考勤系统,其特征在于,深度学习网络训练模块包括视频分帧器、人脸提取与预处理器和多层卷积神经网络,视频分帧器将呈递的人脸视频进行分帧处理,人脸提取与预处理器是将分帧处理后图像进行归一化、去噪等预处理,将其传输给多层卷积神经网络。
4.根据权利要求3所述的基于深度学习和云服务的人脸识别考勤系统,其特征在于,多层卷积神经网络依次包括输入层、卷积层、抽样层和输出层,所述记忆存储单元与多层卷积神经网络的卷积层与抽样层进行连接,以某一特征信息为分类标签,在进行人脸训练时,卷积层与抽样层单向连接于记忆存储单元,卷积层和抽样层参数以上述的某一特征为标签,保存至记忆存储单元;在进行人脸识别时,记忆存储单元单向连接于卷积层与抽样层,输出层与回归分类器连接,对训练好的多层卷积神经网络与各层级的参数进行分区保存;在进行人脸识别时,通过数据无线传输模块上传的信息,调用相应的各层级参数至多层卷积神经网络中进行识别。
5.根据权利要求1所述的基于深度学习和云服务的人脸识别考勤系统,其特征在于,考勤信息管理网页包括学生权限界面、任课老师权限界面和教务管理权限界面;
学生权限界面包括人脸注册端和个人考勤记录端,任课老师权限界面包括课堂考勤记录端,教务管理权限界面包括学院考勤记录端,考勤记录数据库与考勤信息管理网页双向连接进行数据通信。
6.根据权利要求1所述的基于深度学习和云服务的人脸识别考勤系统,其特征在于,所述数据无线传输模块包括内置无线网卡、存储器、时钟芯片,存储器和时钟芯片分别与无线网卡连接,人脸检测模块通过无线网卡与深度学习网络训练模块连接,通过手机与无线传输模块连接,设置安装教室的课程信息储存在存储器中。
7.采用权利要求1所述的人脸识别考勤系统的考勤方法,其特征在于,考勤系统用于高校的课程考勤时,所述考勤方法包括以下步骤:
1)通过考勤信息管理网页将学生人脸视频、学生信息和课程信息录入到云服务器上的人员信息数据库中;
2)学生进入教室时,人脸检测模块自动采集学生的人脸面部区域图像;
3)数据无线传输模块内存储有当前的课程信息,数据无线传输模块将当前的课程信息和人脸检测模块呈递的人脸数据传送至云端服务器;
4)深度学习网络训练模块以接受到的课程信息为标签,从记忆存储模块中调用提取特征参数;
5)深度学习网络训练模块调用提取特征参数,从人脸检测模块呈递的人脸视频或图像中提取人脸数据,再以课程信息为标签,查找人员信息数据库中已经保存的人脸数据,传送至回归分类器;
6)将提取出的人脸数据呈递至回归分类器,与所述的课程信息标签所对应的,人员信息数据库中的人脸数据进行匹配,通过回归分类器计算人脸数据之间相似度,寻找相应学生的信息;
7)将对应学生的信息和当前课程状态在考勤记录数据库中进行检索,若未检索到,则将其存入考勤记录数据库中,否则取消存入。
8.根据权利要求7所述的考勤方法,其特征在于,所述步骤1)中,学生信息录入包括以下步骤:
a)学生在人脸注册端发送请求命令,并上传自己的一段人脸面部视频,填写相应的学生信息,学生信息包括学院、班级、姓名、课程信息和学号;
b)人脸面部视频将上传至深度学习网络训练模块,经过深度学习网络训练模块进行处理转化为人脸数据;
c)将人脸数据与录入的学生信息进行对应;
d)以课程信息为标签,将人脸数据结合学生信息分类保存至人员信息数据库中。
9.根据权利要求7所述的考勤方法,其特征在于,所述步骤6)中,通过回归分类器对人脸数据的匹配识别包括以下步骤:数据集合中包含有已经学习到的人脸数据,回归分类器将接收的人脸数据与人员信息数据库中的人脸数据进行距离求解与置信度计算,当某一人脸数据满足下条件:1、置信度的达到85%以上,2、置信度为最高,则认定检测到的人脸为该人脸数据所对应的学生;两个条件若有一个未能达到,则不执行下一步骤。
10.根据权利要求7所述的考勤方法,其特征在于,步骤7)之后,还包括以下步骤:学生在考勤信息管理网页上发送请求,查看自己的考勤记录,若发现自己未能考勤成功,可在人脸检测模块前进行补签;任课老师、教务管理者在教务考勤管理网页上登录后,同样发送命令与考勤记录数据库进行交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610519532.5A CN106204780A (zh) | 2016-07-04 | 2016-07-04 | 一种基于深度学习和云服务的人脸识别考勤系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610519532.5A CN106204780A (zh) | 2016-07-04 | 2016-07-04 | 一种基于深度学习和云服务的人脸识别考勤系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106204780A true CN106204780A (zh) | 2016-12-07 |
Family
ID=57464722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610519532.5A Pending CN106204780A (zh) | 2016-07-04 | 2016-07-04 | 一种基于深度学习和云服务的人脸识别考勤系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106204780A (zh) |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897695A (zh) * | 2017-02-24 | 2017-06-27 | 上海斐讯数据通信技术有限公司 | 一种图像识别处理装置、系统及方法 |
CN107239763A (zh) * | 2017-06-06 | 2017-10-10 | 合肥创旗信息科技有限公司 | 基于人脸识别的课堂考勤系统 |
CN107247941A (zh) * | 2017-06-22 | 2017-10-13 | 易容智能科技(苏州)有限公司 | 一种高硬件弹性的精准人脸采样和识别方法 |
CN107622383A (zh) * | 2017-11-06 | 2018-01-23 | 北京上古视觉科技有限公司 | 一种幼教签到系统以及幼教签到方法 |
CN107909665A (zh) * | 2017-11-06 | 2018-04-13 | 北京上古视觉科技有限公司 | 一种学生签到系统以及学生签到方法 |
CN108090419A (zh) * | 2017-11-30 | 2018-05-29 | 安徽四创电子股份有限公司 | 一种基于WebSocket协议的动态人脸识别方法 |
CN108335374A (zh) * | 2018-01-29 | 2018-07-27 | 河南大学 | 一种自动点名方法 |
CN108447143A (zh) * | 2018-05-15 | 2018-08-24 | 兰州工业学院 | 一种智能点名系统 |
CN108629330A (zh) * | 2018-05-22 | 2018-10-09 | 上海交通大学 | 基于多级联分类器的人脸动态捕捉与快速识别方法及系统 |
CN108830559A (zh) * | 2018-06-01 | 2018-11-16 | 广东蔚海数问大数据科技有限公司 | 一种基于人脸识别的考勤方法及装置 |
CN108846912A (zh) * | 2018-06-14 | 2018-11-20 | 深圳市商汤科技有限公司 | 考勤方法、终端及服务器 |
CN109064578A (zh) * | 2018-09-12 | 2018-12-21 | 山西巨擘天浩科技有限公司 | 一种基于云服务的考勤系统及方法 |
CN109068145A (zh) * | 2018-08-15 | 2018-12-21 | 上海鸢安智能科技有限公司 | 分布式智能视频分析系统、方法、装置、设备及存储介质 |
CN109308584A (zh) * | 2018-09-27 | 2019-02-05 | 深圳市乔安科技有限公司 | 一种无感考勤系统及方法 |
CN109324909A (zh) * | 2018-08-01 | 2019-02-12 | 武汉普利商用机器有限公司 | 一种基于云服务的人脸比对服务系统及方法 |
CN109359521A (zh) * | 2018-09-05 | 2019-02-19 | 浙江工业大学 | 基于深度学习的课堂质量双向评估系统 |
CN109461220A (zh) * | 2018-10-22 | 2019-03-12 | 杭州闪宝科技有限公司 | 签到方法、装置及系统 |
CN109492625A (zh) * | 2018-12-29 | 2019-03-19 | 中国地质大学(武汉) | 一种基于宽度学习的人脸识别考勤方法 |
CN109598809A (zh) * | 2018-12-05 | 2019-04-09 | 上海创视通软件技术有限公司 | 一种基于人脸识别的课堂考勤方法及系统 |
FR3072200A1 (fr) * | 2017-10-11 | 2019-04-12 | Chiraz Hammami | Procede de verification de presence par reconnaissance faciale |
CN109840591A (zh) * | 2017-11-29 | 2019-06-04 | 华为技术有限公司 | 模型训练系统、方法和存储介质 |
CN109840962A (zh) * | 2018-12-27 | 2019-06-04 | 北京智慧云行科技有限责任公司 | 人脸识别移动考勤系统及方法 |
CN109919004A (zh) * | 2019-01-23 | 2019-06-21 | 深圳职业技术学院 | 一种基于神经网络的人脸检测算法 |
CN109993670A (zh) * | 2018-01-03 | 2019-07-09 | 上海特易信息科技有限公司 | 一种基于云端的多媒体外贸教学管理系统 |
CN110084134A (zh) * | 2019-04-03 | 2019-08-02 | 东华大学 | 一种基于级联神经网络和特征融合的人脸考勤系统 |
CN110211252A (zh) * | 2019-06-06 | 2019-09-06 | 重庆两江新区管理委员会 | 一种基于云服务的人脸识别考勤管理方法及系统 |
CN110363106A (zh) * | 2019-06-25 | 2019-10-22 | 中国船舶重工集团公司第七一九研究所 | 一种人脸检测与匹配系统 |
CN110415159A (zh) * | 2019-06-11 | 2019-11-05 | 汇盈讯科智能科技(佛山市)有限责任公司 | 一种基于图像识别中继器的控制系统及其控制方法 |
CN110852704A (zh) * | 2019-10-22 | 2020-02-28 | 佛山科学技术学院 | 基于密集微小人脸识别的考勤方法、系统、设备及介质 |
CN111209860A (zh) * | 2020-01-06 | 2020-05-29 | 上海海事大学 | 基于深度学习与强化学习的视频考勤系统及方法 |
CN111339939A (zh) * | 2020-02-26 | 2020-06-26 | 中国工商银行股份有限公司 | 基于图像识别的考勤方法及装置 |
CN111611911A (zh) * | 2020-05-19 | 2020-09-01 | 成都理工大学 | 一种基于卷积神经网络和多人脸识别的课堂考勤方法 |
CN111985278A (zh) * | 2019-05-24 | 2020-11-24 | 中建材信息技术股份有限公司 | 一种云计算场景下基于深度学习的人脸识别方法 |
CN112215250A (zh) * | 2019-07-12 | 2021-01-12 | 杭州海康威视数字技术股份有限公司 | 一种提高数据特征比对效率的方法、装置 |
CN112907773A (zh) * | 2021-01-15 | 2021-06-04 | 佛山科学技术学院 | 一种基于动作检测与人脸识别的智能考勤方法及系统 |
CN113192224A (zh) * | 2021-05-04 | 2021-07-30 | 北京环球优路教育科技股份有限公司 | 一种自主学习考勤系统 |
CN113870453A (zh) * | 2021-09-15 | 2021-12-31 | 温州大学大数据与信息技术研究院 | 一种基于人脸识别的学生考勤管理设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201061A (zh) * | 2011-06-24 | 2011-09-28 | 常州锐驰电子科技有限公司 | 基于多阶层过滤人脸识别的智能安全监控系统及方法 |
CN104866810A (zh) * | 2015-04-10 | 2015-08-26 | 北京工业大学 | 一种深度卷积神经网络的人脸识别方法 |
CN104992167A (zh) * | 2015-07-28 | 2015-10-21 | 中国科学院自动化研究所 | 一种基于卷积神经网络的人脸检测方法及装置 |
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 |
CN105426850A (zh) * | 2015-11-23 | 2016-03-23 | 深圳市商汤科技有限公司 | 一种基于人脸识别的关联信息推送设备及方法 |
CN105426875A (zh) * | 2015-12-18 | 2016-03-23 | 武汉科技大学 | 一种基于深度卷积神经网络的人脸识别方法和考勤系统 |
-
2016
- 2016-07-04 CN CN201610519532.5A patent/CN106204780A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201061A (zh) * | 2011-06-24 | 2011-09-28 | 常州锐驰电子科技有限公司 | 基于多阶层过滤人脸识别的智能安全监控系统及方法 |
CN104866810A (zh) * | 2015-04-10 | 2015-08-26 | 北京工业大学 | 一种深度卷积神经网络的人脸识别方法 |
CN104992167A (zh) * | 2015-07-28 | 2015-10-21 | 中国科学院自动化研究所 | 一种基于卷积神经网络的人脸检测方法及装置 |
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 |
CN105426850A (zh) * | 2015-11-23 | 2016-03-23 | 深圳市商汤科技有限公司 | 一种基于人脸识别的关联信息推送设备及方法 |
CN105426875A (zh) * | 2015-12-18 | 2016-03-23 | 武汉科技大学 | 一种基于深度卷积神经网络的人脸识别方法和考勤系统 |
Cited By (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897695A (zh) * | 2017-02-24 | 2017-06-27 | 上海斐讯数据通信技术有限公司 | 一种图像识别处理装置、系统及方法 |
CN107239763A (zh) * | 2017-06-06 | 2017-10-10 | 合肥创旗信息科技有限公司 | 基于人脸识别的课堂考勤系统 |
CN107247941A (zh) * | 2017-06-22 | 2017-10-13 | 易容智能科技(苏州)有限公司 | 一种高硬件弹性的精准人脸采样和识别方法 |
FR3072200A1 (fr) * | 2017-10-11 | 2019-04-12 | Chiraz Hammami | Procede de verification de presence par reconnaissance faciale |
CN107622383A (zh) * | 2017-11-06 | 2018-01-23 | 北京上古视觉科技有限公司 | 一种幼教签到系统以及幼教签到方法 |
CN107909665A (zh) * | 2017-11-06 | 2018-04-13 | 北京上古视觉科技有限公司 | 一种学生签到系统以及学生签到方法 |
CN109840591B (zh) * | 2017-11-29 | 2021-08-03 | 华为技术有限公司 | 模型训练系统、方法和存储介质 |
CN109840591A (zh) * | 2017-11-29 | 2019-06-04 | 华为技术有限公司 | 模型训练系统、方法和存储介质 |
WO2019105189A1 (zh) * | 2017-11-29 | 2019-06-06 | 华为技术有限公司 | 模型训练系统、方法和存储介质 |
AU2018374912B2 (en) * | 2017-11-29 | 2023-10-19 | Huawei Cloud Computing Technologies Co., Ltd. | Model training system and method, and storage medium |
KR20200093007A (ko) * | 2017-11-29 | 2020-08-04 | 후아웨이 테크놀러지 컴퍼니 리미티드 | 모델 훈련 시스템 및 방법과, 저장 매체 |
KR102514325B1 (ko) * | 2017-11-29 | 2023-03-24 | 화웨이 클라우드 컴퓨팅 테크놀러지 컴퍼니 리미티드 | 모델 훈련 시스템 및 방법과, 저장 매체 |
CN108090419A (zh) * | 2017-11-30 | 2018-05-29 | 安徽四创电子股份有限公司 | 一种基于WebSocket协议的动态人脸识别方法 |
CN108090419B (zh) * | 2017-11-30 | 2020-10-30 | 安徽四创电子股份有限公司 | 一种基于WebSocket协议的动态人脸识别方法 |
CN109993670A (zh) * | 2018-01-03 | 2019-07-09 | 上海特易信息科技有限公司 | 一种基于云端的多媒体外贸教学管理系统 |
CN108335374A (zh) * | 2018-01-29 | 2018-07-27 | 河南大学 | 一种自动点名方法 |
CN108447143A (zh) * | 2018-05-15 | 2018-08-24 | 兰州工业学院 | 一种智能点名系统 |
CN108629330A (zh) * | 2018-05-22 | 2018-10-09 | 上海交通大学 | 基于多级联分类器的人脸动态捕捉与快速识别方法及系统 |
CN108830559A (zh) * | 2018-06-01 | 2018-11-16 | 广东蔚海数问大数据科技有限公司 | 一种基于人脸识别的考勤方法及装置 |
CN108846912A (zh) * | 2018-06-14 | 2018-11-20 | 深圳市商汤科技有限公司 | 考勤方法、终端及服务器 |
CN109324909A (zh) * | 2018-08-01 | 2019-02-12 | 武汉普利商用机器有限公司 | 一种基于云服务的人脸比对服务系统及方法 |
CN109068145A (zh) * | 2018-08-15 | 2018-12-21 | 上海鸢安智能科技有限公司 | 分布式智能视频分析系统、方法、装置、设备及存储介质 |
CN109359521A (zh) * | 2018-09-05 | 2019-02-19 | 浙江工业大学 | 基于深度学习的课堂质量双向评估系统 |
CN109064578B (zh) * | 2018-09-12 | 2020-11-03 | 山西巨擘天浩科技有限公司 | 一种基于云服务的考勤系统及方法 |
CN109064578A (zh) * | 2018-09-12 | 2018-12-21 | 山西巨擘天浩科技有限公司 | 一种基于云服务的考勤系统及方法 |
CN109308584A (zh) * | 2018-09-27 | 2019-02-05 | 深圳市乔安科技有限公司 | 一种无感考勤系统及方法 |
CN109461220A (zh) * | 2018-10-22 | 2019-03-12 | 杭州闪宝科技有限公司 | 签到方法、装置及系统 |
CN109598809A (zh) * | 2018-12-05 | 2019-04-09 | 上海创视通软件技术有限公司 | 一种基于人脸识别的课堂考勤方法及系统 |
CN109840962A (zh) * | 2018-12-27 | 2019-06-04 | 北京智慧云行科技有限责任公司 | 人脸识别移动考勤系统及方法 |
CN109492625A (zh) * | 2018-12-29 | 2019-03-19 | 中国地质大学(武汉) | 一种基于宽度学习的人脸识别考勤方法 |
CN109919004A (zh) * | 2019-01-23 | 2019-06-21 | 深圳职业技术学院 | 一种基于神经网络的人脸检测算法 |
CN110084134A (zh) * | 2019-04-03 | 2019-08-02 | 东华大学 | 一种基于级联神经网络和特征融合的人脸考勤系统 |
CN111985278A (zh) * | 2019-05-24 | 2020-11-24 | 中建材信息技术股份有限公司 | 一种云计算场景下基于深度学习的人脸识别方法 |
CN110211252A (zh) * | 2019-06-06 | 2019-09-06 | 重庆两江新区管理委员会 | 一种基于云服务的人脸识别考勤管理方法及系统 |
CN110211252B (zh) * | 2019-06-06 | 2022-02-08 | 重庆两江新区管理委员会 | 一种基于云服务的人脸识别考勤管理方法及系统 |
CN110415159A (zh) * | 2019-06-11 | 2019-11-05 | 汇盈讯科智能科技(佛山市)有限责任公司 | 一种基于图像识别中继器的控制系统及其控制方法 |
CN110363106A (zh) * | 2019-06-25 | 2019-10-22 | 中国船舶重工集团公司第七一九研究所 | 一种人脸检测与匹配系统 |
CN112215250A (zh) * | 2019-07-12 | 2021-01-12 | 杭州海康威视数字技术股份有限公司 | 一种提高数据特征比对效率的方法、装置 |
CN112215250B (zh) * | 2019-07-12 | 2024-03-08 | 杭州海康威视数字技术股份有限公司 | 一种提高数据特征比对效率的方法、装置 |
CN110852704B (zh) * | 2019-10-22 | 2023-04-25 | 佛山科学技术学院 | 基于密集微小人脸识别的考勤方法、系统、设备及介质 |
CN110852704A (zh) * | 2019-10-22 | 2020-02-28 | 佛山科学技术学院 | 基于密集微小人脸识别的考勤方法、系统、设备及介质 |
CN111209860B (zh) * | 2020-01-06 | 2023-04-07 | 上海海事大学 | 基于深度学习与强化学习的视频考勤系统及方法 |
CN111209860A (zh) * | 2020-01-06 | 2020-05-29 | 上海海事大学 | 基于深度学习与强化学习的视频考勤系统及方法 |
CN111339939A (zh) * | 2020-02-26 | 2020-06-26 | 中国工商银行股份有限公司 | 基于图像识别的考勤方法及装置 |
CN111339939B (zh) * | 2020-02-26 | 2023-09-26 | 中国工商银行股份有限公司 | 基于图像识别的考勤方法及装置 |
CN111611911A (zh) * | 2020-05-19 | 2020-09-01 | 成都理工大学 | 一种基于卷积神经网络和多人脸识别的课堂考勤方法 |
CN112907773B (zh) * | 2021-01-15 | 2023-08-22 | 佛山科学技术学院 | 一种基于动作检测与人脸识别的智能考勤方法及系统 |
CN112907773A (zh) * | 2021-01-15 | 2021-06-04 | 佛山科学技术学院 | 一种基于动作检测与人脸识别的智能考勤方法及系统 |
CN113192224A (zh) * | 2021-05-04 | 2021-07-30 | 北京环球优路教育科技股份有限公司 | 一种自主学习考勤系统 |
CN113870453A (zh) * | 2021-09-15 | 2021-12-31 | 温州大学大数据与信息技术研究院 | 一种基于人脸识别的学生考勤管理设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204780A (zh) | 一种基于深度学习和云服务的人脸识别考勤系统及方法 | |
CN104915643B (zh) | 一种基于深度学习的行人再标识方法 | |
CN108985726A (zh) | 一种学生成长培育系统及其方法 | |
CN109359521A (zh) | 基于深度学习的课堂质量双向评估系统 | |
CN110910549A (zh) | 基于深度学习和人脸识别特征的校园人员安全管理系统 | |
CN107818322A (zh) | 一种用于车辆年检的车辆vin码篡改检测系统及方法 | |
CN201993822U (zh) | 学校安全管理系统 | |
CN106781724A (zh) | 一种企业管理培训系统 | |
CN110955738B (zh) | 一种基于信令数据结合场景信息的人物画像刻画方法 | |
CN107527394A (zh) | 基于成员聚合判断逻辑的智能签到考勤系统及方法 | |
CN109829995A (zh) | 一种人脸识别课堂签到系统 | |
CN111178136A (zh) | 一种基于大数据的智慧校园身份识别方法及系统 | |
CN105787834A (zh) | 一种智能学生管理系统 | |
CN109360305B (zh) | 一种基于人脸识别的图书馆管理方法及其系统 | |
CN106384316A (zh) | 一种考试院实名制验证系统 | |
CN107784273A (zh) | 基于学生社交关系模型的课堂座位分布预测方法 | |
CN112734966B (zh) | 一种融合WiFi数据与人脸识别的课堂点名方法 | |
CN113326747A (zh) | 教职工人脸识别考勤方法与系统 | |
CN107480879A (zh) | 水文职工业务知识考评方法及系统 | |
CN107203647B (zh) | 基于生物特征的学生信息采集方法及装置 | |
CN109711263A (zh) | 考试系统及其处理方法 | |
Bhagat et al. | Face recognition attendance system | |
CN111339939B (zh) | 基于图像识别的考勤方法及装置 | |
CN114005054A (zh) | 一种ai智能评分系统 | |
CN111738884A (zh) | 基于智慧校园学生位置信息的学生行为诊断和管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |
|
RJ01 | Rejection of invention patent application after publication |