CN107798312B - 一种基于视觉头部检测的自动考勤方法 - Google Patents
一种基于视觉头部检测的自动考勤方法 Download PDFInfo
- Publication number
- CN107798312B CN107798312B CN201711161391.5A CN201711161391A CN107798312B CN 107798312 B CN107798312 B CN 107798312B CN 201711161391 A CN201711161391 A CN 201711161391A CN 107798312 B CN107798312 B CN 107798312B
- Authority
- CN
- China
- Prior art keywords
- head
- attendance
- image
- attendance checking
- area
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Abstract
本发明针对现有技术存在的问题,提出了一种基于视觉头部检测的自动考勤方法通过对考勤区域进行图像采集,并通过头部检测神经网络检测出被考勤人员的头部坐标。同时,为了准确获取各个被考勤人员的出勤情况,收集一段时间的人头坐标点集,并将人头坐标点集的头部坐标绘制在一张图上,然后将每个集聚区作为一个工位区域。这样,对实时获取的考勤区域图像进行头部检测,看每个工位区域是否有头部坐标落入其中,如果落入,则该工位区域有人员出勤,否则,该工位区域没有人员出勤。本发明不需要专门的硬件,降低了考勤的成本;不同于传统的考勤方法,本发明每时每刻地进行非侵入式的实时监督,彻底杜绝了代签、早退、中途溜号等现象。
Description
技术领域
本发明属于计算机视觉技术领域,更为具体地讲,涉及一种基于视觉头部检测的自动考勤方法。
背景技术
考勤与我们的生活密切相关。人们想了很多办法进行考勤,从最初的签字、点名,到现在的刷卡、摁指纹,但漏洞仍旧颇多。现在也有高科技的考勤方案,如静脉识别、人脸识别、虹膜识别,但成本过高。
在2017年05月31日公布、公布号为CN 106779023 A、名称为“一种智能考勤手环及考勤方法”的中国发明专利申请中,智能考勤手环通过静脉识别模块采集使用者腕部的静脉图像并发送至数据处理模块,通过与预存储的使用者静脉图像对照,如果相一致,表示鉴权成功,数据处理模块控制智能考勤手环工作,启动鉴权模块,将表示使用者身份的身份信息无线传输至外部设备,实现准确考勤,如果不一致,表示鉴权失败,数据处理模块控制智能考勤手环不工作,不能进行使用者身份信息的传输,不能实现考勤,在非正确使用者使用考勤手环时,不能实现身份信息的传输,解决了考勤手环丢失易被盗用的缺点,提高了使用可靠性和考勤准确性;电源模块为无线传输模块供电,考勤手环可以作为一张有源标签与外部设备无线通信,提高了两者间的通信距离和通信速率。该考勤方法除了需要为每位被考勤人员配置一个手环,增加成本外,无法实时对所有被考勤人员在岗情况进行监督。
在2017年10月10日公布的、公布号为CN 107239763 A、名称为“基于人脸识别的课堂考勤系统”的中国发明专利申请中,通过设置人脸检测模块、人脸定位模块和人脸跟踪模块,完成了对人脸的检测、定位、跟踪,自动获取学生的人脸图像,通过设置学生管理模块管理学生基本信息,设置人脸模型生成模块生成学生的人脸模型,设置人脸识别模块对考勤学生的人脸进行识别,完成考勤,并通过考勤记录模块和出勤查询模块实现学生考勤记录的查询和管理功能,从而实现了基于人脸识别的课堂自动考勤,提高了课堂考勤的效率,避免考勤中出现冒名顶替等情况,减轻了老师的工作量。同样,该考勤系统需要专门的人脸识别模块,需要对人脸进行采集、识别、定位和跟踪,同时需要对每位被考勤者进行身份认证,成本也比较高。该方法针对人脸进行考勤,同样也不能做到实时对所有被考勤人员在岗情况进行监督。
在2017年05月31日公布、公布号为CN 106780811 A、名称为“一种基于虹膜识别身份认证的考勤信息管理系统”中,包括:用于存储用户虹膜信息、身份信息和考勤信息的数据库存储模块、用于员工、考勤管理员和数据库管理员进行数据库信息管理的用户操作模块、用于采集用户的虹膜图像的虹膜采集模块、用于接收和处理虹膜图像与数据库进行数据交换,完成员工考勤信息记录的中央处理模块,该考勤系统能够提高考勤信息管理系统的安全性、稳定性和识别效率,提高考勤系统的用户体验性和实用性。但该考勤系统增加了虹膜采集、数据库存储等模块,成本同样比较高。此外,需要对被考勤者进行一对一的身份信息采集,同样不能做到实时对所有考勤人员的在岗情况进行实时监督。
发明内容
本发明的目的在于克服现有技术的不足,提出一种基于视觉头部检测的自动考勤方法,以降低成本,同时实现对所有被考勤人员的在岗情况进行实时监督。
为实现上述发明目的,本发明基于视觉头部检测的自动考勤方法,其特征在于,包括以下步骤:
(1)、头部检测
首先,摄像头对考勤的区域进行图像采集,并对采集图像进行差分运动检测预处理,以增强运动物体的轮廓,接着,增强后的图像被送入头部检测深度学习神经网络,先经过卷积层提取图像特征,然后经过全连接层生成对应头部坐标的张量,最后张量被解析成为头部坐标;
(2)、工位区域构建
按照步骤(1),对考勤区域进行一段时间的图像采集,对每张考勤图像进行头部检测,得到一系列头部坐标并构成一个对应的人头坐标点集,将所有考勤图像的人头坐标点集中的头部坐标绘制在同一张图上,得到一张用于工位区域分割的散点图S;
在散点图S中,通过膨胀腐蚀算法优化每个头部坐标点集聚区域,确定工位区域,从而实现工位区域的分割;
(3)、考勤
按照步骤(1),对考勤区域进行实时图像采集,对获得的考勤图像进行头部检测,得到一系列头部坐标;
将每个头部坐标与步骤(2)得到的每个工位区域进行位置判断,看每个工位区域是否有头部坐标落入其中,如果落入,则该工位区域有人员出勤,否则,该工位区域没有人员出勤。
本发明的目的是这样实现的。
针对现有技术存在的问题,本发明基于视觉头部检测的自动考勤方法通过对考勤区域进行图像采集,并通过头部检测神经网络检测出被考勤人员的头部坐标。同时,为了准确获取各个被考勤人员的出勤情况,收集一段时间的人头坐标点集,并将人头坐标点集的头部坐标绘制在一张图上,然后将每个集聚区作为一个工位区域。这样,对实时获取的考勤图像进行头部检测,看每个工位区域是否有头部坐标落入其中,如果落入,则该工位区域有人员出勤,否则,该工位区域没有人员出勤。本发明不需要专门的硬件,只需要监控系统的摄像头进行图像采集,降低了考勤的成本。此外,本发明的考勤可以针对考勤区域的所有被考勤人员进行实时考勤,不同于传统的考勤方法,本发明每时每刻地进行非侵入式的实时监督,彻底杜绝了代签、早退、中途溜号等现象。
附图说明
图1是本发明基于视觉头部检测的自动考勤方法一种具体实施方式流程图;
图2是应用本发明的考勤系统原理框图;
图3是图1所示头部检测的一种具体实施方式算法框图;
图4是输入图像的分割示意图;
图5是图1所示工位区域构建示意图;
图6是图2所示的联网考勤显示系统的工作流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
在本发明中,我们希望能够开发出一种高可靠性、低成本、实时非侵入式的自动考勤方法。在本实施例中,构造了一种部署于房间顶部的监控系统,可在任意时刻对房间中每名人员(被考勤人员)进行自动考勤。该方法可以应用于即考勤区域为固定座位的教研室、教室、办公室、会议室等场所。结合相应的数据库与上位机,考勤者可在任意地点通过手机或者上位机,得到相关房间的当前信息与历史信息。
在本实施例中,在算法上,采用目标检测算法,通过训练深度神经网络,实现人头在图像中的定位。进一步,结合人头在监控图片中的二维位置信息与房间的三维空间信息,可判断房间中对应座位的人员即被考勤人员是否出席。通过实时记录人员出勤信息并构建数据库存储,将会得到人员准确的考勤时间信息。
本发明创新点在于从时间层面进行了约束。不同于传统的考勤方法,本发明每时每刻地进行非侵入式考察,彻底杜绝了代签、早退等现象。
图1是本发明基于视觉头部检测的自动考勤方法一种具体实施方式流程图。
在本实施例中,如图1所示,本发明基于视觉头部检测的自动考勤方法分为两个大的步骤。
1、工位区域构建
步骤101、对考勤区域进行一段时间的图像采集:等间隔采集n个时刻即T1,T2,T3,…,Tn时刻的考勤图像;
步骤102、对每张考勤图像进行头部检测,得到一系列头部坐标并构成一个对应的人头坐标点集A1,A2,A3,…,An;
步骤103、所有考勤图像的人头坐标点集A1,A2,A3,…,An中总共有m个即头部坐标(x1,y1),(x2,y2),…,(xm,ym),将这些头部坐标绘制在同一张图上,得到一张用于工位区域分割的散点图S;
步骤104、在散点图S中,对散点图S采用腐蚀膨胀方法进行处理,将每个头部坐标点集聚区域作为一个工位区域,从而实现工位区域的分割。
2、考勤
步骤201、对考勤区域进行实时图像采集;
步骤202、对获得的考勤图像进行头部检测,得到一系列头部坐标;
步骤203、将每个头部坐标与每个工位区域进行位置判断,看每个工位区域是否有头部坐标落入其中,如果落入,则该工位区域有人员出勤,否则,该工位区域没有人员出勤。
图2是应用本发明的考勤系统原理框图。
在本实施例中,如图2所示,应用本发明的考勤系统包括三部分:
301:房间顶部的监控系统实时采集考勤区域,在本实施例中为办公室的图像,得到考勤图像,然后送到服务器进行解析;
302:头部检测神经网络的头部检测、工位区域构建以及考勤都置于服务器中,对于实施采集的考勤图像,经过本发明处理后得到人员出勤情况,然后送到联网考勤显示系统,以便对考勤情况进行监督。
具体而言,在本实施例中,如图2所示,位于办公室房间顶部的监控系统的摄像头将考勤图像传输至云端的服务器上,服务器解析后得到人员出勤情况,供考核者利用联网考勤显示系统查看。
服务器初始化阶段,考勤系统结合历史信息即等间隔采集n个时刻即T1,T2,T3,…,Tn时刻的考勤图像构建出l个工位区域,每个工位区域对应一个工位。服务器运行阶段,考勤系统会对当前考勤图像执行头部检测,生成一系列头部坐标。如果有头部坐标落入某个工位区域,就判定对应的工位出勤。整合每个工位的出勤情况,便得到了当前办公室的考勤信息。
图3是图1所示头部检测的一种具体实施方式算法框图。
在本实施例中,如图3所示,头部检测过程为:系统对摄像头传输的图像进行差分运动检测预处理,增强运动物体的轮廓,从而使得一些形状颜色与头部相似的静态目标,如某些黑色背包,黑色椅子靠背等,可以与小幅摆动的头部目标更好的区分开来。接着,增强后的图像被送入头部检测神经网络,先经过卷积层提取图像特征,然后经过全连接层生成对应头部坐标的张量。最后张量被解析成为头部坐标。
其中,卷积层摘取自GoogLeNet的前20层,利用它的输出可以获取更准确的图像表达,可以帮助头部检测神经网络更好的理解图像的特征,获得更优秀的性能。
在本实施例中,将输入图像分割成R*R格(如图4,其中R=13),全连接层利用卷积神经网络的输出,生成(R*R*3)个特征,特征反映了每个小格中的3个信息,分别是小格中存在人头的概率p以及人头在小格中的横坐标x和纵坐标y。取一个p的阈值,过滤后的特征便被解析成为了头部检测算法的结果。
由于头部检测神经网络的卷积层是现成的,需要训练的只有全连接层。比对网络输出的特征与训练集,我们可以构造一个损失函数L,训练的过程便是通过梯度下降使损失函数最小化的过程。
其中训练集提供了每幅图像人为标定的(R*R*3)个参数。标定规则为:如果第i个小格中存在人头,则xi,yi为人头横纵坐标,pi=1,如果第i个小格中不存在人头,则xi,yi,pi皆为0。
用于网络训练的损失函数设定为:
图4是图1所示工位区域构建示意图.
在本实施例中,如图5所示运用头部检测算法,考勤系统在大约两周的初始化阶段中,等间隔采集n个时刻即T1,T2,T3,…,Tn时刻的考勤图像,并采用头部检测算法对这些图像进行头部提取,得到一系列头部坐标并构成一个对应的人头坐标点集A1,A2,A3,…,An,所有考勤图像的人头坐标点集A1,A2,A3,…,An中总共有m个即头部坐标(x1,y1),(x2,y2),…,(xm,ym),将这些头部坐标绘制在同一张图上,得到一张用于工位区域分割的散点图S。
散点图S中的点具有集聚分布的特点,而这些集聚的区域恰是工位区域如图4中的区域1、2、3),对散点图S采用腐蚀膨胀方法进行处理,实现了工位的区域分割。
图6是图2所示的联网考勤显示系统的工作流程图。
在本实施例中,如图6所示,在联网考勤显示系统具有参数设置、设备管理、人员管理、报表查询五个功能。它根据服务器给出的考勤分析数据,能够显示上、下班出勤信息、缺勤信息、请假、加班等信息。同时可灵活的设置诸多参数,如上班信息指几点上班,几点下班,迟到多少分钟算迟到,早退多少分钟算早退等等。即实现了本发明每时每刻地进行非侵入式的实时监督,彻底杜绝了代签、早退、中途溜号等现象。
本系统构建采用HTML5语言,支持各种主流浏览器。因此联网考勤显示系统可部署在手机、平板与电脑等众多终端环境,系统为用户分配账号,用户只需在终端网络页面输入账户密码,便可在任意地点查看考勤数据。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于视觉头部检测的自动考勤方法,其特征在于,包括以下步骤:
(1)、头部检测
首先,摄像头对考勤的区域进行图像采集,并对采集图像进行差分运动检测预处理,以增强运动物体的轮廓,接着,增强后的图像被送入头部检测深度学习神经网络,先经过卷积层提取图像特征,然后经过全连接层生成对应头部坐标的张量,最后张量被解析成为头部坐标;
(2)、工位区域构建
按照步骤(1),对考勤区域进行一段时间的图像采集,对每张考勤图像进行头部检测,得到一系列头部坐标并构成一个对应的人头坐标点,将所有考勤图像的人头坐标点集中的头部坐标绘制在同一张图上,得到一张用于工位区域分割的散点图S;
在散点图S中,通过膨胀腐蚀算法优化每个头部坐标点集聚区域,确定工位,从而实现工位区域的分割;
(3)、考勤
按照步骤(1),对考勤区域进行实时图像采集,对获得的考勤图像进行头部检测,得到一系列头部坐标;
将每个头部坐标与步骤(2)得到的每个工位区域进行位置判断,看每个工位区域是否有头部坐标落入其中,如果落入,则该工位区域有人员出勤,否则,该工位区域没有人员出勤。
2.根据权利要求1所述的自动考勤方法,其特征在于,步骤(1)中,所述卷积层摘取自GoogLeNet的前20层,利用它的输出可以降低输入到全连接层的维度,同时可以帮助头部检测神经网络更好的理解图像的特征,获得更优秀的性能;
增强后的图像分割成R*R格,其中R=13,全连接层利用卷积神经网络的输出,生成(R*R*3)个特征,特征反映了每个小格中的3个信息,分别是小格中存在人头的概率p以及人头在小格中的横坐标x和纵坐标y,取一个p的阈值,过滤后的特征便被解析成为了头部检测算法的结果。
3.根据权利要求1所述的自动考勤方法,其特征在于,步骤(1)中,通过构造一个损失函数L来训练全连接层,训练的过程是通过梯度下降使损失函数最小化的过程;
其中,训练集提供了每幅图像人为标定的(R*R*3)个参数,标定规则为:如果第i个小格中存在人头,则xi,yi为人头横纵坐标,pi=1,如果第i个小格中不存在人头,则xi,yi,pi皆为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711161391.5A CN107798312B (zh) | 2017-11-21 | 2017-11-21 | 一种基于视觉头部检测的自动考勤方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711161391.5A CN107798312B (zh) | 2017-11-21 | 2017-11-21 | 一种基于视觉头部检测的自动考勤方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107798312A CN107798312A (zh) | 2018-03-13 |
CN107798312B true CN107798312B (zh) | 2021-03-30 |
Family
ID=61536308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711161391.5A Active CN107798312B (zh) | 2017-11-21 | 2017-11-21 | 一种基于视觉头部检测的自动考勤方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107798312B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443179B (zh) * | 2019-07-29 | 2021-11-12 | 思百达物联网科技(北京)有限公司 | 离岗检测方法、装置以及存储介质 |
CN112101914A (zh) * | 2020-09-25 | 2020-12-18 | 扬州酷立方众创空间有限公司 | 一种便于考勤管理的办公室管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013029954A (ja) * | 2011-07-28 | 2013-02-07 | Ricoh Co Ltd | 受講状態改善支援システム、装置、方法、プログラム並びに記録媒体 |
CN105551104A (zh) * | 2015-12-21 | 2016-05-04 | 电子科技大学 | 一种基于监控图像座位判别的中小学课堂自动考勤系统 |
CN205644666U (zh) * | 2016-05-13 | 2016-10-12 | 杭州塔网科技有限公司 | 工业生产现场的人员定位及考勤管理智能系统 |
-
2017
- 2017-11-21 CN CN201711161391.5A patent/CN107798312B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013029954A (ja) * | 2011-07-28 | 2013-02-07 | Ricoh Co Ltd | 受講状態改善支援システム、装置、方法、プログラム並びに記録媒体 |
CN105551104A (zh) * | 2015-12-21 | 2016-05-04 | 电子科技大学 | 一种基于监控图像座位判别的中小学课堂自动考勤系统 |
CN205644666U (zh) * | 2016-05-13 | 2016-10-12 | 杭州塔网科技有限公司 | 工业生产现场的人员定位及考勤管理智能系统 |
Non-Patent Citations (2)
Title |
---|
Automated attendance system using machine learning approach;Hemantkumar Rathod et al.;《2017 International Conference on Nascent Technologies in Engineering (ICNTE)》;20170615;第1-5页 * |
基于图像信息的考勤系统的研究与设计;王瑞玲;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160915;第2006年卷(第9期);第I140-256页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107798312A (zh) | 2018-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10812761B2 (en) | Complex hardware-based system for video surveillance tracking | |
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 | |
CN109284737A (zh) | 一种用于智慧教室的学生行为分析和识别系统 | |
CN108009482A (zh) | 一种提高人脸识别效率方法 | |
CN104899556A (zh) | 基于图像识别的教室人数统计系统 | |
CN109145717A (zh) | 一种在线学习的人脸识别方法 | |
CN109190588A (zh) | 一种人口分类的方法及装置 | |
CN105022999A (zh) | 一种人码伴随实时采集系统 | |
CN107798312B (zh) | 一种基于视觉头部检测的自动考勤方法 | |
KR20120076175A (ko) | 고유식별 정보를 이용한 3차원 실시간 거리뷰시스템 | |
CN109873979A (zh) | 一种基于摄像头的静态图像差异比对方法及装置 | |
CN111914742A (zh) | 基于多模态生物特征的考勤方法、系统、终端设备及介质 | |
CN105225283A (zh) | 基于无线路由器和手机的签到考勤方法 | |
CN107622246A (zh) | 人脸识别方法及相关产品 | |
Jaikumar et al. | Fingerprint based student attendance system with SMS alert to parents | |
CN107451797A (zh) | 基于指静脉识别的劳务大数据管理系统及使用方法 | |
CN111241926A (zh) | 考勤与学情分析方法、系统、设备及可读存储介质 | |
CN114420302A (zh) | 一种企事业单位智能防疫控制系统 | |
CN110400119A (zh) | 基于人工智能的面试方法、装置、计算机设备和存储介质 | |
CN107203647B (zh) | 基于生物特征的学生信息采集方法及装置 | |
CN110378261A (zh) | 一种学生识别方法及装置 | |
CN110322086A (zh) | 一种基于智能硬件和云平台的教育板书考核系统 | |
CN115829234A (zh) | 基于课堂检测的自动化督导系统及其工作方法 | |
CN106023043A (zh) | 一种城市规划市民互动系统 | |
CN113326747A (zh) | 教职工人脸识别考勤方法与系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |