CN109389367A - 人员考勤方法、装置及存储介质 - Google Patents
人员考勤方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109389367A CN109389367A CN201811172149.2A CN201811172149A CN109389367A CN 109389367 A CN109389367 A CN 109389367A CN 201811172149 A CN201811172149 A CN 201811172149A CN 109389367 A CN109389367 A CN 109389367A
- Authority
- CN
- China
- Prior art keywords
- image
- camera
- posture
- attendance
- scene
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本申请涉及一种人员考勤方法、装置及存储介质,属于计算机技术领域,该方法包括:获取固定相机采集的第一场景图像;检测目标对象的第一图像在所述第一场景图像中的图像姿态;根据所述固定相机的第一相机姿态和所述图像姿态确定动态相机的第二相机姿态;通过所述动态相机以所述第二相机姿态采集第二场景图像,所述第二场景图像包括所述目标对象的第二图像;对所述第二场景图像进行人脸识别,得到所述目标对象的考勤结果;可以解决已有的考勤方式考勤效率较低的问题;提高待考勤人员的考勤效率;还可以动态规划动态相机的预置位,减少动态相机针对不同场景环境需要设置不同位置时的工作量,提高设备易部署性。
Description
技术领域
本申请涉及人员考勤方法、装置及存储介质,属于计算机技术领域。
背景技术
考勤是指通过某种方式来获得员工或者某些团体、个人在某个特定的场所及特定的时间段内的出勤情况。
目前,考勤的方式包括:在固定地点(比如:门口)、固定设备前刷卡、打指纹;或者,通过应用程序接入指定无线网络进行签到;或者,通过安装在预设位置上的相机采集人脸进行人脸识别等。
然而,这些考勤方式需要考勤人员主动配合,比如:考勤人员主动进行刷卡操作、打指纹操作;或者,考勤人员安装用于签到的应用程序、随身携带安装有该应用程序的设备;或者,将人脸对准相机等,这些操作会影响考勤人员的考勤效率。
发明内容
本申请提供了一种人员考勤方法、装置及存储介质,可以解决已有的考勤方式考勤效率较低的问题。本申请提供如下技术方案:
第一方面,提供了一种人员考勤方法,所述方法包括:
获取固定相机采集的第一场景图像,所述固定相机用于以固定角度采集考勤场景的图像;
检测目标对象的第一图像在所述第一场景图像中的图像姿态;
根据所述固定相机的第一相机姿态和所述图像姿态确定动态相机的第二相机姿态,所述第二相机姿态用于采集符合图像识别标准的所述目标对象的图像;
通过所述动态相机以所述第二相机姿态采集第二场景图像,所述第二场景图像包括所述目标对象的第二图像;
对所述第二场景图像进行人脸识别,得到所述目标对象的考勤结果。
可选地,所述方法还包括:
检测所述第二场景图像中的人脸图像;
对所述人脸图像进行效果评分,所述效果评分与所述人脸图像的识别难度呈负相关关系;
在所述效果评分大于预设阈值时触发执行所述对所述第二场景图像进行人脸识别,得到所述目标对象的考勤结果的步骤。
可选地,所述对所述人脸图像进行效果评分,包括:
确定所述人脸图像的人脸角度,所述人脸角度为人脸在三维空间坐标系中的角度;
确定所述人脸图像的被遮挡面积;
识别所述人脸图像是否包括人脸表情;
根据预设的评分算法、所述人脸角度、所述被遮挡面积和所述人脸表情确定所述效果评分。
可选地,所述对所述第二场景图像进行人脸识别,得到所述目标对象的考勤结果,包括:
使用人脸特征提取算法提取所述第二场景图像中人脸图像中的特征信息;
将所述特征信息与至少一个待考勤人员的模板特征信息进行匹配;
在存在与所述特征信息相匹配的目标模板特征信息时,确定所述目标模板特征信息对应的待考勤人员已到达。
可选地,所述获取固定相机采集的第一场景图像,包括:
在考勤时间段内每隔预设时长获取所述第一场景图像。
可选地,所述根据所述固定相机的第一相机姿态和所述图像姿态确定动态相机的第二相机姿态,包括:
根据所述第一相机姿态确定所述动态相机与所述固定相机之间的相对位置关系;
根据所述第一相机姿态确定所述动态相机与所述固定相机之间的相对角度关系;
通过转换算法根据所述相对位置关系、所述相对角度关系和所述图像姿态确定所述第二相机姿态。
可选地,所述固定相机的数量为至少一台;至少一台固定相机采集到的第一场景图像拼接成所述考勤场景的全景图像。
第二方面,提供了一种人员考勤装置,所述装置包括:
图像获取模块,用于获取固定相机采集的第一场景图像,所述固定相机用于以固定角度采集考勤场景的图像;
图像检测模块,用于检测目标对象的第一图像在所述第一场景图像中的图像姿态;
姿态确定模块,用于根据所述固定相机的第一相机姿态和所述图像姿态确定动态相机的第二相机姿态,所述第二相机姿态用于采集符合图像识别标准的所述目标对象的图像;
图像采集模块,用于通过所述动态相机以所述第二相机姿态采集第二场景图像,所述第二场景图像包括所述目标对象的第二图像;
图像识别模块,用于对所述第二场景图像进行人脸识别,得到所述目标对象的考勤结果。
可选地,所述装置还包括:
人脸检测模块,用于检测所述第二场景图像中的人脸图像;
效果评分模块,用于对所述人脸图像进行效果评分,所述效果评分与所述人脸图像的识别难度呈负相关关系;
所述图像识别模块,还用于在所述效果评分大于预设阈值时,执行对所述第二场景图像进行人脸识别,得到所述目标对象的考勤结果的步骤。
可选地,所述效果评分模块,用于:
确定所述人脸图像的人脸角度,所述人脸角度为人脸在三维空间坐标系中的角度;
确定所述人脸图像的被遮挡面积;
识别所述人脸图像是否包括人脸表情;
根据预设的评分算法、所述人脸角度、所述被遮挡面积和所述人脸表情确定所述效果评分。
可选地,所述图像识别模块,用于:
使用人脸特征提取算法提取所述第二场景图像中人脸图像中的特征信息;
将所述特征信息与至少一个待考勤人员的模板特征信息进行匹配;
在存在与所述特征信息相匹配的目标模板特征信息时,确定所述目标模板特征信息对应的待考勤人员已到达。
可选地,所述图像获取模块,用于:
在考勤时间段内每隔预设时长获取所述第一场景图像。
可选地,所述姿态确定模块,用于:
根据所述第一相机姿态确定所述动态相机与所述固定相机之间的相对位置关系;
根据所述第一相机姿态确定所述动态相机与所述固定相机之间的相对角度关系;
通过转换算法根据所述相对位置关系、所述相对角度关系和所述图像姿态确定所述第二相机姿态。
可选地,所述固定相机的数量为至少一台;至少一台固定相机采集到的第一场景图像拼接成所述考勤场景的全景图像。
第三方面,提供一种人员考勤装置,所述装置包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现第一方面所述的人员考勤方法。
第四方面,提供一种计算机可读存储介质,所述存储介质中存储有程序,所述程序由所述处理器加载并执行以实现第一方面所述的人员考勤方法。
本申请的有益效果在于:通过获取固定相机采集的第一场景图像,固定相机用于以固定角度采集考勤场景的图像;检测目标对象的第一图像在第一场景图像中的图像姿态;根据固定相机的第一相机姿态和图像姿态确定动态相机的第二相机姿态;通过动态相机以第二相机姿态采集第二场景图像,第二场景图像包括目标对象的第二图像;对第二场景图像进行人脸识别,得到目标对象的考勤结果;可以解决已有的考勤方式考勤效率较低的问题;由于待考勤人员无需主动执行考勤操作,比如刷卡、按指纹等操作,就可以通过固定相机和动态相机相结合实现对待考勤人员的识别,可以提高待考勤人员的考勤效率。
另外,根据固定相机的第一相机姿态和图像姿态确定动态相机的第二相机姿态,通过动态相机以第二相机姿态采集第二场景图像;可以解决手动设置动态相机的巡航区域时,根据巡航环境的变化需要提前手动重新配置动态相机的巡航区域,导致考勤效率较低的问题;由于本申请中动态相机可以根据固定相机的第一相机姿态和拍摄得到的第一场景图像的图像姿态来自动确定动态相机的第二相机姿态,即可以自动地动态规划动态相机的位置;因此,可以减少针对不同场景环境需要设置动态相机的位置时的工作量,提高设备易部署性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的人员考勤系统的结构示意图;
图2是本申请一个实施例提供的固定相机的分布示意图;
图3是本申请另一个实施例提供的固定相机的分布示意图;
图4是本申请一个实施例提供的人员考勤方法的流程图;
图5是本申请一个实施例提供的固定相机与动态相机之间的相对位置关系的示意图;
图6是本申请一个实施例提供的固定相机与动态相机之间的相对角度关系的示意图;
图7是本申请一个实施例提供的人员考勤装置的框图;
图8是本申请一个实施例提供的人员考勤装置的框图。
具体实施方式
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
可选地,本申请提供的人员考勤方法可以应用于教室、会议室等多人参与且需要考勤的场景中,本实施例不对该人员考勤方法的应用场景作限定。
图1是本申请一个实施例提供的人员考勤系统的结构示意图,如图1所示,该系统至少包括:固定相机110、动态相机120和处理系统130。
固定相机110是指以固定角度采集考勤场景的图像的相机。比如:固定在三脚架、墙面上等的相机。
可选地,固定相机110安装在考勤场景中,固定相机110的数量为至少一个,且至少一台固定相机110采集到的第一场景图像拼接成考勤场景的全景图像。
可选地,固定相机110采集第一场景图像时的采集角度,可以保证第一场景图像中目标对象的图像能够达到处理系统130检测目标对象的检测标准。示意性地,检测标准包括:目标对象的图像的面积大于第一面积阈值。第一面积阈值存储在处理系统130中,比如:第一面积阈值可以为4*4像素、10*10像素等,本实施例不对第一面积阈值的取值作限定。
目标对象可以是考勤场景中的人员。
比如:参考图2,固定相机110为广角照相机,考勤场景为教室,该固定相机110安装在教室正前方,且在上方居中位置。
又比如:参考图3,固定相机110为广角照相机,考勤场景为大会堂,至少一个固定相机110安装在大会堂四周,且相邻的两个固定相机110的采集区域存在重叠。
可选地,固定相机110具有无线通信功能,固定相机110采集到考勤场景的第一场景图像后,可以将该第一场景图像发送至处理系统130;或者,固定相机110具有存储功能,固定相机110采集到考勤场景的第一场景图像后,可以将该第一场景图像存储至存储介质,处理系统130通过安装该存储介质读取该第一场景图像;或者,固定相机110与处理系统130之间建立有线连接,固定相机110采集到考勤场景的第一场景图像后,通过该有线连接可以将该第一场景图像发送至处理系统130。
处理系统130可以是服务器;或者,也可以是具有处理能力的终端,比如:计算机、手机、可穿戴式设备、平板电脑等芯片级系统(或称,片上系统)(System on Chip,SoC)。
处理系统130用于获取固定相机110采集的第一场景图像;识别目标对象的第一图像在第一场景图像中的图像姿态;根据固定相机110的第一相机姿态和图像姿态确定动态相机120的第二相机姿态;通过动态相机120以第二相机姿态采集第二场景图像;对第二场景图像进行人脸识别,得到目标对象的考勤结果。
其中,第二相机姿态用于采集符合图像识别标准的目标对象的图像,第二场景图像包括目标对象的第二图像。
可选地,处理系统130通过检测算法检测第一场景图像中的第一图像。检测算法的类型包括但不限于以下几种中的至少一种:帧间差分法、背景建模法、点检测法、图像分割法、聚类分析法和运动矢量场法。示意性地,检测算法为聚类分析法中的基于卷积神经网络的单次多框检测器(Single Shot MultiBox Detector,SSD)目标检测算法。
处理系统130在检测出第一场景图像包括目标对象的第一图像时,则获取该第一图像在第一场景图像中的图像姿态。
动态相机120是指拍摄角度和拍摄位置可以动态变化的相机。可选地,动态相机120包括电动云台和相机,电动云台是指通过处理系统130控制其转动以及移动的方向的、用于支撑相机的设备。可选地,动态相机120的数量为至少一个。
本申请中,处理系统130会记录固定相机110的第一相机姿态和动态相机120的第二相机姿态,以供处理系统130根据第一相机姿态和第二相机姿态后续对动态相机120进行调整。
可选地,相机姿态(包括第一相机姿态和第二相机姿态)包括相机的角度和位置。
可选地,固定相机110或者动态相机120可以与处理系统130设置在同一设备中;也可以设置在不同设备中,本实施例对此不作限定。
本申请中,相机是一种利用电子传感器把光学影像转换成电子数据的照相机。在其它实施例中,相机也可以称为图像采集装置、摄像机、照相机、数码相机、电子数码等,本实施例不对相机的名称作限定。
图4是本申请一个实施例提供的人员考勤方法的流程图,本实施例以该方法应用于图1所示的人员考勤系统中,且各个步骤的执行主体为处理系统130为例进行说明。该方法至少包括以下几个步骤:
步骤410,获取固定相机采集的第一场景图像。
固定相机用于以固定角度采集考勤场景的图像。
可选地,固定相机的数量为至少一台,第一场景图像可以是考勤场景的全景图像;或者,也可以是考勤场景的全景图像中的一部分场景图像,至少一台固定相机采集到的第一场景图像拼接成考勤场景的全景图像。
可选地,处理系统在考勤时间段内每隔预设时长获取第一场景图像。预设时长可以是5分钟(min)、10min等,本实施例不对预设时长的取值作限定。
可选地,固定相机每隔预设时长采集第一场景图像,并将该第一场景图像发送至处理系统;或者,处理系统每隔预设时长向固定相机发送采集指令,固定相机根据该采集指令采集第一场景图像,并将该第一场景图像发送至处理系统;当然,处理系统还可以通过其他方式获取第一场景图像,本实施例对此不作限定。
步骤420,检测目标对象的第一图像在第一场景图像中的图像姿态。
可选地,目标对象为考勤场景中的人员,比如:目标对象为考勤场景中的待考勤人员,或者,目标对象为考勤场景中无需进行考勤的人员。处理系统通过检测算法检测第一场景图像是否存在目标对象的第一图像;第一场景图像存在第一图像时获取第一图像在第一场景图像中的图像姿态。
可选地,检测算法的基本原理是:先通过训练集学习得到分类器;然后,在测试图像中以不同长度的窗口滑动扫描整个图像;每次扫描做一次分类,判断当前的窗口是否为要检测的目标。检测算法的类型包括但不限于以下几种中的至少一种:背景建模法(比如:时间平均模型算法、混合高斯模型算法、动态纹理背景算法等)、点检测法(比如:莫拉韦茨Moravec检测器算法、Harris检测器算法、仿射不变点检测算法等)、图像分割法(比如:均值漂移Mean Shift算法、图像分割Graph-cut算法、活动轮廓Active Contours算法)、聚类分析法(比如:支持向量机、神经网络、自适应推进Adaptive Boosting算法、基于卷积神经网络的SSD目标检测算法)、运动矢量场法等,本实施例不对检测算法的类型作限定。
可选地,图像姿态可以通过第一图像占据的每个像素的像素坐标来表示;或者,通过第一图像的轮廓占据的每个像素的像素坐标来表示,本实施例不对图像姿态的表示方式作限定。
步骤430,根据固定相机的第一相机姿态和图像姿态确定动态相机的第二相机姿态。
第二相机姿态用于采集符合图像识别标准的目标对象的图像。可选地,图像识别标准包括但不限于以下几种中的至少一种:清晰度达到预设清晰度、目标对象的角度在预设角度之内、第二图像的成像面积大于第二面积阈值。
其中,预设清晰度存储在处理系统中。目标对象的角度包括侧视角度和/或俯仰角度;侧视角度的预设角度可以为延垂直于图像方向旋转的角度大于第一预设值且小于第二预设值,俯仰角度预设角度可以为延平行于图像方向旋转的角度大于第三预设值且小于第四预设值,其中,第一预设值、第二预设值、第三预设值和第四预设值均预设在处理系统中,第一预设值可以为-10°,第二预设值可以为+10°,第三预设值可以为-10°,第四预设值可以为+10°。第二面积阈值可以与第一面积阈值相同;或者,也可以与第一面积阈值不同,本实施例不对第二面积阈值的取值作限定。
可选地,根据固定相机的第一相机姿态和图像姿态确定动态相机的第二相机姿态,包括:根据第一相机姿态确定动态相机与固定相机之间的相对位置关系;根据第一相机姿态确定动态相机与固定相机之间的相对角度关系;通过转换算法根据相对位置关系、相对角度关系和图像姿态确定第二相机姿态。
处理系统可以获取到动态相机当前的相机位置;根据固定相机的第一相机姿态指示的位置和动态相机当前的相机位置确定相对位置关系。
比如:参考图5,第一相机姿态指示的位置为(0,50,80),动态相机当前的位置为(0,49,80),则相对位置关系为与相对固定相机的位置相差(0,-1,0)。
处理系统可以获取到动态相机当前的相机角度;根据固定相机的第一相机姿态指示的角度和动态相机当前的角度确定相对角度关系。
比如:参考图6,第一相机姿态指示的角度为(0°,-10°),动态相机当前的位置为(-10°,-10°),则相对角度关系为与相对固定相机的角度相差(-10°,0°)。其中,横坐标为俯仰方向,纵坐标为侧视方向。
可选地,处理系统在通过转换算法根据相对位置关系、相对角度关系和图像姿态确定第二相机姿态时,确定图像姿态指示的图像位置转换后的期望位置;根据期望位置与图像位置之间的图像位置关系,通过坐标转换算法将图像位置关系转换为期望位置关系;按照期望位置关系调整相对位置关系,得到第二相机姿态指示的相机位置。其中,期望位置关系是指期望的动态相机与固定相机之间的相对位置关系。
可选地,处理系统在通过转换算法根据相对位置关系、相对角度关系和图像姿态确定第二相机姿态时,确定图像姿态指示的图像角度转换后的期望角度;根据期望角度与图像角度之间的图像角度关系,通过角度转换算法将图像角度关系转换为期望角度关系;按照期望角度关系调整相对角度关系,得到第二相机姿态指示的相机角度。其中,相对角度关系是指期望的动态相机与固定相机之间的相对角度关系。
步骤440,通过动态相机以第二相机姿态采集第二场景图像。
第二场景图像包括目标对象的第二图像。目标对象的第二图像符合图像识别标准。
步骤450,对第二场景图像进行人脸识别,得到目标对象的考勤结果。
可选地,处理系统对第二场景图像进行人脸识别,得到目标对象的考勤结果,包括:使用人脸特征提取算法提取第二场景图像中人脸图像中的特征信息;将特征信息与至少一个待考勤人员的模板特征信息进行匹配;在存在与特征信息相匹配的目标模板特征信息时,确定目标模板特征信息对应的待考勤人员已到达。
可选地,在不存在与特征信息相匹配的目标模板特征信息时流程结束;或者,对其它人脸图像进行识别。
其中,存在与特征信息相匹配的目标模板特征信息是指:人脸图像中的特征信息与目标模板特征信息的相似度大于相似度阈值。相似度阈值存储在处理系统中,该相似度阈值可以为90%、80%等,本实施例不对相似度阈值的取值作限定。
其中,人脸识别算法可以为深度学习算法,比如:残差网络(Residual Network,ResNet)算法;和/或,为非深度学习算法,比如:局部二值模式(local binary pattern,LBP)、Haar-like特征算法等,当然,人脸识别算法还可以为其他算法,本实施例对此不作限定。
综上所述,本实施例提供的人员考勤方法,通过获取固定相机采集的第一场景图像,固定相机用于以固定角度采集考勤场景的图像;检测目标对象的第一图像在第一场景图像中的图像姿态;根据固定相机的第一相机姿态和图像姿态确定动态相机的第二相机姿态;通过动态相机以第二相机姿态采集第二场景图像,第二场景图像包括目标对象的第二图像;对第二场景图像进行人脸识别,得到目标对象的考勤结果;可以解决已有的考勤方式考勤效率较低的问题;由于待考勤人员无需主动执行考勤操作,比如刷卡、按指纹等操作,就可以通过固定相机和动态相机相结合实现对待考勤人员的识别,可以提高待考勤人员的考勤效率。
另外,根据固定相机的第一相机姿态和图像姿态确定动态相机的第二相机姿态,通过动态相机以第二相机姿态采集第二场景图像;可以解决手动设置动态相机的巡航区域时,根据巡航环境的变化需要提前手动重新配置动态相机的巡航区域,导致考勤效率较低的问题;由于本申请中动态相机可以根据固定相机的第一相机姿态和拍摄得到的第一场景图像的图像姿态来自动确定动态相机的第二相机姿态,即可以自动地动态规划动态相机的位置;因此,可以减少针对不同场景环境需要设置动态相机的位置时的工作量,提高设备易部署性。
可选地,基于上述实施例,在步骤405之前,本申请提供的人员考勤方法还包括:检测第二场景图像中的人脸图像;对人脸图像进行效果评分;在效果评分大于预设阈值时,执行步骤405。其中,效果评分与人脸图像的识别难度呈负相关关系。预设阈值可以为5、3等,本实施例不对预设阈值的取值作限定。
可选地,处理系统通过检测算法检测第二场景图像中的人脸图像。
可选地,对人脸图像进行效果评分,包括:确定人脸图像的人脸角度,该人脸角度为人脸在三维空间坐标系中的角度;确定人脸图像的被遮挡面积;识别人脸图像是否包括人脸表情;根据预设的评分算法、人脸角度、被遮挡面积和人脸表情确定效果评分。比如:人脸角度在预设角度范围内时加权值为1,人脸角度不在预设角度范围内时加权值为0;被遮挡面积小于第三面积阈值时加权值为2,被遮挡面积大于或等于第三面积阈值时加权值为0;人脸图像未包括人脸表情时加权值为1;人脸图像包括人脸表情时加权值为0,效果评分为将加权值相加。
可选地,三维空间坐标系的建立方式包括:以人脸图像所在平面的中点为原点,水平方向为x轴、垂直方向为y轴、垂直于该平面的轴为z轴。预设角度范围包括人脸绕x轴旋转的角度范围、人脸绕y轴旋转的角度范围和人脸绕z轴旋转的角度范围中的至少一种,预设角度范围是基于人脸正对镜头时的拍摄角度得到的,比如:若人脸正对镜头时的拍摄角度为绕x轴旋转0度、绕y轴旋转0度、绕z轴旋转0度,则预设角度范围可以是绕x轴旋转(-5,+5)度、绕y轴旋转(-10,10)度、绕z轴旋转(-15,10)度等,本实施例不对预设角度范围的设置方式作限定。其中,人脸图像在三维坐标系z轴方向的深度可以是根据图像灰度和/或亮度变化得到的。当然,处理系统识别人脸角度方式也可以为其他方式,本实施例不对人脸角度的识别方式作限定。
可选地,在效果评分小于或等于预设阈值时,不执行步骤405,处理系统记录当前动态相机的第二相机姿态,重新执行步骤403。
综上所述,由于人脸识别过程需要消耗较多的处理资源,本实施例中通过对人脸图像进行效果评分;在人脸图像的效果评分大于预设阈值时才对人脸图像进行人脸识别;可以避免处理系统对所有的人脸图像均进行人脸识别时负荷较重,得到考勤结果的实时性较差的问题;因此,可以降低处理系统的负荷,提高处理系统得到考勤结果的实时性。
可选地,基于上述实施例,对于步骤403-405,处理系统可以执行预设次数;在预设次数的识别结果中确定相似度最大的人脸图像对应的目标模板特征信息;确定该目标模板特征信息对应的待考勤人员已到达。
图7是本申请一个实施例提供的人员考勤装置的框图,本实施例以该装置应用于图1所示的人员考勤系统中的处理系统130中为例进行说明。该装置至少包括以下几个模块:图像获取模块710、图像检测模块720、姿态确定模块730、图像采集模块740和图像识别模块750。
图像获取模块710,用于获取固定相机采集的第一场景图像,所述固定相机用于以固定角度采集考勤场景的图像;
图像检测模块720,用于检测目标对象的第一图像在所述第一场景图像中的图像姿态;
姿态确定模块730,用于根据所述固定相机的第一相机姿态和所述图像姿态确定动态相机的第二相机姿态,所述第二相机姿态用于采集符合图像识别标准的所述目标对象的图像;
图像采集模块740,用于通过所述动态相机以所述第二相机姿态采集第二场景图像,所述第二场景图像包括所述目标对象的第二图像;
图像识别模块750,用于对所述第二场景图像进行人脸识别,得到所述目标对象的考勤结果。
可选地,所述装置还包括:
人脸检测模块,用于检测所述第二场景图像中的人脸图像;
效果评分模块,用于对所述人脸图像进行效果评分,所述效果评分与所述人脸图像的识别难度呈负相关关系;
所述图像识别模块750,还用于在所述效果评分大于预设阈值时,对所述第二场景图像进行人脸识别,得到所述目标对象的考勤结果。
可选地,所述效果评分模块,用于:
确定所述人脸图像的人脸角度,所述人脸角度为人脸在三维空间坐标系中的角度;
确定所述人脸图像的被遮挡面积;
识别所述人脸图像是否包括人脸表情;
根据预设的评分算法、所述人脸角度、所述被遮挡面积和所述人脸表情确定所述效果评分。
可选地,所述图像识别模块750,用于:
使用人脸特征提取算法提取所述第二场景图像中人脸图像中的特征信息;
将所述特征信息与至少一个待考勤人员的模板特征信息进行匹配;
在存在与所述特征信息相匹配的目标模板特征信息时,确定所述目标模板特征信息对应的待考勤人员已到达。
可选地,所述图像获取模块710,用于:
在考勤时间段内每隔预设时长获取所述第一场景图像。
可选地,所述姿态确定模块730,用于:
根据所述第一相机姿态确定所述动态相机与所述固定相机之间的相对位置关系;
根据所述第一相机姿态确定所述动态相机与所述固定相机之间的相对角度关系;
通过转换算法根据所述相对位置关系、所述相对角度关系和所述图像姿态确定所述第二相机姿态。
可选地,所述固定相机的数量为至少一台;至少一台固定相机采集到的第一场景图像拼接成所述考勤场景的全景图像。
相关细节参考上述方法实施例。
需要说明的是:上述实施例中提供的人员考勤装置在进行人员考勤时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将人员考勤装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的人员考勤装置与人员考勤方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图8是本申请一个实施例提供的人员考勤装置的框图,该装置可以是图1所示的人员考勤系统中的终端110;或者,也可以是图1所示的人员考勤系统中的处理系统130。该装置至少包括处理器801和存储器802。
处理器801可以包括一个或多个处理核心,比如:4核心处理器、8核心处理器等。处理器801可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA
(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现;处理器801可以是基于进阶精简指令集机器(Advanced RISC Machine,ARM)的处理器;或者是基于X86的处理,本实施例不对处理器801的指令集架构的类型作限定。处理器801也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central Processing Unit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。一些实施例中,处理器801还可以包括AI(ArtificialIntelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器802可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器802中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的人员考勤方法。
在一些实施例中,人员考勤装置还可选包括有:外围设备接口和至少一个外围设备。处理器801、存储器802和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地,外围设备包括但不限于:射频电路、音频电路、和电源等。
当然,人员考勤装置还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的人员考勤方法。
可选地,本申请还提供有一种计算机产品,该计算机产品包括计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的人员考勤方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种人员考勤方法,其特征在于,所述方法包括:
获取固定相机采集的第一场景图像,所述固定相机用于以固定角度采集考勤场景的图像;
检测目标对象的第一图像在所述第一场景图像中的图像姿态;
根据所述固定相机的第一相机姿态和所述图像姿态确定动态相机的第二相机姿态,所述第二相机姿态用于采集符合图像识别标准的所述目标对象的图像;
通过所述动态相机以所述第二相机姿态采集第二场景图像,所述第二场景图像包括所述目标对象的第二图像;
对所述第二场景图像进行人脸识别,得到所述目标对象的考勤结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
检测所述第二场景图像中的人脸图像;
对所述人脸图像进行效果评分,所述效果评分与所述人脸图像的识别难度呈负相关关系;
在所述效果评分大于预设阈值时触发执行所述对所述第二场景图像进行人脸识别,得到所述目标对象的考勤结果的步骤。
3.根据权利要求2所述的方法,其特征在于,所述对所述人脸图像进行效果评分,包括:
确定所述人脸图像的人脸角度,所述人脸角度为人脸在三维空间坐标系中的角度;
确定所述人脸图像的被遮挡面积;
识别所述人脸图像是否包括人脸表情;
根据预设的评分算法、所述人脸角度、所述被遮挡面积和所述人脸表情确定所述效果评分。
4.根据权利要求1至3任一所述的方法,其特征在于,所述对所述第二场景图像进行人脸识别,得到所述目标对象的考勤结果,包括:
使用人脸特征提取算法提取所述第二场景图像中人脸图像的特征信息;
将所述特征信息与至少一个待考勤人员的模板特征信息进行匹配;
在存在与所述特征信息相匹配的目标模板特征信息时,确定所述目标模板特征信息对应的待考勤人员已到达。
5.根据权利要求1所述的方法,其特征在于,所述获取固定相机采集的第一场景图像,包括:
在考勤时间段内每隔预设时长获取所述第一场景图像。
6.根据权利要求1所述的方法,其特征在于,所述根据所述固定相机的第一相机姿态和所述图像姿态确定动态相机的第二相机姿态,包括:
根据所述第一相机姿态确定所述动态相机与所述固定相机之间的相对位置关系;
根据所述第一相机姿态确定所述动态相机与所述固定相机之间的相对角度关系;
通过转换算法根据所述相对位置关系、所述相对角度关系和所述图像姿态确定所述第二相机姿态。
7.根据权利要求1所述的方法,其特征在于,所述固定相机的数量为至少一台;至少一台固定相机采集到的第一场景图像拼接成所述考勤场景的全景图像。
8.一种人员考勤装置,其特征在于,所述装置包括:
图像获取模块,用于获取固定相机采集的第一场景图像,所述固定相机用于以固定角度采集考勤场景的图像;
图像检测模块,用于检测目标对象的第一图像在所述第一场景图像中的图像姿态;
姿态确定模块,用于根据所述固定相机的第一相机姿态和所述图像姿态确定动态相机的第二相机姿态,所述第二相机姿态用于采集符合图像识别标准的所述目标对象的图像;
图像采集模块,用于通过所述动态相机以所述第二相机姿态采集第二场景图像,所述第二场景图像包括所述目标对象的第二图像;
图像识别模块,用于对所述第二场景图像进行人脸识别,得到所述目标对象的考勤结果。
9.一种人员考勤装置,其特征在于,所述装置包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的人员考勤方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如权利要求1至7任一项所述的人员考勤方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811172149.2A CN109389367B (zh) | 2018-10-09 | 2018-10-09 | 人员考勤方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811172149.2A CN109389367B (zh) | 2018-10-09 | 2018-10-09 | 人员考勤方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389367A true CN109389367A (zh) | 2019-02-26 |
CN109389367B CN109389367B (zh) | 2021-06-18 |
Family
ID=65426753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811172149.2A Active CN109389367B (zh) | 2018-10-09 | 2018-10-09 | 人员考勤方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389367B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977850A (zh) * | 2019-03-23 | 2019-07-05 | 西安电子科技大学 | 基于人脸识别的课堂姓名提示方法 |
CN112073640A (zh) * | 2020-09-15 | 2020-12-11 | 贝壳技术有限公司 | 全景信息采集位姿获取方法及装置、系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236599A (zh) * | 2007-12-29 | 2008-08-06 | 浙江工业大学 | 基于多摄像机信息融合的人脸识别检测装置 |
CN102799877A (zh) * | 2012-09-11 | 2012-11-28 | 上海中原电子技术工程有限公司 | 人脸图像筛选方法及系统 |
CN106650671A (zh) * | 2016-12-27 | 2017-05-10 | 深圳英飞拓科技股份有限公司 | 人脸识别方法、装置及系统 |
CN108012083A (zh) * | 2017-12-14 | 2018-05-08 | 深圳云天励飞技术有限公司 | 人脸采集方法、装置及计算机可读存储介质 |
-
2018
- 2018-10-09 CN CN201811172149.2A patent/CN109389367B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236599A (zh) * | 2007-12-29 | 2008-08-06 | 浙江工业大学 | 基于多摄像机信息融合的人脸识别检测装置 |
CN102799877A (zh) * | 2012-09-11 | 2012-11-28 | 上海中原电子技术工程有限公司 | 人脸图像筛选方法及系统 |
CN106650671A (zh) * | 2016-12-27 | 2017-05-10 | 深圳英飞拓科技股份有限公司 | 人脸识别方法、装置及系统 |
CN108012083A (zh) * | 2017-12-14 | 2018-05-08 | 深圳云天励飞技术有限公司 | 人脸采集方法、装置及计算机可读存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977850A (zh) * | 2019-03-23 | 2019-07-05 | 西安电子科技大学 | 基于人脸识别的课堂姓名提示方法 |
CN109977850B (zh) * | 2019-03-23 | 2023-01-06 | 西安电子科技大学 | 基于人脸识别的课堂姓名提示方法 |
CN112073640A (zh) * | 2020-09-15 | 2020-12-11 | 贝壳技术有限公司 | 全景信息采集位姿获取方法及装置、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109389367B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109558764B (zh) | 人脸识别方法及装置、计算机设备 | |
CN109711243B (zh) | 一种基于深度学习的静态三维人脸活体检测方法 | |
US11386699B2 (en) | Image processing method, apparatus, storage medium, and electronic device | |
CN107766786B (zh) | 活性测试方法和活性测试计算设备 | |
JP7266106B2 (ja) | 画像座標系の変換方法並びにその、装置、機器およびコンピュータプログラム | |
CN111243093B (zh) | 三维人脸网格的生成方法、装置、设备及存储介质 | |
CN111862296B (zh) | 三维重建方法及装置、系统、模型训练方法、存储介质 | |
US7554575B2 (en) | Fast imaging system calibration | |
CN108200334B (zh) | 图像拍摄方法、装置、存储介质及电子设备 | |
CN111476709B (zh) | 人脸图像处理方法、装置及电子设备 | |
JP2012155391A (ja) | 姿勢状態推定装置および姿勢状態推定方法 | |
CN111626163B (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
WO2022252642A1 (zh) | 基于视频图像的行为姿态检测方法、装置、设备及介质 | |
CN113658211B (zh) | 一种用户姿态的评估方法、装置以及处理设备 | |
CN110363133A (zh) | 一种视线检测和视频处理的方法、装置、设备和存储介质 | |
CN111091075A (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN111339831A (zh) | 一种照明灯控制方法和系统 | |
WO2021197466A1 (zh) | 眼球检测方法、装置、设备及存储介质 | |
CN109977764A (zh) | 基于平面检测的活体识别方法、装置、终端及存储介质 | |
CN110909617B (zh) | 基于双目视觉的活体人脸检测方法及装置 | |
CN109389367A (zh) | 人员考勤方法、装置及存储介质 | |
CN112766065A (zh) | 一种移动端考生身份认证方法、装置、终端及存储介质 | |
WO2021026281A1 (en) | Adaptive hand tracking and gesture recognition using face-shoulder feature coordinate transforms | |
CN109191522B (zh) | 一种基于三维建模的机器人位移纠正方法及系统 | |
CN115482285A (zh) | 图像对齐方法、装置、设备及存储介质 |
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 |