CN109829418A - 一种基于背影特征的打卡方法、装置和系统 - Google Patents
一种基于背影特征的打卡方法、装置和系统 Download PDFInfo
- Publication number
- CN109829418A CN109829418A CN201910081426.7A CN201910081426A CN109829418A CN 109829418 A CN109829418 A CN 109829418A CN 201910081426 A CN201910081426 A CN 201910081426A CN 109829418 A CN109829418 A CN 109829418A
- Authority
- CN
- China
- Prior art keywords
- user
- video
- back side
- style
- clothes
- 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
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本申请公开了一种基于背影特征的打卡方法、装置和系统。其中方法包括:对第一时间段内拍摄的第一视频进行人脸识别,确定用户身份;截取该用户出现的视频片段并保存;基于服装模型估计用户服装的背面款式,将该背面款式和对应的用户身份保存在数据库中;对第二时间段内拍摄的第二视频进行人物识别,利用基于服装模型得到视频中用户服装的背面款式,将该背面款式与数据库中的背面款式进行匹配,确定用户身份,进行打卡操作。本申请通过拍摄视频员工正面的视频,对视频进行人物特征的分析,得到背影特征,从而在下班时间段,员工不用必须进行打卡操作才能对打卡时间进行记录,直接下班就能实现打卡,节省了员工的时间,提升了用户体验。
Description
技术领域
本申请涉及图像分析技术领域,特别是涉及一种打卡方法、装置和系统,更具体地,涉及一种基于背影特征的打卡方法、装置和系统。
背景技术
目前,基于指纹、人脸等特征的打卡系统越来越普及。该系统虽然替代了效率低下的纸质、刷卡等考勤产品,但仍然存在诸多弊端。比如,人脸打卡需要正面或规定角度内的人脸图像,意味着人必须主动找到摄像头进行识别。通常,打卡系统的摄像头设置在公司门外的墙壁上,便于员工上班打卡。由于摄像头部署的局限性,员工在下班时还需要在摄像头前进行指纹、人脸等特征的采集才能实现下班打卡。该方法这增加了员工的负担,降低了打卡效率。同时,员工在下班时容易忘记打卡,造成考勤统计数据与员工实际出勤数据不一致。
发明内容
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。
根据本申请的第一个方面,提供了一种打卡方法,包括:
身份识别步骤:对第一时间段内拍摄的第一视频进行人脸识别,确定所述视频中所有用户的用户身份;
视频截取步骤:对于每一个用户,截取该用户在所述视频中出现的视频片段并保存所述视频片段;
服装款式估计步骤:基于服装模型,根据所述视频片段中拍摄的用户所穿服装的正面款式估计该服装的背面款式,将该背面款式和对应的用户身份保存在数据库中;
打卡步骤:对第二时间段内拍摄的第二视频进行人物识别,利用所述基于服装模型得到视频中每个用户所穿服装的背面款式,将该背面款式与所述数据库中保存的背面款式进行匹配,得到匹配度最大并且所述匹配度大于或等于第一指定阈值的背面款式对应的用户身份,对该用户进行打卡操作。
可选地,所述身份识别步骤包括:
对第一时间段内拍摄的第一视频进行人物识别,截取视频图片进行人脸特征分析,得到每个用户的人脸特征,基于人脸识别模型计算所述人脸特征与预存的人脸特征之间的距离,将距离最小的人脸特征所对应的用户身份确定为该用户的用户身份。
可选地,对所述人脸识别模型采用如下方式进行训练:
对于每个用户,利用人脸识别模型对用户的照片进行人脸检测、关键点定位和特征信息提取,得到该用户的人脸特征,将该人脸特征和该用户的用户身份关联,以训练该人脸识别模型。
可选地,对所述服装模型采用如下方式进行训练:
将多种款式的服装的各个角度的图片作为训练数据集合,将该服装的背面图片与其他角度的图片相关联,通过深度学习训练服装模型,使得所述服装模型能够根据服装的正面款式估计背面款式。
可选地,在所述视频截取步骤后,该方法还包括:
人体特征分析步骤:对所述视频片段进行人体特征分析,得到该用户的人体特征,所述人体特征包括以下特征中的一个或多个:身高、发型、体型,将该人体特征和对应的用户身份保存在数据库中;
相应地,所述打卡步骤还包括:
对第二时间段内拍摄的第二视频进行人物识别,对第二视频中出现的每个用户进行人体特征分析,并与所述数据库中保存的人体特征进行匹配,所得到人体特征对应的用户身份,在该用户身份与通过背面款式分析得到的用户身份一致的情况下,对该用户进行打卡操作。
根据本申请的第二个方面,提供了一种打卡装置,包括:
身份识别模块,其配置成用于对第一时间段内拍摄的第一视频进行人脸识别,确定所述视频中所有用户的用户身份;
视频截取模块,其配置成用于对于每一个用户,截取该用户在所述视频中出现的视频片段并保存所述视频片段;
服装款式估计模块,其配置成用于基于服装模型,根据所述视频片段中拍摄的用户所穿服装的正面款式估计该服装的背面款式,将该背面款式和对应的用户身份保存在数据库中;和
打卡模块,其配置成用于对第二时间段内拍摄的第二视频进行人物识别,利用所述基于服装模型得到视频中每个用户所穿服装的背面款式,将该背面款式与所述数据库中保存的背面款式进行匹配,得到匹配度最大并且所述匹配度大于或等于第一指定阈值的背面款式对应的用户身份,对该用户进行打卡操作。
可选地,该装置还包括:
人体特征分析模块,其配置成用于对所述视频片段进行人体特征分析,得到该用户的人体特征,所述人体特征包括以下特征中的一个或多个:身高、发型、体型,将该人体特征和对应的用户身份保存在数据库中;
相应地,所述打卡模块还用于:
对第二时间段内拍摄的第二视频进行人物识别,对第二视频中出现的每个用户进行人体特征分析,并与所述数据库中保存的人体特征进行匹配,所得到人体特征对应的用户身份,在该用户身份与通过背面款式分析得到的用户身份一致的情况下,对该用户进行打卡操作。
根据本申请的第三个方面,提供了一种打卡系统,包括:
摄像头,用于拍摄用户出入办公场所的视频;
服务器,与所述摄像头连接,用于接收所述视频,所述服务器包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述的打卡方法。
根据本申请的第四个方面,提供了一种计算设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述的打卡方法。
根据本申请的第五个方面,提供了一种计算机可读存储介质,优选为非易失性可读存储介质,其内存储有计算机程序,所述计算机程序在由处理器执行时实现如上所述的打卡方法。
本申请提供的技术方案能够通过拍摄视频员工正面的视频,对视频进行人物特征的分析,得到背影特征,从而在下班时间段,员工不用必须进行打卡操作才能对打卡时间进行记录,直接下班就能实现打卡,节省了员工的时间,提升了用户体验。
根据下文结合附图对本申请的具体实施例的详细描述,本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解的是,这些附图未必是按比例绘制的。在附图中:
图1是运行根据本申请一个实施例的打卡方法的计算机装置硬件结构示意图;
图2是根据本申请的一个实施例的打卡方法的示意性流程图;
图3是根据本申请的一个实施例的打卡装置的示意性框图;
图4是根据本申请的一个实施例的打卡系统的示意性框图;
图5是本申请的计算设备的一个实施例的框图;
图6是本申请的计算机可读存储介质的一个实施例的框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,还提供了一种打卡方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于本申请方法的计算机装置(或移动设备)的硬件结构框图。如图1所示,计算机装置10(或移动设备10)可以包括一个或多个处理器(图中采用102a、102b,……,102n来示出,处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或摄像机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机装置10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机装置10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的打卡方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机装置10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机装置10的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机装置10(或移动设备)的用户界面进行交互。
在上述运行环境下,本申请提供了一种打卡方法。图2是根据本申请的一个实施例的打卡方法的示意性流程图。
该方法可以包括:S100身份识别步骤:对第一时间段内拍摄的第一视频进行人脸识别,确定所述视频中所有用户的用户身份。该第一时间段内可以是公司上班规定的打卡时间段。拍摄视频的摄像头可以安装在公司门外大门的上方或者侧面墙壁上。在上班打卡时间段内,该摄像头能够对进出公司的用户进行视频拍摄,得到第一视频,对视频进行人脸检测和分析,能够得到这个时间段内所有的人脸特征。
可选地,所述S100身份识别步骤包括:
对第一时间段内拍摄的第一视频进行人物识别,截取视频图片进行人脸特征分析,得到每个用户的人脸特征,基于人脸识别模型计算所述人脸特征与预存的人脸特征之间的距离,将距离最小的人脸特征所对应的用户身份确定为该用户的用户身份。
其中,人物识别可以采用人体识别模型实现,人体识别模型可以是人体姿态估计模型或者体姿态估计模型的一部分,该模型可以采用TensorFlow.js实现。例如,该模型可以是Deepcut深度神经网络模型、Deepercut深度神经网络模型或者PoseNet模型。
以PoseNet模型为例,将图像输入卷积神经网络中,该模型能够提取人体部件的候选区域,每个候选区域作为一个节点,所有的节点组成一个密集连接图,节点之间的关联性作为图节点之间的权重,将其作为一个优化问题,将属于同一个人的部件(节点)归为一类,每个人作为一个单独类。该模型使用单人或多人解码算法解码模型能够输出的人体关键点位置和关键点置信度。
关键点用于估计形体的一部分,例如鼻子、右耳、左膝、右脚等,它包含关键点位置及其置信度。目前,主流的关键点选取14点或者17点进行人体目标的识别。但是由于滑冰场上人员较多,为了降低计算量,本申请采用10个关键点对模型进行训练,10个关键点分别是:头部、躯干、双肘、双手、双膝和双脚。关键点置信度代表关键点位置的准确性,它的值范围在0到1之间,可以用来过滤不明显的关键点。关键点位置用于表征检测到关键点的xy的坐标值。
可选地,对所述人脸识别模型采用如下方式进行训练:
对于每个用户,利用人脸识别模型对用户的照片进行人脸检测、关键点定位和特征信息提取,得到该用户的人脸特征,将该人脸特征和该用户的用户身份关联,以训练该人脸识别模型。
每一个用户可以提供10张至20张本人的生活照片作为训练样本,最好包括正脸、不同程度侧脸、戴眼镜等多维度照片,女性用户最好有化妆照片。训练样本供人脸识别模型训练使用。人脸识别模型对用户的照片进行人脸检测、关键点定位、提取特征参数,和员工身份信息关联起来,利用机器学习去训练人脸识别模型,将人脸特征和用户信息相关联并存储在数据库中以供查询。人脸检测、关键点定位和特征信息提取可以使用dlib机器学习开源库中人脸关键点检测器模型库shape_predictor_68_face_landmarks.dat和人脸识别模型库dlib_face_recognition_resnet_model_v1.dat实现。
该方法还可以包括:S300视频截取步骤:对于每一个用户,截取该用户在所述视频中出现的视频片段并保存所述视频片段。可选地,对所述视频片段进行采样,得到若干个视频帧图片,以便输入服装模型进行背面款式估计。通过视频片段,能够得到用户穿着的服装的多个角度的图片。以摄像头安装在公司门外上方为例,通过视频片段可以得到服装的正面图片,从高处倾斜一定角度拍摄的图片,服装正面的局部图片等。
S500服装款式估计步骤:基于服装模型,根据所述视频片段中拍摄的用户所穿服装的正面款式估计该服装的背面款式,将该背面款式和对应的用户身份保存在数据库中。该步骤能够实现服装的注册,在数据库中将用户身份与上班当日的着装相关联。
对所述服装模型采用如下方式进行训练:
将多种款式的服装的各个角度的图片作为训练数据集合,将该服装的背面图片与其他角度的图片相关联,通过深度学习训练服装模型,使得所述服装模型能够根据服装的正面款式估计背面款式。
其中,训练数据集合中服装的种类本实施例不作限定,例如可以是T恤、卫衣、风衣、羽绒服、长裤、短裤等。图片是指由图形和图像等构成的平面媒体,可以包括巨大的信息量,图片的具体格式本实施例不作限定,例如图片的格式可以为位图(Bitmap,BMP)、联合图像专家小组(Joint Photographic Experts Group,JPEG)、便携式网络图形(PortableNetworkGraphics,PNG)和标签图像文件格式(Tag Image File Format,TIFF)等。
服装模型能够对训练数据集合中的样本服装的特征进行提取,例如,将样本服装的图片分割成多个小区域,以每个小区域为单位对区域内图片的颜色、亮度、色阶等色彩信息进行识别。当样本服装数据为色彩时,可以基于HSV(Hue,Saturation,Value)颜色空间进行颜色识别,具体的,将服装的各个角度图片转换至HSV颜色空间,根据各个像素点在该颜色空间对应的通道取值进行聚类,以得到多类相似度极高的像素点,再对上述各类相似度较高的像素点进行颜色识别,可以以确定服装的图案信息。其中,HSV颜色空间是根据颜色的直观特性创建的一种颜色空间,也称六角锥体模型,这个模型中颜色的参数分别是:色调(H)、饱和度(S)、明度(V)。将该服装的背面图片与其他角度的图片相关联,建立服装模型中将该服装的其他角度的图片到背面图片的映射关系。
该方法还可以包括:S700打卡步骤:对第二时间段内拍摄的第二视频进行人物识别,利用所述基于服装模型得到视频中每个用户所穿服装的背面款式,将该背面款式与所述数据库中保存的背面款式进行匹配,得到匹配度最大并且所述匹配度大于或等于第一指定阈值的背面款式对应的用户身份,对该用户进行打卡操作。
可选地,该方法还可以包括:
去重步骤:统计所述第二时间段内所有用户的打卡操作时间,进行去重处理,将用户最后一次打卡操作的时间确定为该用户的打卡时间并存储在数据库中。
该方法能够通过拍摄视频员工正面的视频,对视频进行人物特征的分析,得到背影特征,从而在下班时间段,员工不用必须进行打卡操作才能对打卡时间进行记录,直接下班就能实现打卡,节省了员工的时间,提升了用户体验。
在一个可选实施方案中,在所述S300视频截取步骤后,该方法还可以包括:
人体特征分析步骤:对所述视频片段进行人体特征分析,得到该用户的人体特征,所述人体特征包括以下特征中的一个或多个:身高、发型、体型,将该人体特征和对应的用户身份保存在数据库中;
相应地,所述打卡步骤还包括:
对第二时间段内拍摄的第二视频进行人物识别,对第二视频中出现的每个用户进行人体特征分析,并与所述数据库中保存的人体特征进行匹配,所得到人体特征对应的用户身份,在该用户身份与通过背面款式分析得到的用户身份一致的情况下,对该用户进行打卡操作。
该方法能将用户服装的背面款式结合该用户的人体特征共同对用户身份进行确定,从而使得打卡结果更加准确,避免由于用户穿着服装相同或相近影响识别的准确性。
在该步骤中,用户的人体特征可以通过以下方式得到,对用户视频片段中相邻两个视频帧做差,得到视频差值图像,通过检测轮廓边缘,得到人体特征数据。该方法能够去掉背景,仅保留人物的轮廓,使得计算更加快速准确。
其中,轮廓边缘检测算法可以从视频差值图像中提取图像边缘,将边缘包围的面积排序,并且将包围面积最大的边缘作为人物的外轮廓。在外轮廓数据中提取轮廓特征点,根据轮廓特征点和摄像机的标定数据计算得到人体特征。
本申请提供的通过背影进行打卡,尤其是下班打卡的方法,通过将人脸、服饰、体态的识别相结合对用户背影进行识别,更符合公司的下班打卡要求,大大提高了识别率,也避免人主动去找摄像头的不便。
通过背影进行下班打卡的方法是对人脸识别进行考勤打卡的改良和提升,人脸识别是对人的脸部特征信息进行身份认证的生物特征识别技术。目前的人脸打卡是针对检测到的人脸进行人脸特征比对,只是使用人脸单一维度的模型,无法完成侧颜,背景等角度的识别,通过背影进行下班打卡的方法,只要在上班打卡时完成服装等的注册,利用深度学习完成服装、体态、身高等模型,协助完成背影打卡,使得整个打卡过程实现静默打卡,还可以提高准确率和打卡速度。
根据本申请实施例,还提供了一种打卡装置。图3是根据本申请的一个实施例的打卡装置的示意性框图。该装置可以包括以下模块中的一个或多个:
身份识别模块100,其配置成用于对第一时间段内拍摄的第一视频进行人脸识别,确定所述视频中所有用户的用户身份。
视频截取模块300,其配置成用于对于每一个用户,截取该用户在所述视频中出现的视频片段并保存所述视频片段。
服装款式估计模块500,其配置成用于基于服装模型,根据所述视频片段中拍摄的用户所穿服装的正面款式估计该服装的背面款式,将该背面款式和对应的用户身份保存在数据库中。
打卡模块700,其配置成用于对第二时间段内拍摄的第二视频进行人物识别,利用所述基于服装模型得到视频中每个用户所穿服装的背面款式,将该背面款式与所述数据库中保存的背面款式进行匹配,得到匹配度最大并且所述匹配度大于或等于第一指定阈值的背面款式对应的用户身份,对该用户进行打卡操作。
该装置能够通过拍摄视频员工正面的视频,对视频进行人物特征的分析,得到背影特征,从而在下班时间段,员工不用必须进行打卡操作才能对打卡时间进行记录,直接下班就能实现打卡,节省了员工的时间,提升了用户体验。
可选地,所述身份识别模块100还用于:
对第一时间段内拍摄的第一视频进行人物识别,截取视频图片进行人脸特征分析,得到每个用户的人脸特征,基于人脸识别模型计算所述人脸特征与预存的人脸特征之间的距离,将距离最小的人脸特征所对应的用户身份确定为该用户的用户身份。
可选地,对所述人脸识别模型采用如下方式进行训练:
对于每个用户,利用人脸识别模型对用户的照片进行人脸检测、关键点定位和特征信息提取,得到该用户的人脸特征,将该人脸特征和该用户的用户身份关联,以训练该人脸识别模型。
可选地,对所述服装模型采用如下方式进行训练:
将多种款式的服装的各个角度的图片作为训练数据集合,将该服装的背面图片与其他角度的图片相关联,通过深度学习训练服装模型,使得所述服装模型能够根据服装的正面款式估计背面款式。
可选地,该装置还可以包括:去重模块,其配置成用于统计所述第二时间段内所有用户的打卡操作时间,进行去重处理,将用户最后一次打卡操作的时间确定为该用户的打卡时间并存储在数据库中。
在一个可选实施方案中,该装置还可以包括:
人体特征分析模块,其配置成用于对所述视频片段进行人体特征分析,得到该用户的人体特征,所述人体特征包括以下特征中的一个或多个:身高、发型、体型,将该人体特征和对应的用户身份保存在数据库中;
相应地,所述打卡模块还用于:
对第二时间段内拍摄的第二视频进行人物识别,对第二视频中出现的每个用户进行人体特征分析,并与所述数据库中保存的人体特征进行匹配,所得到人体特征对应的用户身份,在该用户身份与通过背面款式分析得到的用户身份一致的情况下,对该用户进行打卡操作。
该装置能将用户服装的背面款式结合该用户的人体特征共同对用户身份进行确定,从而使得打卡结果更加准确,避免由于用户穿着服装相同或相近影响识别的准确性。
本申请的一个实施例还公开了一种打卡系统。图4是根据本申请的一个实施例的打卡系统的示意性框图。该系统可以包括:
摄像头,用于拍摄用户出入办公场所的视频;
服务器,与所述摄像头连接,用于接收所述视频,所述服务器包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述的打卡方法中的任一个。
本申请的一个实施例还公开了一种打卡系统,参考图4,该系统可以包括:
摄像头,用于拍摄用户出入办公场所的视频;
服务器,与所述摄像头连接,用于接收所述视频,所述服务器如上所述的打卡装置中的任一个。
该系统能够通过拍摄视频员工正面的视频,对视频进行人物特征的分析,得到背影特征,从而在下班时间段,员工不用必须进行打卡操作才能对打卡时间进行记录,直接下班就能实现打卡,节省了员工的时间,提升了用户体验。同时,安装简单,操作方便,仅需简单硬件,无需额外的硬件设备,降低了成本。
本申请的实施例的一个方面提供了一种计算设备,参照图5,该计算设备包括存储器1120、处理器1110和存储在所述存储器1120内并能由所述处理器1110运行的计算机程序,该计算机程序存储于存储器1120中的用于程序代码的空间1130,该计算机程序在由处理器1110执行时实现用于执行任一项根据本申请的方法步骤1131。
本申请的实施例的一个方面还提供了一种计算机可读存储介质。参照图6,该计算机可读存储介质包括用于程序代码的存储单元,该存储单元设置有用于执行根据本申请的方法步骤的程序1131’,该程序被处理器执行。
本申请实施例的一个方面还提供了一种包含指令的计算机程序产品,包括计算机可读代码,当所述计算机可读代码由计算设备执行时,导致所述计算设备执行如上所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令处理器完成,所述的程序可以存储于计算机可读存储介质中,所述存储介质是非短暂性(英文:non-transitory)介质,例如随机存取存储器,只读存储器,快闪存储器,硬盘,固态硬盘,磁带(英文:magnetic tape),软盘(英文:floppy disk),光盘(英文:optical disc)及其任意组合。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种打卡方法,包括:
身份识别步骤:对第一时间段内拍摄的第一视频进行人脸识别,确定所述视频中所有用户的用户身份;
视频截取步骤:对于每一个用户,截取该用户在所述视频中出现的视频片段并保存所述视频片段;
服装款式估计步骤:基于服装模型,根据所述视频片段中拍摄的用户所穿服装的正面款式估计该服装的背面款式,将该背面款式和对应的用户身份保存在数据库中;和
打卡步骤:对第二时间段内拍摄的第二视频进行人物识别,利用所述基于服装模型得到视频中每个用户所穿服装的背面款式,将该背面款式与所述数据库中保存的背面款式进行匹配,得到匹配度最大并且所述匹配度大于或等于第一指定阈值的背面款式对应的用户身份,对该用户进行打卡操作。
2.根据权利要求1所述的方法,其特征在于,所述身份识别步骤包括:
对第一时间段内拍摄的第一视频进行人物识别,截取视频图片进行人脸特征分析,得到每个用户的人脸特征,基于人脸识别模型计算所述人脸特征与预存的人脸特征之间的距离,将距离最小的人脸特征所对应的用户身份确定为该用户的用户身份。
3.根据权利要求2所述的方法,其特征在于,对所述人脸识别模型采用如下方式进行训练:
对于每个用户,利用人脸识别模型对用户的照片进行人脸检测、关键点定位和特征信息提取,得到该用户的人脸特征,将该人脸特征和该用户的用户身份关联,以训练该人脸识别模型。
4.根据权利要求1至3中任一项所述的方法,其特征在于,对所述服装模型采用如下方式进行训练:
将多种款式的服装的各个角度的图片作为训练数据集合,将该服装的背面图片与其他角度的图片相关联,通过深度学习训练服装模型,使得所述服装模型能够根据服装的正面款式估计背面款式。
5.根据权利要求1至4中任一项所述的方法,其特征在于,在所述视频截取步骤后,该方法还包括:
人体特征分析步骤:对所述视频片段进行人体特征分析,得到该用户的人体特征,所述人体特征包括以下特征中的一个或多个:身高、发型、体型,将该人体特征和对应的用户身份保存在数据库中;
相应地,所述打卡步骤还包括:
对第二时间段内拍摄的第二视频进行人物识别,对第二视频中出现的每个用户进行人体特征分析,并与所述数据库中保存的人体特征进行匹配,所得到人体特征对应的用户身份,在该用户身份与通过背面款式分析得到的用户身份一致的情况下,对该用户进行打卡操作。
6.一种打卡装置,包括:
身份识别模块,其配置成用于对第一时间段内拍摄的第一视频进行人脸识别,确定所述视频中所有用户的用户身份;
视频截取模块,其配置成用于对于每一个用户,截取该用户在所述视频中出现的视频片段并保存所述视频片段;
服装款式估计模块,其配置成用于基于服装模型,根据所述视频片段中拍摄的用户所穿服装的正面款式估计该服装的背面款式,将该背面款式和对应的用户身份保存在数据库中;和
打卡模块,其配置成用于对第二时间段内拍摄的第二视频进行人物识别,利用所述基于服装模型得到视频中每个用户所穿服装的背面款式,将该背面款式与所述数据库中保存的背面款式进行匹配,得到匹配度最大并且所述匹配度大于或等于第一指定阈值的背面款式对应的用户身份,对该用户进行打卡操作。
7.根据权利要求6所述的装置,其特征在于,其特征在于,该装置还包括:
人体特征分析模块,其配置成用于对所述视频片段进行人体特征分析,得到该用户的人体特征,所述人体特征包括以下特征中的一个或多个:身高、发型、体型,将该人体特征和对应的用户身份保存在数据库中;
相应地,所述打卡模块还用于:
对第二时间段内拍摄的第二视频进行人物识别,对第二视频中出现的每个用户进行人体特征分析,并与所述数据库中保存的人体特征进行匹配,所得到人体特征对应的用户身份,在该用户身份与通过背面款式分析得到的用户身份一致的情况下,对该用户进行打卡操作。
8.一种打卡系统,包括:
摄像头,用于拍摄用户出入办公场所的视频;
服务器,与所述摄像头连接,用于接收所述视频,所述服务器包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的打卡方法。
9.一种计算设备,包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的打卡方法。
10.一种计算机可读存储介质,优选为非易失性可读存储介质,其内存储有计算机程序,所述计算机程序在由处理器执行时实现如权利要求1至5中任一项所述的打卡方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081426.7A CN109829418B (zh) | 2019-01-28 | 2019-01-28 | 一种基于背影特征的打卡方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081426.7A CN109829418B (zh) | 2019-01-28 | 2019-01-28 | 一种基于背影特征的打卡方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829418A true CN109829418A (zh) | 2019-05-31 |
CN109829418B CN109829418B (zh) | 2021-01-05 |
Family
ID=66862720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910081426.7A Active CN109829418B (zh) | 2019-01-28 | 2019-01-28 | 一种基于背影特征的打卡方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829418B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458130A (zh) * | 2019-08-16 | 2019-11-15 | 百度在线网络技术(北京)有限公司 | 人物识别方法、装置、电子设备及存储介质 |
CN110909651A (zh) * | 2019-11-15 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 视频主体人物的识别方法、装置、设备及可读存储介质 |
CN111259183A (zh) * | 2020-02-21 | 2020-06-09 | 北京百度网讯科技有限公司 | 图像识图方法、装置、电子设备和介质 |
CN111739181A (zh) * | 2020-05-19 | 2020-10-02 | 深圳市商汤科技有限公司 | 考勤方法及装置、电子设备及存储介质 |
CN111739065A (zh) * | 2020-06-29 | 2020-10-02 | 上海出版印刷高等专科学校 | 基于数码印花的目标识别方法、系统、电子设备和介质 |
CN113781684A (zh) * | 2021-09-08 | 2021-12-10 | 无锡艾布斯智能科技发展有限公司 | 一种智能点名联动方法及系统 |
CN114926934A (zh) * | 2022-06-09 | 2022-08-19 | 广州创显智能科技有限公司 | 一种基于ai的门禁识别方法和识别装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202445166U (zh) * | 2011-12-06 | 2012-09-26 | 江西斯沃德教育科技有限公司 | 一种智能学生考勤的服装 |
CN103714431A (zh) * | 2013-12-26 | 2014-04-09 | 苏州清研微视电子科技有限公司 | 基于人脸识别的机场人员身份验证管理系统 |
CN105976444A (zh) * | 2016-04-28 | 2016-09-28 | 信阳师范学院 | 一种视频图像处理方法及装置 |
CN106022343A (zh) * | 2016-05-19 | 2016-10-12 | 东华大学 | 一种基于傅里叶描述子和bp神经网络的服装款式识别方法 |
CN106856015A (zh) * | 2016-12-20 | 2017-06-16 | 国网山东省电力公司东明县供电公司 | 一种考勤方法及装置 |
US20170351909A1 (en) * | 2016-06-03 | 2017-12-07 | Magic Leap, Inc. | Augmented reality identity verification |
CN107992591A (zh) * | 2017-12-11 | 2018-05-04 | 深圳云天励飞技术有限公司 | 人物搜索方法及装置、电子设备和计算机可读存储介质 |
CN108009523A (zh) * | 2017-12-23 | 2018-05-08 | 江铃汽车股份有限公司 | 办公室人员定位方法、装置、移动终端及存储介质 |
CN108021906A (zh) * | 2017-12-23 | 2018-05-11 | 宁波亿拍客网络科技有限公司 | 一种双通道及单通道安全视频图像信息分析处理系统 |
CN108269333A (zh) * | 2018-01-08 | 2018-07-10 | 平安科技(深圳)有限公司 | 人脸识别方法、应用服务器及计算机可读存储介质 |
CN108447142A (zh) * | 2018-04-24 | 2018-08-24 | 上德智能科技(武汉)有限公司 | 基于人脸识别的考勤处理方法及装置 |
CN108960219A (zh) * | 2018-09-28 | 2018-12-07 | 广州翠花信息科技有限公司 | 一种采用签到机制的人脸识别系统 |
-
2019
- 2019-01-28 CN CN201910081426.7A patent/CN109829418B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202445166U (zh) * | 2011-12-06 | 2012-09-26 | 江西斯沃德教育科技有限公司 | 一种智能学生考勤的服装 |
CN103714431A (zh) * | 2013-12-26 | 2014-04-09 | 苏州清研微视电子科技有限公司 | 基于人脸识别的机场人员身份验证管理系统 |
CN105976444A (zh) * | 2016-04-28 | 2016-09-28 | 信阳师范学院 | 一种视频图像处理方法及装置 |
CN106022343A (zh) * | 2016-05-19 | 2016-10-12 | 东华大学 | 一种基于傅里叶描述子和bp神经网络的服装款式识别方法 |
US20170351909A1 (en) * | 2016-06-03 | 2017-12-07 | Magic Leap, Inc. | Augmented reality identity verification |
CN106856015A (zh) * | 2016-12-20 | 2017-06-16 | 国网山东省电力公司东明县供电公司 | 一种考勤方法及装置 |
CN107992591A (zh) * | 2017-12-11 | 2018-05-04 | 深圳云天励飞技术有限公司 | 人物搜索方法及装置、电子设备和计算机可读存储介质 |
CN108009523A (zh) * | 2017-12-23 | 2018-05-08 | 江铃汽车股份有限公司 | 办公室人员定位方法、装置、移动终端及存储介质 |
CN108021906A (zh) * | 2017-12-23 | 2018-05-11 | 宁波亿拍客网络科技有限公司 | 一种双通道及单通道安全视频图像信息分析处理系统 |
CN108269333A (zh) * | 2018-01-08 | 2018-07-10 | 平安科技(深圳)有限公司 | 人脸识别方法、应用服务器及计算机可读存储介质 |
CN108447142A (zh) * | 2018-04-24 | 2018-08-24 | 上德智能科技(武汉)有限公司 | 基于人脸识别的考勤处理方法及装置 |
CN108960219A (zh) * | 2018-09-28 | 2018-12-07 | 广州翠花信息科技有限公司 | 一种采用签到机制的人脸识别系统 |
Non-Patent Citations (1)
Title |
---|
孟祥兰: ""人脸考勤系统的设计与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458130A (zh) * | 2019-08-16 | 2019-11-15 | 百度在线网络技术(北京)有限公司 | 人物识别方法、装置、电子设备及存储介质 |
CN110909651A (zh) * | 2019-11-15 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 视频主体人物的识别方法、装置、设备及可读存储介质 |
CN111310731A (zh) * | 2019-11-15 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于人工智能的视频推荐方法、装置、设备及存储介质 |
CN110909651B (zh) * | 2019-11-15 | 2023-12-26 | 腾讯科技(深圳)有限公司 | 视频主体人物的识别方法、装置、设备及可读存储介质 |
CN111310731B (zh) * | 2019-11-15 | 2024-04-09 | 腾讯科技(深圳)有限公司 | 基于人工智能的视频推荐方法、装置、设备及存储介质 |
CN111259183A (zh) * | 2020-02-21 | 2020-06-09 | 北京百度网讯科技有限公司 | 图像识图方法、装置、电子设备和介质 |
CN111259183B (zh) * | 2020-02-21 | 2023-08-01 | 北京百度网讯科技有限公司 | 图像识图方法、装置、电子设备和介质 |
CN111739181A (zh) * | 2020-05-19 | 2020-10-02 | 深圳市商汤科技有限公司 | 考勤方法及装置、电子设备及存储介质 |
CN111739065A (zh) * | 2020-06-29 | 2020-10-02 | 上海出版印刷高等专科学校 | 基于数码印花的目标识别方法、系统、电子设备和介质 |
CN113781684A (zh) * | 2021-09-08 | 2021-12-10 | 无锡艾布斯智能科技发展有限公司 | 一种智能点名联动方法及系统 |
CN113781684B (zh) * | 2021-09-08 | 2023-01-31 | 无锡艾布斯智能科技发展有限公司 | 一种智能点名联动方法及系统 |
CN114926934A (zh) * | 2022-06-09 | 2022-08-19 | 广州创显智能科技有限公司 | 一种基于ai的门禁识别方法和识别装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109829418B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829418A (zh) | 一种基于背影特征的打卡方法、装置和系统 | |
EP3779772B1 (en) | Trajectory tracking method and apparatus, and computer device and storage medium | |
Bourdev et al. | Detecting people using mutually consistent poselet activations | |
WO2020119311A1 (zh) | 一种神经网络的训练方法及图像匹配方法、装置 | |
CN105243386B (zh) | 人脸活体判断方法以及系统 | |
CN109145717B (zh) | 一种在线学习的人脸识别方法 | |
Tsai et al. | Optical flow-motion history image (OF-MHI) for action recognition | |
JP5792320B2 (ja) | 顔登録の方法 | |
CN109978918A (zh) | 一种轨迹追踪方法、装置和存储介质 | |
CN109872407B (zh) | 一种人脸识别方法、装置、设备及打卡方法、装置和系统 | |
CN111444828A (zh) | 一种模型训练的方法、目标检测的方法、装置及存储介质 | |
CN107679449B (zh) | 嘴唇动作捕捉方法、装置及存储介质 | |
CN106599785B (zh) | 人体3d特征身份信息库的建立方法及设备 | |
CN111401344A (zh) | 人脸识别方法和装置及人脸识别系统的训练方法和装置 | |
CN107844742B (zh) | 人脸图像眼镜去除方法、装置及存储介质 | |
KR20190004073A (ko) | 적외선 영상을 이용한 사용자 인증 방법 및 장치 | |
CN109711366A (zh) | 一种基于群组信息损失函数的行人重识别方法 | |
CN109389002A (zh) | 活体检测方法及装置 | |
KR20220004009A (ko) | 키 포인트 검출 방법, 장치, 전자 기기 및 저장 매체 | |
CN111857334A (zh) | 人体手势字母的识别方法、装置、计算机设备及存储介质 | |
CN107911643A (zh) | 一种视频通信中展现场景特效的方法和装置 | |
CN110516533A (zh) | 一种基于深度度量的行人再辨识方法 | |
Chidananda et al. | Entropy-cum-Hough-transform-based ear detection using ellipsoid particle swarm optimization | |
Hidayati et al. | Garment detectives: Discovering clothes and its genre in consumer photos | |
CN110472537B (zh) | 一种自适应识别方法、装置、设备及介质 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A clock in method, device, and system based on silhouette features Effective date of registration: 20230713 Granted publication date: 20210105 Pledgee: Bank of Jiangsu Limited by Share Ltd. Beijing branch Pledgor: BEIJING MOVIEBOOK SCIENCE AND TECHNOLOGY Co.,Ltd. Registration number: Y2023110000278 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |