CN109903410A - 基于人脸识别的点名签到方法、装置、设备和存储介质 - Google Patents
基于人脸识别的点名签到方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN109903410A CN109903410A CN201910061901.4A CN201910061901A CN109903410A CN 109903410 A CN109903410 A CN 109903410A CN 201910061901 A CN201910061901 A CN 201910061901A CN 109903410 A CN109903410 A CN 109903410A
- Authority
- CN
- China
- Prior art keywords
- face
- course
- recognition
- images
- roll
- 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
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本申请涉及人脸识别技术领域,尤其涉及一种基于人脸识别的点名签到方法、装置、设备和存储介质。一种基于人脸识别的点名签到方法包括:在课程的进行周期内实时获取参与课程的各个实际签到对象的人脸图像数据后作为待识别图像;获取所述课程对应的计划签到对象的照片后作为对比图像;将所述待识别图像与所述对比图像进行比对后得到识别结果;根据所述识别结果,记录各个所述实际签到对象的出勤情况;根据所述出勤情况,计算后得到各个所述实际签到对象在所述课程的进行周期内的得分。本申请避免了上课代签到的情况,为教学质量的评估提供了实质性考核数据,提升了教学质量。
Description
技术领域
本申请涉及人脸识别技术领域,尤其涉及一种基于人脸识别的点名签到方法、装置、设备和存储介质。
背景技术
点名签到是传统的课堂进行周期内的一种常见事务,也是老师与学生互动的一种体现形式。通过点名签到的方式能够让学生最大限度参与课堂,也是一种用来衡量学生课堂出勤情况的指标,可以作为学生平时成绩分数的来源。人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行识别的一系列相关技术,通常也叫做人像识别、面部识别。
传统的课堂考勤都是采取人工点名方式,对于学生的出勤情况,一般采取人工点名随机抽查的方式。传统的人工课堂考勤往往存在这效率低、出错率高、操作繁琐的弊端。
综上所述,提供一种基于人脸识别的点名签到方法、装置、设备和存储介质。
发明内容
有鉴于此,有必要针对现有技术中人工课堂考勤效率低、出错率高且操作繁琐的问题,提供一种基于人脸识别的点名签到方法、装置、设备和存储介质。
一种基于人脸识别的点名签到方法,包括如下步骤:
在课程的进行周期内实时获取参与课程的各个实际签到对象的人脸图像数据后作为待识别图像;
获取所述课程对应的计划签到对象的照片后作为对比图像;
将所述待识别图像与所述对比图像进行比对后得到识别结果;
根据所述识别结果,记录各个所述实际签到对象的出勤情况;
根据所述出勤情况,计算后得到各个所述实际签到对象在所述课程的进行周期内的得分。
在其中一个可能的实施例中,所述在课程的进行周期内实时获取参与课程的各个实际签到对象的人脸图像数据后作为待识别图像,包括:
通过监控设备获取含有参与所述课程的所述实际签到对象的视频数据;
从所述视频数据中提取包含人脸的所述人脸图像数据;
对所述人脸图像数据进行处理,得到待识别图像。
在其中一个可能的实施例中,所述获取所述课程对应的计划签到对象的照片后作为对比图像,包括:
从教学管理数据库中调取所述课程对应的计划签到对象的选课基本信息表;
将所述选课基本信息表按照预设的尺寸划分为若干子块;
提取每一所述子块的像素点的像素值,将每一所述像素值与预设的像素值范围进行比较;
提取像素值落入所述像素值范围内的所述子块,得到所述计划签到对象的照片,将此照片作为所述对比图像。
在其中一个可能的实施例中,所述将所述待识别图像与所述对比图像进行比对后得到识别结果,包括:
从所述待识别图像中检测人脸的个数,定位每一所述人脸的坐标,提取每一所述人脸的面部特征;
提取任一所述对比图像的人脸面部特征;
将任一所述对比图像的人脸面部特征与所述待识别图像中每一人脸面部特征一一进行比对,得到识别结果。
在其中一个可能的实施例中,所述根据所述出勤情况,计算后得到各个所述实际签到对象在所述课程的进行周期内的得分,包括:
将在所述课程的进行周期内每次比对成功的实际签到对象标记为正常出勤,并记录在所述课程的学习积分中;
将在所述课程的进行周期内均未比对成功的实际签到对象标记为旷课,并记录在所述课程的学习积分中;
将在预设的早退区间内连续两次未比对成功的实际签到对象标记为早退,并记录在所述课程的学习积分中;
将在预设的迟到区间内连续两次未比对成功的实际签到对象标记为迟到,并记录在所述课程的学习积分中。
在其中一个可能的实施例中,所述从所述视频数据中提取包含人脸的所述人脸图像数据,包括:
从所述视频数据中提取视频关键帧数据;
从所述视频关键帧数据中获取每一帧中的所述人脸图像数据。
在其中一个可能的实施例中,所述对所述人脸图像数据进行处理,得到待识别图像,包括:
将所述人脸图像数据的彩色图像灰度化处理后再进行直方图均衡化操作,计算所述人脸图像数据的直方图,统计所述直方图每个灰度级出现的次数,归一化所述直方图并计算所述直方图的积分,根据映射函数计算新的像素值,映射函数S如下:
上述公式中,M是图像中像素的总和,mj是当前灰度级的像素个数,L是图像中的灰度级总数;
对所述人脸图像进行大小校正,将所述人脸图像调整到预设的图像大小。
基于相同的构思,本申请提出一种基于人脸识别的点名签到装置,包括:
待识别图像获取模块,设置为在课程的进行周期内实时获取参与课程的各个实际签到对象的人脸图像数据后作为待识别图像;
对比图像获取模块,设置为获取所述课程对应的计划签到对象的照片后作为对比图像;
比对模块,设置为将所述待识别图像与所述对比图像进行比对后得到识别结果;
出勤情况记录模块,设置为根据所述识别结果,记录各个所述实际签到对象的出勤情况;
课程得分计算模块,根据所述出勤情况,计算后得到各个所述实际签到对象在所述课程的进行周期内的得分。
基于相同的构思,本申请提出一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被一个或多个所述处理器执行时,使得一个或多个所述处理器执行上述基于人脸识别的点名签到方法的步骤。
基于相同的构思,本申请提出一种存储介质,所述存储介质可被处理器读写,所述存储介质存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个所述处理器执行上述基于人脸识别的点名签到方法的步骤。
上述基于人脸识别的点名签到方法、装置、设备和存储介质,包括:在课程的进行周期内实时获取参与课程的各个实际签到对象的人脸图像数据后作为待识别图像;获取所述课程对应的计划签到对象的照片后作为对比图像;将所述待识别图像与所述对比图像进行比对后得到识别结果;根据所述识别结果,记录各个所述实际签到对象的出勤情况;根据所述出勤情况,计算后得到各个所述实际签到对象在所述课程的进行周期内的得分。本技术方案,避免了上课代签到的情况,为教学质量的评估提供了实质性考核数据,提升了教学质量。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
图1为本发明在一个实施例中的一种基于人脸识别的点名签到方法的整体流程图;
图2为本发明在一个实施例中的一种基于人脸识别的点名签到方法中的待识别图像获取过程的示意图;
图3为本发明在一个实施例中的一种基于人脸识别的点名签到方法中的对比图像获取过程的示意图;
图4为本发明在一个实施例中的一种基于人脸识别的点名签到方法中的比对过程的示意图;
图5为本发明在一个实施例中的一种基于人脸识别的点名签到方法中的出勤记录过程的示意图;
图6为本发明在一个实施例中的一种基于人脸识别的点名签到方法中的人脸图像数据提取过程的示意图;
图7为本发明在一个实施例中的一种基于人脸识别的点名签到装置的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
图1为本发明的一种基于人脸识别的点名签到方法的整体流程图,如图所示,一种基于人脸识别的点名签到方法,包括以下步骤:
步骤S1,在课程的进行周期内实时获取参与课程的各个实际签到对象的人脸图像数据后作为待识别图像。
上述步骤执行时,首先,通过监控设备获取含有参与所述课程的所述实际签到对象的视频数据,再利用视频关键帧提取技术从所述视频数据中提取包含人脸的所述人脸图像数据,提取人脸图像数据后对所述人脸图像数据进行处理,得到待识别图像。
其中,实时采集的每一视频帧都可以包含一个或若干个参与课程对象的人脸图像数据。
步骤S2,获取所述课程对应的计划签到对象的照片后作为对比图像。
上述步骤执行时,可以通过预先采集参与所述课程的学生的身份证照片或入学时统一拍摄的照片存储至教学管理数据库中,然后再通过获取所述教学管理数据库的访问权限后,发送查询脚本以获取签到对象的照片,作为对比图像。
在一个优选实施例中,上述步骤执行时还可以从教学管理数据库中调取所述课程对应的计划签到对象的选课基本信息表,将所述选课基本信息表按照预设的尺寸划分为若干子块,提取每一所述子块的像素点的像素值,将每一所述像素值与预设的像素值范围进行比较,提取像素值落入所述像素值范围内的所述子块,得到所述计划签到对象的照片,将此照片作为所述对比图像。
步骤S3,将所述待识别图像与所述对比图像进行比对后得到识别结果。
上述步骤执行时,在获取到待识别图像和对比图像后,首先,从所述待识别图像中检测人脸的个数,再定位每个人脸的坐标,从而提取每一所述人脸的面部特征,再提取任一所述对比图像的人脸面部特征,将该对比图像的人脸面部特征与所述待识别图像中每一人脸面部特征一一进行比对。若比对相似度达到相似阈值,比如比对相似度为87%,则识别结果为比对成功,表明该人脸图像对应的学生在课堂内,若比对相似度未达到相似阈值87%,则识别结果为比对失败,表明该人脸图像对应的学生未在课堂内。
步骤S4,根据所述识别结果,记录各个所述实际签到对象的出勤情况。
上述步骤中,出勤情况可以包括迟到、早退、旷课、正常出勤等情况。在所述课堂的进行周期内,每次比对成功的学生为正常出勤,每次都没有比对成功的为旷课,在预设的早退区间内连续两次未比对成功的为早退,在预设的迟到区间内连续两次未比对成功的为迟到。
步骤S5,根据所述出勤情况,计算后得到各个所述实际签到对象在所述课程的进行周期内的得分。
总分为100分,迟到一次扣2分,早退一次扣2分,旷课一次扣5分。根据得到的出勤情况和计分规则,可以计算出学生在该学科的每堂课程的得分,将学生的每堂课程的得分情况记录在学科课程的学习积分中,到期末可以计算统计出该学生在该学科的最终得分。计算时可采用如下计算形式:
课堂得分*50%+学期期末考试得分*50%=学生本学期该学科的最终得分
本实施例,避免了上课代签到的情况,提高了课堂的点名效率,为教学质量的评估提供了实质性考核数据,提升了教学质量。
在一个实施例中,图2为本发明在一个实施例中的一种基于人脸识别的点名签到方法中的待识别图像获取过程的示意图,如图2所示,所述步骤S1,在课程的进行周期内实时获取参与课程的各个实际签到对象的人脸图像数据后作为待识别图像,包括以下步骤:
步骤S101,通过监控设备获取含有参与所述课程的所述实际签到对象的视频数据;
上述步骤执行时,获取所述实际签到对象的视频数据可通过在上课地点设置监控设备,实时采集参与课程的实际签到对象的监控视频流数据。监控设备可以设在上课地点的前方高处的位置,以适宜采集到参与课程的对象的正面人脸图像为佳。可选地,监控设备拥有高清摄像头,且支持标准的RTSP(Real TimeStreaming Protocol,实时流传输协议)以实现传输视频流,高分辨率便于在同一画面中同时采集到更多清晰的人脸。可选地,监控设备具备网络接入功能。
步骤S102,从所述视频数据中提取包含人脸的所述人脸图像数据;
上述步骤执行时,从所述视频数据中提取视频关键帧数据,从所述视频关键帧数据中获取每一帧中的包含所述待检测人员的脸部的图像。具体的,可以设置一个执行周期,按照所述执行周期对所述视频数据进行抽帧,即按照预定的时间间隔进行抽帧,从中提取包含有人脸的人脸图像数据,所述人脸图像数据中人脸的数量可能为一个也可能为若干个。
步骤S103,对所述人脸图像数据进行处理,得到待识别图像。
其中,对所述人脸图像数据进行处理,主要包括:将彩色图像灰度化处理后再进行直方图均衡化操作、将图像大小调整至预设的尺寸、图像旋转、图像翻转等等。
本实施例,通过对人脸图像进行预处理,使后续的比对操作更加准确高效。
在一个实施例中,图3为本发明在一个实施例中的一种基于人脸识别的点名签到方法中的对比图像获取过程的示意图,如图3所示,所述步骤S2,获取所述课程对应的计划签到对象的照片后作为对比图像,包括以下步骤:
步骤S201,从教学管理数据库中调取所述课程对应的计划签到对象的选课基本信息表;
其中,一般学校都有自己的选课系统,可以将点名签到系统嵌入选课系统,也可在点名签到系统中开发一个选课模块。选课时,学生输入学号和密码登录所述选课系统或选课模块,所述选课系统或选课模块即可获得学生的基本信息,将学生的基本信息存储至教学管理数据库中,在一种较佳的实施例中,可以将选同一堂课程的学生的基本信息进行打包,不是同一堂课程的学生的基本信息分类存储。
上述步骤执行时,获取选课基本信息表可以使用hibernate对象关系映射框架与教学管理数据库进行连接,再发送查询脚本至所述教学管理数据库后执行所述查询脚本,所述查询脚本以课程名称和时间为查询参数或者查询关键词,在所述教学管理数据库中查询出所述课程名称和时间对应的选课基本信息表。
步骤S202,将所述选课基本信息表按照预设的尺寸划分为若干子块;
其中,将选课基本信息表按照预设的尺寸划分为若干子块是为了方便提取其中的照片,表中的照片都是按照统一的尺寸、规格等上传的。按照预设的尺寸将所述选课基本信息表划分为若干子块,所述预设的尺寸为大于或等于表中照片的尺寸。
步骤S203,提取每一所述子块的像素点的像素值,将每一所述像素值与预设的像素值范围进行比较;
其中,预设的像素值范围是根据表中照片的尺寸和规格预先设置的,将每一所述子块的像素值与预设的像素值范围进行比较时,由于有照片的子块和其他没有照片的子块的像素值相差比较大,落入像素值范围内的像素值所对应的子块是照片对应的子块,所以提取像素值落入所述像素值范围内的所述子块,即可得到所述计划签到对象的照片。
上述步骤执行时,可以给所有子块进行编号,并按照编号对所有子块进行排序,根据排序的顺序提取每一所述子块的像素点的像素值,每当提取一个所述子块的像素值,则将所述像素值与所述预设的像素值范围进行比较。
步骤S204,提取像素值落入所述像素值范围内的所述子块,得到所述计划签到对象的照片,将此照片作为所述对比图像。
本实施例,通过预先设置像素值范围,提高了提取照片的准确度。
在一个实施例中,图4为本发明在一个实施例中的一种基于人脸识别的点名签到方法中的比对过程的示意图,如图4所示,所述步骤S3,将所述待识别图像与所述对比图像进行比对后得到识别结果,包括以下步骤:
步骤S301,从所述待识别图像中检测人脸的个数,定位每一所述人脸的坐标,提取每一所述人脸的面部特征;
上述步骤执行时,利用人脸检测技术从所述待识别人脸图像中检测人脸的个数,对识别出的每一所述人脸进行标记,并定位每一所述人脸的坐标,根据所述标记提取每一所述人脸的面部特征。提取面部特征包括将所述人脸按照预设的人脸部位进行分区,例如,将人脸的眼睛划分为A区,鼻子划分为B区,眉毛划分为C区,颧骨划分为D区,嘴唇划分为E区,额头划分为F区,下巴划分为G区,以此类推,将人脸划分为若干分区。
步骤S302,提取任一所述对比图像的人脸面部特征;
上述步骤执行时,在若干张对比图像中,先任意选择一张对比图像,按照上述将人脸部位进行分区的方法对应地从该对比图像中提取人脸面部特征。比对完成后,再选择一张对比图像进行上述操作,直至所有对比图像比对完成。
步骤S303,将任一所述对比图像的人脸面部特征与所述待识别图像中每一人脸面部特征一一进行比对,得到识别结果。
上述步骤执行时,比对时,可以按照人脸特征的分区一一进行比对。比如,将对比图像的A区与待识别图像的A区进行比对,对比图像的B区与待识别图像的B区进行比对,所有分区比对完成后,再计算综合比对分数,得到该张待识别图像的比对结果。
在一种较佳的实施例中,将任一所述对比图像与所述待识别图像中每一人一一进行比对的方法包括:以待识别人脸图像数据中被识别出的人脸个数为基数,优选地,可以以20人为基本单位,不足20人算20人,将待识别人脸图像数据中的人脸个数分为几个等分(比如A.B.C.分区),然后拿学生的对比图像在任意分区比对,如果在第一个比对分区就匹配了,就不再和其他分区比对。
本实施例,通过分区域比对,提高了比对的效率和准确度。
在一个实施例中,图5为本发明在一个实施例中的一种基于人脸识别的点名签到方法中的出勤记录过程的示意图,如图5所示,所述步骤S4,根据所述识别结果,记录各个所述实际签到对象的出勤情况,包括:
步骤S401,将在所述课程的进行周期内每次比对成功的实际签到对象标记为正常出勤,并记录在所述课程的学习积分中;
上述步骤执行时,在所述课程的进行周期内会多次对视频数据进行抽帧,多次进行比对识别,在所述课程的进行周期内每次比对识别成功的实际签到对象表明该实际签到对象既没有迟到也没有早退,则将其标记为正常出勤,并记录在所述课程的学习积分中。
步骤S402,将在所述课程的进行周期内均未比对成功的实际签到对象标记为旷课,并记录在所述课程的学习积分中;
步骤S403,将在预设的早退区间内连续两次未比对成功的实际签到对象标记为早退,并记录在所述课程的学习积分中;
上述步骤执行时,其中,预设的早退区间可以设置为该堂课程结束的若干分钟,在该区间内,优选地,若连续两次未被识别到,则可认为该学生已经早退,也可以设置为连续三次未被识别到,记为早退。
步骤S404,将在预设的迟到区间内连续两次未比对成功的实际签到对象标记为迟到,并记录在所述课程的学习积分中。
上述步骤执行时,其中,预设的迟到区间可以设置为该堂课程开始后的若干分钟,在该区间内,优选地,若连续两次未被识别到,则可认为该学生已经迟到,也可以设置为连续三次未被识别到,记为迟到。
本实施例,不仅记录正常出勤和旷课的情况,而且通过设置早退和迟到区间,可以记录学生的迟到和早退情况,提升了教学质量。
在一个实施例中,图6为本发明在一个实施例中的一种基于人脸识别的点名签到方法中的人脸图像数据提取过程的示意图,如图6所示,所述步骤S102,从所述视频数据中提取包含人脸的所述人脸图像数据,包括:
步骤S10201,从所述视频数据中提取视频关键帧数据;
上述步骤执行时,接收要求提取视频关键帧数据的指令,对所述存储的视频数据进行可伸缩视频编码SVC抽帧处理,得到视频关键帧数据。
步骤S10202,从所述视频关键帧数据中获取每一帧中的所述人脸图像数据。
上述步骤执行时,对视频数据进行抽帧,可以按照预定时间间隔进行抽帧用到的抽帧工具可以采用ffmpeg,借助该工具可以设定抽帧时间,将视频作为入参,得到出参为符合要求的图片。设置预定时间是在后管系统进行配置的,主要是满足不同客户的配置化要求,比如某学校要求比较严格,每分钟抽帧做一次人脸识别,而有些学校或机构,要求每十分钟一次。
本实施例,可以通过灵活设置抽帧的时间间隔,可以达到不同学校的要求,提高了课堂点名的效率。
在一个实施例中,所述对所述人脸图像数据进行处理,得到待识别图像,包括:
将所述人脸图像数据的彩色图像灰度化处理后再进行直方图均衡化操作,计算所述人脸图像数据的直方图,统计所述直方图每个灰度级出现的次数,归一化所述直方图并计算所述直方图的积分,根据映射函数计算新的像素值,映射函数S如下:
上述公式中,M是图像中像素的总和,mj是当前灰度级的像素个数,L是图像中的灰度级总数;
对所述人脸图像进行大小校正,将所述人脸图像调整到预设的图像大小。
一种基于人脸识别的点名签到装置,如图7所示,包括如下模块:
待识别图像获取模块,设置为在课程的进行周期内实时获取参与课程的各个实际签到对象的人脸图像数据后作为待识别图像;
对比图像获取模块,设置为获取所述课程对应的计划签到对象的照片后作为对比图像;
比对模块,设置为将所述待识别图像与所述对比图像进行比对后得到识别结果;
出勤情况记录模块,设置为根据所述识别结果,记录各个所述实际签到对象的出勤情况;
课程得分计算模块,根据所述出勤情况,计算后得到各个所述实际签到对象在所述课程的进行周期内的得分。
在一个实施例中,提出了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器中存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行计算机可读指令时实现上述各实施例中所述的基于人脸识别的点名签到方法的步骤。
在一个实施例中,提出了一种存储介质,所述存储介质可被处理器读写,所述存储介质存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个所述处理器执行上述各实施例中所述的基于人脸识别的点名签到方法的步骤。其中,所述存储介质可以为非易失性存储介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
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发明一些示例性实施例,其描述较为具体和详细,但并不能因此而理解为对本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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于人脸识别的点名签到方法,其特征在于,包括:
在课程的进行周期内实时获取参与课程的各个实际签到对象的人脸图像数据后作为待识别图像;
获取所述课程对应的计划签到对象的照片后作为对比图像;
将所述待识别图像与所述对比图像进行比对后得到识别结果;
根据所述识别结果,记录各个所述实际签到对象的出勤情况;
根据所述出勤情况,计算后得到各个所述实际签到对象在所述课程的进行周期内的得分。
2.如权利要求1所述的基于人脸识别的点名签到方法,其特征在于,所述在课程的进行周期内实时获取参与课程的各个实际签到对象的人脸图像数据后作为待识别图像,包括:
通过监控设备获取含有参与所述课程的所述实际签到对象的视频数据;
从所述视频数据中提取包含人脸的所述人脸图像数据;
对所述人脸图像数据进行处理,得到待识别图像。
3.如权利要求1所述的基于人脸识别的点名签到方法,其特征在于,所述获取所述课程对应的计划签到对象的照片后作为对比图像,包括:
从教学管理数据库中调取所述课程对应的计划签到对象的选课基本信息表;
将所述选课基本信息表按照预设的尺寸划分为若干子块;
提取每一所述子块的像素点的像素值,将每一所述像素值与预设的像素值范围进行比较;
提取像素值落入所述像素值范围内的所述子块,得到所述计划签到对象的照片,将此照片作为所述对比图像。
4.如权利要求1所述的基于人脸识别的点名签到方法,其特征在于,所述将所述待识别图像与所述对比图像进行比对后得到识别结果,包括:
从所述待识别图像中检测人脸的个数,定位每一所述人脸的坐标,提取每一所述人脸的面部特征;
提取任一所述对比图像的人脸面部特征;
将任一所述对比图像的人脸面部特征与所述待识别图像中每一人脸面部特征一一进行比对,得到识别结果。
5.如权利要求1所述的基于人脸识别的点名签到方法,其特征在于,所述根据所述出勤情况,计算后得到各个所述实际签到对象在所述课程的进行周期内的得分,包括:
将在所述课程的进行周期内每次比对成功的实际签到对象标记为正常出勤,并记录在所述课程的学习积分中;
将在所述课程的进行周期内均未比对成功的实际签到对象标记为旷课,并记录在所述课程的学习积分中;
将在预设的早退区间内连续两次未比对成功的实际签到对象标记为早退,并记录在所述课程的学习积分中;
将在预设的迟到区间内连续两次未比对成功的实际签到对象标记为迟到,并记录在所述课程的学习积分中。
6.如权利要求2所述的基于人脸识别的点名签到方法,其特征在于,所述从所述视频数据中提取包含人脸的所述人脸图像数据,包括:
从所述视频数据中提取视频关键帧数据;
从所述视频关键帧数据中获取每一帧中的所述人脸图像数据。
7.如权利要求2所述的基于人脸识别的点名签到方法,其特征在于,所述对所述人脸图像数据进行处理,得到待识别图像,包括:
将所述人脸图像数据的彩色图像灰度化处理后再进行直方图均衡化操作,计算所述人脸图像数据的直方图,统计所述直方图每个灰度级出现的次数,归一化所述直方图并计算所述直方图的积分,根据映射函数计算新的像素值,映射函数S如下:
上述公式中,M是图像中像素的总和,mj是当前灰度级的像素个数,L是图像中的灰度级总数;
对所述人脸图像进行大小校正,将所述人脸图像调整到预设的图像大小。
8.一种基于人脸识别的点名签到装置,其特征在于,包括如下模块:
待识别图像获取模块,设置为在课程的进行周期内实时获取参与课程的各个实际签到对象的人脸图像数据后作为待识别图像;
对比图像获取模块,设置为获取所述课程对应的计划签到对象的照片后作为对比图像;
比对模块,设置为将所述待识别图像与所述对比图像进行比对后得到识别结果;
出勤情况记录模块,设置为根据所述识别结果,记录各个所述实际签到对象的出勤情况;
课程得分计算模块,根据所述出勤情况,计算后得到各个所述实际签到对象在所述课程的进行周期内的得分。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被一个或多个所述处理器执行时,使得一个或多个所述处理器执行如权利要求1至7中任一项所述的基于人脸识别的点名签到方法的步骤。
10.一种存储介质,其特征在于,所述存储介质可被处理器读写,所述存储介质存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个所述处理器执行如权利要求1至7中任一项所述的基于人脸识别的点名签到方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910061901.4A CN109903410A (zh) | 2019-01-23 | 2019-01-23 | 基于人脸识别的点名签到方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910061901.4A CN109903410A (zh) | 2019-01-23 | 2019-01-23 | 基于人脸识别的点名签到方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109903410A true CN109903410A (zh) | 2019-06-18 |
Family
ID=66943999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910061901.4A Pending CN109903410A (zh) | 2019-01-23 | 2019-01-23 | 基于人脸识别的点名签到方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109903410A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363159A (zh) * | 2019-07-17 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、电子设备及计算机可读存储介质 |
CN110533788A (zh) * | 2019-08-14 | 2019-12-03 | 合肥智圣新创信息技术有限公司 | 一种基于人脸识别和在线实时数据的高校学生考勤系统 |
CN117935341A (zh) * | 2024-03-21 | 2024-04-26 | 福建信息职业技术学院 | 一种基于人脸识别自动签到的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140294291A1 (en) * | 2013-03-26 | 2014-10-02 | Hewlett-Packard Development Company, L.P. | Image Sign Classifier |
CN106228629A (zh) * | 2016-07-15 | 2016-12-14 | 合肥师范学院 | 一种基于人脸识别的课堂签到系统 |
CN107481343A (zh) * | 2017-07-22 | 2017-12-15 | 华中师范大学 | 一种基于人脸识别技术的课堂考勤签到系统及其工作方法 |
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 |
US10037458B1 (en) * | 2017-05-02 | 2018-07-31 | King Fahd University Of Petroleum And Minerals | Automated sign language recognition |
-
2019
- 2019-01-23 CN CN201910061901.4A patent/CN109903410A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140294291A1 (en) * | 2013-03-26 | 2014-10-02 | Hewlett-Packard Development Company, L.P. | Image Sign Classifier |
CN106228629A (zh) * | 2016-07-15 | 2016-12-14 | 合肥师范学院 | 一种基于人脸识别的课堂签到系统 |
US10037458B1 (en) * | 2017-05-02 | 2018-07-31 | King Fahd University Of Petroleum And Minerals | Automated sign language recognition |
CN107481343A (zh) * | 2017-07-22 | 2017-12-15 | 华中师范大学 | 一种基于人脸识别技术的课堂考勤签到系统及其工作方法 |
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 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363159A (zh) * | 2019-07-17 | 2019-10-22 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、电子设备及计算机可读存储介质 |
CN110533788A (zh) * | 2019-08-14 | 2019-12-03 | 合肥智圣新创信息技术有限公司 | 一种基于人脸识别和在线实时数据的高校学生考勤系统 |
CN110533788B (zh) * | 2019-08-14 | 2021-12-24 | 合肥智圣新创信息技术有限公司 | 一种基于人脸识别和在线实时数据的高校学生考勤系统 |
CN117935341A (zh) * | 2024-03-21 | 2024-04-26 | 福建信息职业技术学院 | 一种基于人脸识别自动签到的方法 |
CN117935341B (zh) * | 2024-03-21 | 2024-06-04 | 福建信息职业技术学院 | 一种基于人脸识别自动签到的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | University classroom attendance based on deep learning | |
CN109903410A (zh) | 基于人脸识别的点名签到方法、装置、设备和存储介质 | |
CN110502999B (zh) | 校园管理系统及方法 | |
KR20200068771A (ko) | 딥러닝 기반 얼굴 인식 출석체크 시스템 | |
CN110543811B (zh) | 一种基于深度学习的非配合式考试人员管理方法及其系统 | |
CN111144275A (zh) | 一种基于人脸识别的跑步智能测试系统及方法 | |
CN110135380B (zh) | 一种基于人脸检测的课堂专注度识别的方法 | |
CN113269903A (zh) | 人脸识别课堂考勤系统 | |
CN111611854A (zh) | 一种基于模式识别的课堂情况评价方法 | |
Bekzod | Face recognition based automated student attendance system | |
Rajput et al. | Attendance Management System using Facial Recognition | |
CN113434229A (zh) | 一种教育教学云桌面智能分析管理方法、系统及计算机存储介质 | |
Yadav et al. | Attendance Management System Based on Face Recognition Using Haar-Cascade | |
Yadav et al. | In-browser attendance system using face recognition and serverless edge computing | |
Calic | From the laboratory to the real world: Evaluating the impact of impostors, expertise and individual differences on human face matching performance. | |
Fekry et al. | Automatic detection for students behaviors in a group presentation | |
Barba-Guaman et al. | The attention of students in online education: Using head pose techniques to detect attention in videoconferencing platforms: A case study | |
Rathi et al. | Multi-Facial Automated Attendance System using Haar Cascade, LBPH, and OpenCV-Based Face Detection and Recognition | |
Guan et al. | Evaluation of classroom teaching quality based on video processing technology | |
Yadav et al. | Smart Attendance System Using Face Recognition | |
Nabi et al. | A Comprehensive Face Recognition Solution for Attendance and Social Security System Using CNN | |
Patil et al. | A Review: College Attendance System Using Image Tagging | |
Dargham et al. | Estimating the number of cameras required for a given classroom for face-based smart attendance system | |
CN117935341B (zh) | 一种基于人脸识别自动签到的方法 | |
Nizam et al. | Automated Attendance Management System: Leveraging Computer Vision for Efficient Tracking and Monitoring |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190618 |