CN111680569B - 基于图像分析的出勤率检测方法、装置、设备及存储介质 - Google Patents

基于图像分析的出勤率检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111680569B
CN111680569B CN202010403555.6A CN202010403555A CN111680569B CN 111680569 B CN111680569 B CN 111680569B CN 202010403555 A CN202010403555 A CN 202010403555A CN 111680569 B CN111680569 B CN 111680569B
Authority
CN
China
Prior art keywords
detection
attendance
area
head
carrying
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
Application number
CN202010403555.6A
Other languages
English (en)
Other versions
CN111680569A (zh
Inventor
苗鱼
林春艳
赵巍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shineon Technology Co ltd
Original Assignee
Shineon Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shineon Technology Co ltd filed Critical Shineon Technology Co ltd
Priority to CN202010403555.6A priority Critical patent/CN111680569B/zh
Publication of CN111680569A publication Critical patent/CN111680569A/zh
Application granted granted Critical
Publication of CN111680569B publication Critical patent/CN111680569B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1091—Recording time for administrative or management purposes
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Educational Technology (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Primary Health Care (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Social Psychology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像分析的出勤率检测方法，其特征在于，包括：根据视频图像确定目标运动区域，基于所述运动区域确定检测区域；采用预先训练的人头检测模型对所述检测区域进行分区域检测、整体区域检测以及阶段性检测，获得人数检测结果；根据所述人数检测结果以及目标人数计算出勤率。通过上述方法，只需利用摄像头采集的图像数据，即可自动检测教室内学生的出勤率。

Description

基于图像分析的出勤率检测方法、装置、设备及存储介质
技术领域
本发明涉及图像分析技术领域，特别涉及一种基于图像分析的出勤率检测方法、装置、设备及存储介质。
背景技术
在教学管理中，学生的出勤率是一个重要的考核目标，如果班级出勤率比较低，不仅影响了学生的正常学习,而且会对学校的学风产生很坏的影响。同时，出勤率也是评价教师教学水平的一个有力依据，对教师的课程安排也是一个必要参考数据，从教育信息化发展的角度看，此项数据可以为目前信息化教学提供基础数据。所以如何简单高效的统计学校各班级的出勤率成为一个很重要的问题。
现有技术中，在教室门口安装一个人数统计设备，或者在学生桌椅上安装一个检测设备，来统计学生的出勤率，这对于目前学校大规模常态化教学的要求来说，无疑增加了不菲的成本，也增加了管理的难度。
发明内容
本公开实施例提供了一种基于图像分析的出勤率检测方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本公开实施例提供了一种基于图像分析的出勤率检测方法，包括：
根据视频图像确定目标运动区域，基于运动区域确定检测区域；
采用预先训练的人头检测模型对检测区域进行分区域检测、整体区域检测以及阶段性检测，获得人数检测结果；
根据人数检测结果以及目标人数计算出勤率。
进一步地，根据视频图像确定目标运动区域之前，还包括：
获取目标视频图像。
进一步地，采用预先训练的人头检测模型对检测区域进行分区域检测之前，还包括：
根据运动区域划分检测区域。
进一步地，采用预先训练的人头检测模型对检测区域进行分区域检测，包括：
采用预先训练的人头检测模型对划分完成的每个检测区域进行人头检测，对检测结果进行排重处理，并记录人头对应的身体区域信息以及运动轨迹信息。
进一步地，对检测区域进行整体区域检测，包括：
根据每个检测区域记录的人头信息、身体区域信息以及运动轨迹信息，对整体检测区域进行人头排重处理，获得整体检测结果。
进一步地，对检测区域进行阶段性检测，获得人数检测结果，包括：
根据整体检测结果，对整体检测区域进行连续预设时长内的人头排重处理，获得人数检测结果。
第二方面，本公开实施例提供了一种基于图像分析的出勤率检测装置，包括：
预处理模块，用于根据视频图像确定目标运动区域，基于运动区域确定检测区域；
检测模块，用于采用预先训练的人头检测模型对检测区域进行分区域检测、整体区域检测以及阶段性检测，获得人数检测结果；
计算模块，用于根据人数检测结果以及目标人数计算出勤率。
进一步地，还包括：
获取模块，用于获取目标视频图像。
第三方面，本公开实施例提供了一种基于图像分析的出勤率检测设备，包括处理器和存储有程序指令的存储器，其特征在于，处理器被配置为在执行程序指令时，执行上述实施例提供的基于图像分析的出勤率检测方法。
第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机可读指令，计算机可读指令可被处理器执行以实现上述实施例提供的一种基于图像分析的出勤率检测方法。
本公开实施例提供的技术方案可以包括以下有益效果：
本公开实施例提供了一种基于图像分析的出勤率检测方法，包括，根据视频图像确定目标运动区域，基于所述运动区域确定检测区域；采用预先训练的人头检测模型对所述检测区域进行分区域检测、整体区域检测以及阶段性检测，获得人数检测结果；根据所述人数检测结果以及目标人数计算出勤率。基于本公开实施例，只需对摄像头采集的图像数据进行人头检测、排重，即可自动检测教室内学生的出勤率，无需安装多余设备，大大降低了检测成本。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种基于图像分析的出勤率检测方法的流程示意图；
图2是根据一示例性实施例示出的一种目标检测方法的流程示意图；
图3是根据一示例性实施例示出的一种基于图像分析的出勤率检测方法的流程示意图；
图4是根据一示例性实施例示出的一种基于图像分析的出勤率检测装置的结构示意图；
图5是根据一示例性实施例示出的一种预处理模块的结构示意图；
图6是根据一示例性实施例示出的一种检测模块的结构示意图；
图7是根据一示例性实施例示出的一种基于图像分析的出勤率检测系统的结构示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或一个以上实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
学生的出勤率是教学水平评价的一个重要依据，如何简单高效的统计学校各班级的出勤率是一个很重要的问题，现有技术中，通常在班级门口安装一个人数统计设备，或者在学生的课桌上安装一个检测设备，从而统计各班级的出勤率，这对于目前学校大规模常态化的要求来说，大大增加了检测成本，很难大范围推广实施，而且增加了管理上的难度。本公开实施例提供的基于图像分析的出勤率检测方法，无需安装任何设备，只需利用常态化教学环境中必备的摄像头采集班级视频图像，利用预先训练的人头检测模型检测图像中的人头数据，即可自动检测教室内学生的人数。该出勤率检测方法自动化程度高，检测精确，而且大大降低了检测成本，便于推广实施。
下面将结合附图1-附图3，对本申请实施例提供的基于图像分析的出勤率检测方法进行详细介绍。
图1是根据一示例性实施例示出的一种基于图像分析的出勤率检测方法的流程示意图；如图1所示，本申请实施例的方法可以包括以下步骤：
S101根据视频图像确定目标运动区域，基于运动区域确定检测区域；
具体地，在根据视频图像确定目标的运动区域前，还包括，获取视频图像。可选地，可利用教室中安装的监控摄像头获取教室内的视频图像，无需安装其他视频采集设备。
在通过摄像头获取视频图像之前，需要对摄像头进行标定，因为不需要获取详细定位信息，因此，本公开实施例简化了传统的摄像机标定方法，只需测量环境中的位置固定的参考物的实际尺寸信息和图像上的对应点像素尺寸信息，求出检测区域图像坐标和人肩宽的映射关系；为后期的目标检测、区域划分、轨迹跟踪及目标排重等提供判断依据。
进一步地，根据视频图像确定目标的运动区域，其中，运动区域指的是有目标活动的区域，为了提高检测精度，排除教室内静态图片上的人物或者人头干扰，增加了运动区域检测，即目标检测只在有目标活动范围内进行检测。
根据目标的运动区域，确定目标的检测区域，可以提高检测的精度。
S102采用预先训练的人头检测模型对检测区域进行分区域检测、整体区域检测以及阶段性检测，获得人数检测结果；
在一种可能的实现方式中，根据步骤S101确定的检测区域，采用预先训练的人头检测模型对检测区域进行人头检测前，还包括，划分所述检测区域，由于学生全景图像是一个俯瞰的角度，远近目标在图像上的尺寸差距比较大，为了提高检测效率和精度，本公开实施例对图像进行区域划分，可选地，把图像划分成12个区域，由于目标的活动性和连续性，为防止目标检测的误判和漏判，划分区域时相邻区域必须有一定量的重叠。然后结合步骤S101确定的目标运动区域，修改检测区域的边界，进一步界定目标检测区域的边界。
检测区域划分完成后，训练人头检测模型，具体地，收集人头样本，采用HOG(Histogram of Oriented Gradient，方向梯度直方图)和Adaboost算法，训练人头检测模型。
进一步地，采用训练完成的人头检测模型对检测区域进行分区域检测、整体区域检测以及阶段性检测，获得人数检测结果。
具体地，采用人头检测模型对划分完成的每个检测区域进行人头检测，为了利用目标的运动轨迹信息排重，获取每个检测区域连续时间内的图像，对每个检测区域进行连续数帧的检测，结合标定信息对每帧图像的检测结果进行排重处理，然后保存每个区域的检测结果，并记录人头对应的身体区域信息以及运动轨迹信息。
进一步地，分区域检测完成后，再进行整体区域检测，利用分区域检测记录的人头信息、身体区域信息以及运动轨迹信息，对整体检测区域进行人头排重处理，获得整体检测结果。进行整体区域检测，可以对划分的单个区域的重叠部分进行排重处理，进一步精确检测结果。
为了获得更加精确的检测结果，还需进行阶段性检测，包括，根据整体检测结果，对整体检测区域进行连续预设时长内的人头排重处理，获得人数检测结果。
具体地，获取连续时间内的视频图像，保存每帧图像检测到的整体检测结果，对预设时长内的每帧图像的整体检测结果，继续进行排重处理，获取一段时间内更加精确的检测结果。
在一种可能的实现方式中，预设时长为5分钟，获取5分钟内的视频图像，保存5分钟内的每帧图像检测到的整体检测结果，对5分钟内的每帧图像的整体检测结果，继续进行排重处理，获得5分钟内，教室的人数，通过进行阶段性检测，可以使检测结果更加精确，获取一段时间内教室中精确的出勤人数，大大提高了检测精度。
S103根据人数检测结果以及目标人数计算出勤率。
在一种可能的实现中，根据步骤S102中的人数检测结果，结合预先设定的目标人数，计算出勤率。出勤率计算公式如下所示：
在一些示例性场景中，根据步骤S102得到的教室出勤人数为38人，预先设定的应到目标人数为40人，根据出勤率计算公式得到的出勤率为95％。
根据该步骤，可以获得每个班级的出勤率。
可选地，可以分析出勤率和课程类别的关系，具体地，获取课程对应的应到目标人数，根据步骤S101-S103计算该节课对应的出勤率，得到该课程的出勤率，连续统计该课程的出勤率，计算该课程的平均出勤率，当该课程的平均出勤率低于预设出勤率阈值时，确定该课程类别对学生的出勤率有影响。
在一些示例性场景中，连续获取5次某选修课的出勤率，计算该课程的平均出勤率，当平均出勤率低于预设80％时，确定该课程类别对学生的出勤率有影响。根据课程类别对学生的出勤率的影响，从而指导学校教学管理系统根据分析结果，合理修改不同课程类别的课程要求来提高教学质量。
可选地，基于图像分析的出勤率检测方法计算员工的出勤率，获取员工应到目标人数，获取工作区域摄像头监控图像，在一些示例性场景中，有3个工作区域，分别是工作区域A、B、C，获取3个不同的工作区域的监控图像，分别对多个工作区域的图像数据进行运动区域检测，确定检测区域，然后将工作区域A划分成不同的检测区域，将工作区域B划分成不同的检测区域，将工作区域C划分成不同的检测区域，采用人头检测模型对划分的单个区域分别进行分区域检测，然后对工作区域A进行整体区域监测、对工作区域B进行整体区域检测，对工作区域C进行整体区域检测，在对工作区域ABC进行整体区域检测，最后，对工作区域ABC进行整体分阶段区域检测，得到员工的出勤人数，再结合员工的应到目标人数，计算员工的出勤率。
根据本公开实施例提供的基于图像分析的出勤率检测方法，无需安装任何设备，只需利用常态化教学环境中必备的摄像头采集班级视频图像，利用预先训练的人头检测模型检测图像中的人头数据，即可自动检测教室内学生的人数。该出勤率检测方法自动化程度高，检测精确，而且大大降低了检测成本，便于推广实施。
图2是根据一示例性实施例示出的一种目标检测方法的流程示意图；
如图2所示，首先获取视频图像，对视频图像进行预处理，去除噪声数据，确定检测区域，然后对检测区域进行划分，采用预先训练的人头检测模型对划分完成的单个检测区域进行分区域检测，当检测到人头信息时，保存区域人头信息，当没有检测到人头信息时，判断是否是最后一帧图像，若是，则结束检测，若不是，则获取下一帧图像，当对单个区域进行完一轮检测时，输出每轮的检测结果，并进行整体区域检测和排重处理，保存整体区域的检测信息，整体区域检测完成后，进行阶段性区域检测，根据整体检测结果，对整体检测区域进行连续预设时长内的人头排重处理，获得人数检测结果，并输出阶段性检测结果。阶段性区域检测完成后，判断是否是最后一帧图像，若是最后一帧图像，则结束检测，若不是，则获取下一帧图像，继续进行分区域目标检测、整体区域目标检测以及阶段性目标检测。
图3是根据一示例性实施例示出的一种基于图像分析的出勤率检测方法的流程示意图；
如图3所示，一种基于图像分析的出勤率检测方法，包括，获取视频图像数据，对视频图像数据进行预处理，对摄像头进行标定，测量环境中的位置固定的参考物的实际尺寸信息和图像上的对应点像素尺寸信息，求出检测区域图像坐标和人肩宽的映射关系，为后期的目标检测、区域划分和运动检测等提供判断依据。然后训练人头检测模型，进一步地，为了提高检测精度，排除教室内静态图片上的人物或者人头干扰，增加了运动区域检测，即目标检测只在有目标活动范围内进行检测。根据目标的运动区域，确定目标的检测区域，然后对检测区域进行划分。
进一步地，采用训练完成的人头检测模型对检测区域进行分区域检测、整体区域检测以及阶段性检测，获得人数检测结果。
具体地，采用预先训练的人头检测模型对划分完成的每个检测区域进行人头检测，对检测结果进行排重处理，并记录人头对应的身体区域信息以及运动轨迹信息。根据每个检测区域记录的人头信息、身体区域信息以及运动轨迹信息，对整体检测区域进行人头排重处理，获得整体检测结果。根据整体检测结果，对整体检测区域进行连续预设时长内的人头排重处理，获得人数检测结果。
根据设定的应到人数和检测到的人数计算出勤率。
根据本公开实施例提供的基于图像分析的出勤率检测方法，无需安装任何设备，只需利用常态化教学环境中必备的摄像头采集班级视频图像，利用预先训练的人头检测模型检测图像中的人头数据，即可自动检测教室内学生的人数。该出勤率检测方法自动化程度高，检测精确，而且大大降低了检测成本，便于推广实施。
第二方面，本公开实施例提供了一种基于图像分析的出勤率检测装置，图4是根据一示例性实施例示出的一种基于图像分析的出勤率检测装置的结构示意图；如图4所示，包括：
S401预处理模块，用于根据视频图像确定目标运动区域，基于运动区域确定检测区域；
S402检测模块，用于采用预先训练的人头检测模型对检测区域进行分区域检测、整体区域检测以及阶段性检测，获得人数检测结果；
S403计算模块，用于根据人数检测结果以及目标人数计算出勤率。
进一步地，还包括：
获取模块，用于获取目标视频图像。
具体地，图5是根据一示例性实施例示出的一种预处理模块的结构示意图，如图5所示，预处理模块包括训练模型单元，用于收集人头样本，采用HOG算法和Adaboost算法，训练人头检测模型。包括摄像机标定单元，用于标定摄像机。包括检测区域划分单元，用于划分检测区域。包括运动区域确定单元，用于检测目标的可能运动区域。
图6是根据一示例性实施例示出的一种检测模块的结构示意图；
如图6所示，检测模块包括分区域检测单元，用于采用预先训练的人头检测模型对划分完成的每个检测区域进行人头检测，对检测结果进行排重处理，并记录人头对应的身体区域信息以及运动轨迹信息。包括整体区域检测单元，用于根据每个检测区域记录的人头信息、身体区域信息以及运动轨迹信息，对整体检测区域进行人头排重处理，获得整体检测结果。还包括阶段性检测单元，用于根据整体检测结果，对整体检测区域进行连续预设时长内的人头排重处理，获得人数检测结果。
根据本公开实施例提供的基于图像分析的出勤率检测装置，无需安装任何设备，只需利用常态化教学环境中必备的摄像头采集班级视频图像，利用预先训练的人头检测模型检测图像中的人头数据，即可自动检测教室内学生的人数。该出勤率检测装置自动化程度高，检测精确，而且大大降低了检测成本，便于推广实施。
需要说明的是，上述实施例提供的基于图像分析的出勤率检测装置在执行基于图像分析的出勤率检测方法时，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，即将设备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，上述实施例提供的基于图像分析的出勤率检测装置与基于图像分析的出勤率检测方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
第三方面，本公开实施例提供了一种基于图像分析的出勤率检测设备，包括处理器和存储有程序指令的存储器，图7是根据一示例性实施例示出的一种基于图像分析的出勤率检测设备的结构示意图。如图7所示，一种基于图像分析的出勤率检测系统，包括处理器71和存储有程序指令的存储器72，还可以包括通信接口73和总线74。其中，处理器71、通信接口73、存储器72可以通过总线74完成相互间的通信。通信接口73可以用于信息传输。处理器71可以调用存储器72中的逻辑指令，以执行上述实施例提供的基于图像分析的出勤率检测方法。
第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机可读指令，计算机可读指令可被处理器执行以实现上述实施例提供的一种基于图像分析的出勤率检测方法。
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种基于图像分析的出勤率检测方法，其特征在于，包括：
根据视频图像确定目标运动区域，基于所述运动区域确定检测区域；
采用预先训练的人头检测模型对所述检测区域进行分区域检测、整体区域检测以及阶段性检测，获得人数检测结果；包括：根据所述运动区域划分所述检测区域，划分区域时相邻区域有一定量的重叠，采用预先训练的人头检测模型对划分完成的每个检测区域进行人头检测，对检测结果进行排重处理，并记录人头对应的身体区域信息以及运动轨迹信息；对所述检测区域进行整体区域检测，包括：根据每个检测区域记录的人头信息、身体区域信息以及运动轨迹信息，对整体检测区域进行人头排重处理，获得整体检测结果；对所述检测区域进行阶段性检测，包括：根据整体检测结果，对整体检测区域进行连续预设时长内的人头排重处理，获得人数检测结果；
根据所述人数检测结果以及目标人数计算出勤率；
获取课程对应的应到目标人数，计算该节课对应的出勤率，得到该课程的出勤率，连续统计该课程的出勤率，计算该课程的平均出勤率，当该课程的平均出勤率低于预设出勤率阈值时，确定该课程类别对学生的出勤率有影响。
2.根据权利要求1所述的方法，其特征在于，所述根据视频图像确定目标运动区域之前，还包括：
获取目标视频图像。
3.根据权利要求1所述的方法，其特征在于，所述采用预先训练的人头检测模型对所述检测区域进行分区域检测之前，还包括：
收集人头样本，根据所述人头样本训练人头检测模型。
4.一种基于图像分析的出勤率检测装置，其特征在于，包括：
预处理模块，用于根据视频图像确定目标运动区域，基于所述运动区域确定检测区域；
检测模块，用于采用预先训练的人头检测模型对所述检测区域进行分区域检测、整体区域检测以及阶段性检测，获得人数检测结果；包括：根据所述运动区域划分所述检测区域，划分区域时相邻区域有一定量的重叠，采用预先训练的人头检测模型对划分完成的每个检测区域进行人头检测，对检测结果进行排重处理，并记录人头对应的身体区域信息以及运动轨迹信息；对所述检测区域进行整体区域检测，包括：根据每个检测区域记录的人头信息、身体区域信息以及运动轨迹信息，对整体检测区域进行人头排重处理，获得整体检测结果；对所述检测区域进行阶段性检测，包括：根据整体检测结果，对整体检测区域进行连续预设时长内的人头排重处理，获得人数检测结果；
计算模块，用于根据所述人数检测结果以及目标人数计算出勤率；获取课程对应的应到目标人数，计算该节课对应的出勤率，得到该课程的出勤率，连续统计该课程的出勤率，计算该课程的平均出勤率，当该课程的平均出勤率低于预设出勤率阈值时，确定该课程类别对学生的出勤率有影响。
5.根据权利要求4所述的装置，其特征在于，还包括：
获取模块，用于获取目标视频图像。
6.一种基于图像分析的出勤率检测设备，其特征在于，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至3任一项所述的基于图像分析的出勤率检测方法。
7.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至3任一项所述的一种基于图像分析的出勤率检测方法。
CN202010403555.6A 2020-05-13 2020-05-13 基于图像分析的出勤率检测方法、装置、设备及存储介质 Active CN111680569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010403555.6A CN111680569B (zh) 2020-05-13 2020-05-13 基于图像分析的出勤率检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010403555.6A CN111680569B (zh) 2020-05-13 2020-05-13 基于图像分析的出勤率检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111680569A CN111680569A (zh) 2020-09-18
CN111680569B true CN111680569B (zh) 2024-04-19

Family

ID=72433481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010403555.6A Active CN111680569B (zh) 2020-05-13 2020-05-13 基于图像分析的出勤率检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111680569B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469157B (zh) * 2021-09-06 2021-12-17 深圳启程智远网络科技有限公司 一种基于大数据的学生出勤管理系统及方法
CN115190324B (zh) * 2022-06-30 2023-08-29 广州市奥威亚电子科技有限公司 线上线下互动直播热度的确定方法、装置及设备

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101303727A (zh) * 2008-07-08 2008-11-12 北京中星微电子有限公司 基于视频人数统计的智能管理方法及其系统
CN101477641A (zh) * 2009-01-07 2009-07-08 北京中星微电子有限公司 基于视频监控的人数统计方法和系统
CN101872431A (zh) * 2010-02-10 2010-10-27 杭州海康威视软件有限公司 可适用多角度应用场景的人流量统计的方法及系统
KR101064927B1 (ko) * 2010-08-10 2011-09-16 주식회사 유니온커뮤니티 영상 분석을 이용한 방문자 계수 시스템 및 그 방법
CN102542289A (zh) * 2011-12-16 2012-07-04 重庆邮电大学 一种基于多高斯计数模型的人流量统计方法
CN102750539A (zh) * 2012-06-06 2012-10-24 深圳市海亿达能源科技股份有限公司 一种对区域空间人群进行统计的装置及其统计方法
CN103986910A (zh) * 2014-05-20 2014-08-13 中国科学院自动化研究所 一种基于智能分析摄像机的客流统计方法和系统
WO2015131734A1 (zh) * 2014-07-25 2015-09-11 中兴通讯股份有限公司 一种前视监视场景下的行人计数方法、装置和存储介质
CN105321187A (zh) * 2014-07-22 2016-02-10 无锡慧眼电子科技有限公司 基于人头检测的行人计数方法
CN105631410A (zh) * 2015-12-18 2016-06-01 华南理工大学 一种基于智能视频处理技术的课堂检测方法
CN106845383A (zh) * 2017-01-16 2017-06-13 腾讯科技（上海）有限公司 人头检测方法和装置
CN106997459A (zh) * 2017-04-28 2017-08-01 成都艾联科创科技有限公司 一种基于神经网络和图像叠合分割的人数统计方法及系统
CN107491715A (zh) * 2016-06-13 2017-12-19 北京文安智能技术股份有限公司 一种基于视频分析的地铁车厢客流统计方法、装置及系统
CN108021895A (zh) * 2017-12-07 2018-05-11 深圳云天励飞技术有限公司 人数统计方法、设备、可读存储介质及电子设备
CN108388883A (zh) * 2018-03-16 2018-08-10 广西师范大学 一种基于hog+svm的视频人数统计方法
CN108986064A (zh) * 2017-05-31 2018-12-11 杭州海康威视数字技术股份有限公司 一种人流量统计方法、设备及系统
CN109583351A (zh) * 2018-11-22 2019-04-05 广州市保伦电子有限公司 基于视频分析的课堂学生注意力获取方法、装置及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10650249B2 (en) * 2016-10-25 2020-05-12 Shenzhen University Method and device for counting pedestrians based on identification of head top of human body

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101303727A (zh) * 2008-07-08 2008-11-12 北京中星微电子有限公司 基于视频人数统计的智能管理方法及其系统
CN101477641A (zh) * 2009-01-07 2009-07-08 北京中星微电子有限公司 基于视频监控的人数统计方法和系统
CN101872431A (zh) * 2010-02-10 2010-10-27 杭州海康威视软件有限公司 可适用多角度应用场景的人流量统计的方法及系统
KR101064927B1 (ko) * 2010-08-10 2011-09-16 주식회사 유니온커뮤니티 영상 분석을 이용한 방문자 계수 시스템 및 그 방법
CN102542289A (zh) * 2011-12-16 2012-07-04 重庆邮电大学 一种基于多高斯计数模型的人流量统计方法
CN102750539A (zh) * 2012-06-06 2012-10-24 深圳市海亿达能源科技股份有限公司 一种对区域空间人群进行统计的装置及其统计方法
CN103986910A (zh) * 2014-05-20 2014-08-13 中国科学院自动化研究所 一种基于智能分析摄像机的客流统计方法和系统
CN105321187A (zh) * 2014-07-22 2016-02-10 无锡慧眼电子科技有限公司 基于人头检测的行人计数方法
WO2015131734A1 (zh) * 2014-07-25 2015-09-11 中兴通讯股份有限公司 一种前视监视场景下的行人计数方法、装置和存储介质
CN105631410A (zh) * 2015-12-18 2016-06-01 华南理工大学 一种基于智能视频处理技术的课堂检测方法
CN107491715A (zh) * 2016-06-13 2017-12-19 北京文安智能技术股份有限公司 一种基于视频分析的地铁车厢客流统计方法、装置及系统
CN106845383A (zh) * 2017-01-16 2017-06-13 腾讯科技（上海）有限公司 人头检测方法和装置
CN106997459A (zh) * 2017-04-28 2017-08-01 成都艾联科创科技有限公司 一种基于神经网络和图像叠合分割的人数统计方法及系统
CN108986064A (zh) * 2017-05-31 2018-12-11 杭州海康威视数字技术股份有限公司 一种人流量统计方法、设备及系统
CN108021895A (zh) * 2017-12-07 2018-05-11 深圳云天励飞技术有限公司 人数统计方法、设备、可读存储介质及电子设备
CN108388883A (zh) * 2018-03-16 2018-08-10 广西师范大学 一种基于hog+svm的视频人数统计方法
CN109583351A (zh) * 2018-11-22 2019-04-05 广州市保伦电子有限公司 基于视频分析的课堂学生注意力获取方法、装置及介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A people counting method based on head detection and tracking;Bin Li 等;2014 International Conference on Smart Computing;20150219;全文 *
基于自适应叠合分割与深度神经网络的人数统计方法;郭文生;包灵;钱智成;曹万里;;计算机科学;20180815(08);全文 *
基于视频分析的复杂场景人数统计方法研究;刘阳;李银萍;;信息通信;20180515(第05期);全文 *
基于计算机视觉技术的课堂自动考勤系统研究;张帆;龚翠艳;时德才;汪星航;;课程教育研究;20150405(第10期);全文 *
范欣欣 ; .基于图像的人数统计方法综述.无线互联科技.2018,(12),104-107. *

Also Published As

Publication number Publication date
CN111680569A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN105825189B (zh) 一种用于大学生到课率及上课专注度自动分析的装置
CN107229930B (zh) 一种指针式仪表数值智能识别方法
CN103324937B (zh) 标注目标的方法和装置
CN106169071B (zh) 一种基于动态人脸与胸卡识别的考勤方法及系统
CN111726586A (zh) 一种生产体系操作规范监测提醒系统
CN111680569B (zh) 基于图像分析的出勤率检测方法、装置、设备及存储介质
CN113139500B (zh) 烟雾检测方法、系统、介质及设备
CN107452015A (zh) 一种具有重检测机制的目标跟踪系统
CN109410098A (zh) 一种学生课堂行为分析及监控方法
CN105608209B (zh) 一种视频标注方法和视频标注装置
CN110309768A (zh) 车检工位的工作人员检测方法及设备
CN111814587A (zh) 人体行为检测方法、教师行为检测方法及相关系统和装置
CN109146880A (zh) 一种基于深度学习的电力设备检测方法
WO2022205632A1 (zh) 目标检测方法、装置、设备及存储介质
CN103514429A (zh) 检测对象的特定部位的方法及图像处理设备
CN104463240A (zh) 一种控制列表界面的方法及装置
CN114299606A (zh) 一种基于前端相机的睡觉检测方法及装置
CN104123569B (zh) 一种基于有监督学习的视频人数信息统计方法
CN111273232B (zh) 一种室内异常情况判断方法及系统
CN103096118B (zh) 摄像头变焦检测方法和装置
CN107545590A (zh) 一种识别人像身高的方法及系统
CN116503214A (zh) 一种体育教学智能体育测试系统
CN110738149A (zh) 目标跟踪方法、终端及存储介质
CN106446837B (zh) 一种基于运动历史图像的挥手检测方法
CN115659221A (zh) 一种教学质量的评估方法、装置及计算机可读存储介质

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