CN111739181A - 考勤方法及装置、电子设备及存储介质 - Google Patents
考勤方法及装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111739181A CN111739181A CN202010427333.8A CN202010427333A CN111739181A CN 111739181 A CN111739181 A CN 111739181A CN 202010427333 A CN202010427333 A CN 202010427333A CN 111739181 A CN111739181 A CN 111739181A
- Authority
- CN
- China
- Prior art keywords
- image
- similarity
- attendance
- face
- processed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003384 imaging method Methods 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 10
- 230000001815 facial effect Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Educational Technology (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种考勤方法及装置、电子设备及存储介质。该方法包括:获取至少一张待处理图像;所述至少一张待处理图像中的每一张图像均为在考勤课程的开课时间段内,对所述考勤课程的开课地点内进行拍摄到的图像;确定人脸图像库中的图像与所述至少一张待处理图像之间的相似度,得到至少一个相似度;所述人脸图像库包含所述考勤课程的应到学生的人脸图像;依据所述至少一个相似度与第一阈值,得到所述考勤课程的考勤结果。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种考勤方法及装置、电子设备及存储介质。
背景技术
课程考勤指确定课程应到学生的考勤状态,为课程管理中的一个重要环节。传统方法中,通过人工考勤的方式确定应到学生的考勤状态。但该种方法得到的考勤准确度低。
发明内容
本申请提供一种考勤方法及装置、电子设备及存储介质。
第一方面,提供了一种考勤方法,该方法包括:
获取至少一张待处理图像;所述至少一张待处理图像中的每一张图像均为在考勤课程的开课时间段内,对所述考勤课程的开课地点内进行拍摄到的图像;
确定人脸图像库中的图像与所述至少一张待处理图像之间的相似度,得到至少一个相似度;所述人脸图像库包含所述考勤课程的应到学生的人脸图像;
依据所述至少一个相似度与第一阈值,得到所述考勤课程的考勤结果。
在该方面中,基于至少一张待处理图像和人脸图像库中的图像得到至少一个相似度,并依据至少一个相似度与第一阈值得到考勤结果。可减少因人工考勤导致考勤准确度降低的情况(如:老师认错应到学生、他人顶替应到学生)发生的概率,进而提高考勤准确度。
结合本申请任一实施方式,所述至少一张待处理图像包括第一待处理图像和第二待处理图像;所述考勤课程的开课时间段包括第一时间段和第二时间段;所述第一待处理图像为在所述第一时间段内采集的图像,所述第二待处理图像为在所述第二时间段内采集的图像;
所述确定人脸图像库中的图像与所述至少一张待处理图像之间的相似度,得到至少一个相似度,包括:
确定所述人脸图像库中的图像与所述第一待处理图像之间的相似度,得到第一相似度;
确定所述人脸图像库中的图像与所述第二待处理图像之间的相似度,得到第二相似度;
所述依据所述至少一个相似度与第一阈值,得到所述考勤课程的考勤结果,包括:
依据所述第一相似度、所述第二相似度和所述第一阈值,得到所述考勤结果。
结合本申请任一实施方式,所述第一时间段内的最大时间戳大于所述第二时间段内的最小时间戳;
所述依据所述第一相似度、所述第二相似度和所述第一阈值,得到所述考勤结果,包括:
确定所述第一相似度中超过所述第一阈值的相似度,得到第一参考相似度;
确定所述第二相似度中超过所述第一阈值的相似度,得到第二参考相似度;
在不存在既属于第一图像集,又属于第二图像集的图像的情况下,确定第一学生的考勤状态为早退;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像;所述第一学生为所述第一图像集中的图像对应的学生;和/或,
在不存在既属于第一图像集,又属于第二图像集的图像的情况下,确定第二学生的考勤状态为迟到;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像;所述第二学生为所述第二图像集中的图像对应的学生;和/或,
在第一图像集和第二图像集均包含第一图像的情况下,确定第三学生的考勤状态为已到;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像;所述第三学生为所述第一图像对应的学生;和/或,
确定第四学生的考勤状态为未到;所述第四学生为第二图像对应的学生;所述第二图像为所述人脸图像库中既不属于第一图像集又不属于第二图像集的图像;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像。
结合本申请任一实施方式,所述方法还包括:
对所述第一待处理图像进行特征提取处理得到第一特征数据,对所述第二待处理图像进行特征提取处理得到第二特征数据;
在依据所述第一特征数据与所述第二特征数据确定所述第二待处理图像中包含所述第一学生的情况下,将所述第一学生的考勤状态更新为已到;和/或,
在依据所述第一特征数据与所述第二特征数据确定所述第一待处理图像中包含所述第二学生的情况下,将所述第二学生的考勤状态更新为已到。
结合本申请任一实施方式,在所述获取至少一张待处理图像之前,所述方法还包括:
获取所述开课时间段和已创建的图像采集任务;
将所述开课时间段作为执行所述已创建的图像采集任务的时间;
向成像设备发送指令;所述指令用于指示所述成像设备在所述开课时间段内执行所述已创建的图像采集任务;所述成像设备用于采集所述开课地点内的图像;
所述获取至少一张待处理图像,包括:
获取所述成像设备采集到的至少一张图像,作为所述至少一张待处理图像。
结合本申请任一实施方式,在所述确定人脸图像库中的图像与所述至少一张待处理图像之间的相似度,得到至少一个相似度之前,所述方法还包括:
获取已创建的人脸比对任务;所述人脸比对任务包括将所述成像设备采集到的图像与所述人脸图像库中的图像进行比对;
将所述开课时间段作为所述已创建的人脸比对任务的执行时间。
结合本申请任一实施方式,所述方法还包括:
在所述应到学生的考勤状态均为已到的情况下,停止执行所述已创建的人脸比对任务。
第二方面,提供了一种考勤装置,该装置包括:
获取单元,用于获取至少一张待处理图像;所述至少一张待处理图像中的每一张图像均为在考勤课程的开课时间段内,对所述考勤课程的开课地点内进行拍摄到的图像;
确定单元,用于确定人脸图像库中的图像与所述至少一张待处理图像之间的相似度,得到至少一个相似度;所述人脸图像库包含所述考勤课程的应到学生的人脸图像;
处理单元,用于依据所述至少一个相似度与第一阈值,得到所述考勤课程的考勤结果。
结合本申请任一实施方式,所述至少一张待处理图像包括第一待处理图像和第二待处理图像;所述考勤课程的开课时间段包括第一时间段和第二时间段;所述第一待处理图像为在所述第一时间段内采集的图像,所述第二待处理图像为在所述第二时间段内采集的图像;
所述确定单元,用于:
确定所述人脸图像库中的图像与所述第一待处理图像之间的相似度,得到第一相似度;
确定所述人脸图像库中的图像与所述第二待处理图像之间的相似度,得到第二相似度;
所述依据所述至少一个相似度与第一阈值,得到所述考勤课程的考勤结果,包括:
依据所述第一相似度、所述第二相似度和所述第一阈值,得到所述考勤结果。
结合本申请任一实施方式,所述第一时间段内的最大时间戳大于所述第二时间段内的最小时间戳;
所述确定单元,用于:
确定所述第一相似度中超过所述第一阈值的相似度,得到第一参考相似度;
确定所述第二相似度中超过所述第一阈值的相似度,得到第二参考相似度;
在不存在既属于第一图像集,又属于第二图像集的图像的情况下,确定第一学生的考勤状态为早退;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像;所述第一学生为所述第一图像集中的图像对应的学生;和/或,
在不存在既属于第一图像集,又属于第二图像集的图像的情况下,确定第二学生的考勤状态为迟到;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像;所述第二学生为所述第二图像集中的图像对应的学生;和/或,
在第一图像集和第二图像集均包含第一图像的情况下,确定第三学生的考勤状态为已到;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像;所述第三学生为所述第一图像对应的学生;和/或,
确定第四学生的考勤状态为未到;所述第四学生为第二图像对应的学生;所述第二图像为所述人脸图像库中既不属于第一图像集又不属于第二图像集的图像;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像。
结合本申请任一实施方式,所述装置还包括:
特征提取单元,用于对所述第一待处理图像进行特征提取处理得到第一特征数据,对所述第二待处理图像进行特征提取处理得到第二特征数据;
所述确定单元,用于:
在依据所述第一特征数据与所述第二特征数据确定所述第二待处理图像中包含所述第一学生的情况下,将所述第一学生的考勤状态更新为已到;和/或,
在依据所述第一特征数据与所述第二特征数据确定所述第一待处理图像中包含所述第二学生的情况下,将所述第二学生的考勤状态更新为已到。
结合本申请任一实施方式,所述获取单元,用于在所述获取至少一张待处理图像之前,获取所述开课时间段和已创建的图像采集任务;
将所述开课时间段作为执行所述已创建的图像采集任务的时间;
所述装置还包括:
发送单元,用于向成像设备发送指令;所述指令用于指示所述成像设备在所述开课时间段内执行所述已创建的图像采集任务;所述成像设备用于采集所述开课地点内的图像;
所述获取单元,用于:
获取所述成像设备采集到的至少一张图像,作为所述至少一张待处理图像。
结合本申请任一实施方式,所述获取单元,用于在所述确定人脸图像库中的图像与所述至少一张待处理图像之间的相似度,得到至少一个相似度之前,获取已创建的人脸比对任务;所述人脸比对任务包括将所述成像设备采集到的图像与所述人脸图像库中的图像进行比对;
将所述开课时间段作为所述已创建的人脸比对任务的执行时间。
结合本申请任一实施方式,所述装置还包括:
控制单元,用于在所述应到学生的考勤状态均为已到的情况下,停止执行所述已创建的人脸比对任务。
第三方面,提供了一种电子设备,包括:处理器和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,在所述处理器执行所述计算机指令的情况下,所述电子设备执行如上述第一方面及其任意一种可能实现的方式的方法。
第四方面,提供了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计算机程序,所述计算机程序包括程序指令,在所述程序指令被处理器执行的情况下,使所述处理器执行如上述第一方面及其任意一种可能实现的方式的方法。
第五方面,提供了一种计算机程序产品,所述计算机程序产品包括计算机程序或指令,在所述计算机程序或指令在计算机上运行的情况下,使得所述计算机执行上述第一方面及其任一种可能的实现方式的方法。
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,而非限制本申请。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种考勤方法的流程示意图;
图2为本申请实施例提供的一种考勤装置的结构示意图;
图3为本申请实施例提供的一种考勤装置的硬件结构示意图。
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,都属于本申请保护的范围。
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”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例的执行主体为考勤装置。可选的,考勤装置可以是以下中的一种:手机、计算机、服务器、平板电脑、门禁设备。本申请实施例的考勤方法还可以通过处理器执行计算机代码的方式实现。下面结合本申请实施例中的附图对本申请实施例进行描述。
请参阅图1,图1是本申请实施例提供的一种考勤方法的流程示意图。
101、获取至少一张待处理图像,其中,上述至少一张待处理图像中的每一张图像均为在考勤课程的开课时间段内,对上述考勤课程的开课地点内进行拍摄得到的图像。
本申请实施例中,考勤课程包括以下至少一种:教学课程、讲座、会议。例如,假设考勤课程为语文课,语文课的开课时间段为8:00~8:45,语文课的开课地点为3栋教学楼405教室。至少一张待处理图像中的每一张图像均为在8:00~8:45内,对3栋教学楼的405教室内进行拍摄得到的图像。每一张图像的内容均为405教室的内部环境。
又例如,假设考勤课程为学术讲座,该学术讲座的举办时间段(即为上述开课时间段)为2020年5月12日的9:00~11:45,该学术讲座的举办地点(即为上述开课地点)为4栋教学楼505教室。至少一张待处理图像中的每一张图像均为在2020年5月12日的9:00~11:45内,对4栋教学楼的505教室内进行拍摄得到的图像。每一张图像的内容均为505教室的内部环境。
在一种获取至少一张待处理图像的实现方式中,考勤装置接收用户通过输入组件输入的至少一张待处理图像。上述输入组件包括:键盘、鼠标、触控屏、触控板和音频输入器等。
在另一种获取至少一张待处理图像的实现方式中,考勤装置接收第一终端发送的至少一张待处理图像。可选的,第一终端可以是以下任意一种:手机、计算机、平板电脑、服务器、可穿戴设备。
在又一种获取至少一张待处理图像的实现方式中,考勤装置与摄像头之间具有通信连接,考勤装置可通过该通信连接接收摄像头发送的至少一张待处理图像,其中,该摄像头用于拍摄开课地点内的图像。
在又一种获取至少一张待处理图像的实现方式中,考勤装置与摄像头之间具有通信连接,考勤装置可通过该通信连接接收监控摄像头发送的视频流,将视频流中的至少一张图像作为至少一张待处理图像,其中,该摄像头用于拍摄开课地点内的视频。
在又一种获取待处理图像的实现方式中,考勤装置可以通过自身的图像采集组件,例如摄像头,直接采集得到至少一张待处理图像。
102、确定人脸图像库中的图像与上述至少一张待处理图像之间的相似度,得到至少一个相似度,其中,上述人脸图像库包含上述考勤课程的应到学生的人脸图像。
本申请实施例中,在执行步骤102之前,考勤装置内存储有人脸图像库,或可通过通信连接获取其他设备存储的人脸图像库中的人脸图像,该人脸图像库包含考勤课程的应到学生的人脸图像。例如,考勤课程的应到学生为张三和李四。人脸图像库可以包含张三的人脸图像,人脸图像库也可包含李四的人脸图像,人脸图像库还可包含张三的人脸图像和李四的人脸图像。
将人脸图像库中的一张图像与一张待处理图像进行人脸比对,可得到至少一个相似度。例如,待处理图像A包含人脸a,人脸图像库包含张三的人脸图像。将待处理图像A与张三的人脸图像进行人脸比对,可得到人脸a的人脸与张三的脸部之间的相似度。又例如,待处理图像A包含人脸a和人脸b,人脸图像库包含张三的人脸图像。将待处理图像A与张三的人脸图像进行比对,可得到人脸a与张三的脸部之间的相似度,也可得到人脸b与张三的脸部之间的相似度。
将人脸图像库中的图像与至少一张待处理图像进行人脸比对,可得到至少一个相似度。例如,至少一张待处理图像包括图像a。人脸图像库包括张三的人脸图像和李四的人脸图像。假设:将图像a与张三的人脸图像进行比对可得到相似度1,将图像a与李四的人脸图像进行比对可得到相似度2,至少一个相似度包括相似度1和相似度2。可选的,得到相似度1的过程和相似度2的过程可以是并行的。
可选的,在待处理图像的数量大于或等于2的情况下,考勤装置同时将至少两张待处理图像与人脸图像库中的一张图像进行人脸比对。例如,人脸图像库包括张三的人脸图像,至少一张待处理图像包括待处理图像a和待处理图像b。考勤装置可以并行的方式执行以下两个过程:将待处理图像a和张三的人脸图像进行人脸比对、将待处理图像b和张三的人脸图像进行人脸比对。
可选的,考勤装置对人脸图像库中的一张图像与一张待处理图像进行人脸比对可通过神经网络实现。人脸比对的过程可参见下例:人脸图像库包含张三的人脸图像,图像A包含人脸a。使用神经网络对张三的人脸图像进行特征提取处理,得到张三的脸部特征数据(下文将称为特征数据1)。使用神经网络对图像A进行特征提取处理,得到人脸a的特征数据2。计算特征数据1与特征数据2之间的相似度(此处的相似度可以是以下中的一种:余弦相似度、欧式距离、明氏距离),得到张三的脸部与人脸a之间的相似度。
103、依据上述至少一个相似度与第一阈值,得到上述考勤课程的考勤结果。
本申请实施例中,考勤结果包括应到学生的考勤状态,其中,考勤状态包括以下至少一种:已到、未到、迟到、早退。例如,考勤课程为社会心理学,社会心理学的应到学生包括张三和李四。考勤结果可以是全部已到;考勤结果也可以是张三已到、李四未到;考勤结果还可以是张三迟到、李四早退,迟到率为50%、早退率为50%。
本申请实施例中,第一阈值为大于0且小于或等于1的数。例如,第一阈值为70%。又例如,第一阈值为100%。
本申请实施例中,相似度超过第一阈值表征该相似度对应的两张图像中的人物为同一个人,相似度未超过第一阈值表征该相似度对应的两张图像中的人物不是同一个人。例如,至少一张待处理图像包括图像a,人脸图像库包括张三的人脸图像。在图像a与张三的人脸图像之间的相似度超过第一阈值的情况下,确定图像a中包含人物张三。在图像a与张三的人脸图像之间的相似度未超过第一阈值的情况下,确定图像a中包含的人物不包括张三或图像a中不包含人物。又例如,图像A包含人物a和人物b,人脸图像库包含张三的人脸图像。通过对图像A和张三的人脸图像进行比对,得到人物a与张三之间的相似度(下文将称为相似度1)和人物b与张三之间的相似度(下文将称为相似度2)。在相似度1超过第一阈值的情况下,确定人物a是张三;在相似度1未超过第一阈值的情况下,确定人物a不是张三。在相似度2超过第一阈值的情况下,确定人物b是张三;在相似度2未超过第一阈值的情况下,确定人物b不是张三。
为表述方便,下文将人脸图像库中与该相似度对应的图像称为目标人脸图像。由于人脸图像库中的图像为应到学生的人脸图像,在相似度超过第一阈值的情况下,确定在开课时间段内目标人脸图像对应的人物在开课地点内。例如,假设开课时间段为8:00~8:45,开课地点为306教室。至少一张待处理图像包括图像a,人脸图像库包括张三的人脸图像。在图像a与张三的人脸图像之间的相似度超过第一阈值的情况下,确定图像a中包含人物张三,即确定在8:00~8:45这段时间内张三在306教室内。
因此,依据至少一个相似度与第一阈值,可得到应到学生的考勤状态,进而得到考勤课程的考勤结果。
例如,至少一张待处理图像包括图像a和图像b,应到学生包括张三和李四,人脸图像库中的图像包括张三的人脸图像和李四的人脸图像。至少一个相似度包括相似度1、相似度2、相似度3、相似度4,其中,相似度1为图像a与张三的人脸图像之间的相似度,相似度2为图像a与李四的人脸图像之间的相似度,相似度3为图像b与张三的人脸图像之间的相似度,相似度4为图像b与李四的人脸图像之间的相似度。相似度1大于相似度3,相似度4大于相似度2。在相似度1和相似度4均超过第一阈值的情况下,确定在开课时间段内张三和李四均在开课地点内,即张三的考勤状态和李四的考勤状态均为已到。在相似度1超过第一阈值,且相似度4未超过第一阈值的情况下,确定在开课时间段内张三在开课地点内,且在开课时间段内李四未在开课地点内,即张三的考勤状态为已到、李四的考勤状态均为未到。
又例如,至少一张待处理图像包括图像a,应到学生包括张三,人脸图像库中的图像包括张三的人脸图像。至少一个相似度包括相似度1,其中,相似度1为图像a与张三的人脸图像之间的相似度。在相似度1超过第一阈值的情况下,确定在开课时间段内张三在开课地点内。假设考勤课程的考勤规则为:在8:05之后到达开课地点的学生,该学生的考勤状态为迟到。在图像a的时间戳在8:05之后(如图像a的时间戳为8:06)的情况下,确定张三的考勤状态为迟到。
再例如,至少一张待处理图像包括图像a,应到学生包括张三,人脸图像库中的图像包括张三的人脸图像。至少一个相似度包括相似度1,其中,相似度1为图像a与张三的人脸图像之间的相似度。在相似度1超过第一阈值的情况下,确定在开课时间段内张三在开课地点内。假设考勤课程的考勤规则为:在8:40之前在开课地点内,且在8:40之前离开开课地点的学生,该学生的考勤状态为早退。在图像a的时间戳在8:40之前(如图像a的时间戳为8:38)的情况下,确定张三的考勤状态为早退(即此时可依据图像a确定张三在8:40之前在开课地点内,但无法依据图像a确定张三在8:40之后仍在开课地点内)。
本申请实施例中,通过将至少一张待处理图像与人脸图像库中的图像进行比对,以确定应到学生的考勤状态,进而确定考勤课程的考勤结果,以此提高考勤结果的准确度。
作为一种可选的实施方式,开课时间段内包含第一时间段和第二时间段,其中,第一时间段和第二时间段为开课时间段内不同的两段时间段。例如,第一时间段是开始课程之后的5-10分钟,第二时间段是课程结束前的5分钟到课程结束的时间段。
考勤装置分别在第一时间段内和第二时间段内确定应到学生的考勤状态,并依据第一时间段内的考勤状态和第二时间段内的考勤状态确定考勤结果,可提高考勤结果的准确度。该过程包括以下步骤:
1、确定上述人脸图像库中的图像与第一待处理图像之间的相似度得到第一相似度,确定上述人脸图像库中的图像与第二待处理图像之间的相似度得到第二相似度。
本申请实施例中,第一待处理图像和第二待处理图像均属于至少一张待处理图像。第一待处理图像为在第一时间段内采集的图像,第二待处理图像为在第二时间段内采集的图像。
将第一待处理图像与人脸图像库中的至少一张图像进行比对,得到第一相似度。将第二待处理图像与人脸图像库中的至少一张图像进行比对,得到第二相似度。
也就是说,第一相似度和第二相似度均包括至少一个相似度。例如,人脸图像库包括张三的人脸图像和李四的人脸图像。第一待处理图像与张三的人脸图像之间的相似度为s1,第一待处理图像与李四的人脸图像之间的相似度为s2,第二待处理图像与张三的人脸图像之间的相似度为s3,第二待处理图像与李四的人脸图像之间的相似度为s4。第一相似度可以是s1,第一相似度可以是s2,第一相似度还可以包括s1和s2。第二相似度可以是s3,第二相似度可以是s4,第二相似度还可以包括s3和s4。
可选的,摄像头在第一时间段内采集开课地点内的视频流(下文将称为第一视频流)。考勤装置通过通信连接获取第一视频流,并以第一采样率对第一视频流中的图像进行采样,得到至少一张第一时间段内的待处理图像。此时,第一待处理图像为至少一张第一时间段内的待处理图像中的任意一张图像。
例如,第一视频流的帧数为25(即每秒25帧图像)、第一采样率为每秒1帧,即从第一视频流中的每连续25帧图像中提取1帧图像,得到至少一张第一时间段内的待处理图像。又例如,第一视频流的帧数为25(即每秒25帧图像)、第一采样率为每秒1/3帧,即从第一视频流中的每连续75帧图像中提取1帧图像,得到至少一张第一时间段内的待处理图像。
第一采样率可依据需求进行设置。具体的,第一采样率越大,采样得到的第一时间段内的待处理图像的数量越多,相应的,考勤装置的数据处理量也就越大。
摄像头在第二时间段内采集开课地点内的视频流(下文将称为第二视频流)。考勤装置通过通信连接获取第二视频流,并以第二采样率对第二视频流中的图像进行采样,得到至少一张第二时间段内的待处理图像。此时,第二待处理图像为至少一张第二时间段内的待处理图像中的任意一张图像。
例如,第二视频流的帧数为25(即每秒25帧图像)、第二采样率为每秒1帧,即从第二视频流中的每连续25帧图像中提取1帧图像,得到第二时间段内的待处理图像。又例如,在第二视频流的帧数为25(即每秒25帧图像)、第二采样率为每秒1/3帧,即从第二视频流中的每连续75帧图像中提取1帧图像,得到第二时间段内的待处理图像。
第二采样率可依据需求进行设置。具体的,第二采样率越大,采样得到的第二时间段内的待处理图像的数量越多,相应的,考勤装置的数据处理量也就越大。
可选的,在第一时间段内的待处理图像的数量超过1的情况下,通过分别确定每一张第一时间段内的待处理图像与人脸图像库中的图像之间的相似度得到第一相似度、通过分别确定每一张第二时间段内的待处理图像与人脸图像库中的图像之间的相似度得到第二相似度。
由于在第一时间段内的待处理图像的数量超过1的情况下,一个学生的脸部可能出现在至少两张第一时间段内的待处理图像中,相应的,第一时间段内与人脸图像库中的一张图像对应的相似度(下文将第一时间段内与人脸图像库中的一张图像对应的相似度称为第三相似度)的数量至少为2。
作为一种可选的实施方式,在第三相似度中超过第一阈值的相似度的数量超过1的情况下,将第三相似度中的最大值作为第一相似度。
例如,第一时间段内的待处理图像包括图像A和图像B,人脸图像库包含张三的人脸图像。图像A包含人脸a、图像B包含人脸b。通过对图像A与张三的人脸图像进行人脸比对,得到人脸a与张三的脸部之间的相似度为相似度1。通过对图像B与张三的人脸图像进行人脸比对,得到人脸b与张三的脸部之间的相似度为相似度2。在相似度1和相似度2均超过第一阈值,且相似度1大于相似度2的情况下,将相似度1作为与张三的人脸图像对应的相似度,即第一相似度。
又例如,第一时间段内的待处理图像包括图像A和图像B,人脸图像库包含张三的人脸图像和李四的人脸图像。图像A包含人脸a、人脸b,图像B包含人脸c、人脸d。通过对图像A与张三的人脸图像进行人脸比对,得到人脸a与张三的脸部之间的相似度为相似度1、人脸b与张三的脸部之间的相似度为相似度2。通过对图像A与李四的人脸图像进行人脸比对,得到人脸a与李四的脸部之间的相似度为相似度3、人脸b与李四的脸部之间的相似度为相似度4。通过对图像B与张三的人脸图像进行人脸比对,得到人脸c与张三的脸部之间的相似度为相似度5、人脸d与张三的脸部之间的相似度为相似度6。通过对图像B与李四的人脸图像进行人脸比对,得到人脸c与李四的脸部之间的相似度为相似度7、人脸d与李四的脸部之间的相似度为相似度8。
在相似度1和相似度5均超过第一阈值,且相似度1大于相似度5的情况下,将相似度1作为与张三的人脸图像对应的相似度。在相似度3和相似度7均超过第一阈值,且相似度7大于相似度3的情况下,将相似度7作为与李四的人脸图像对应的相似度。此时,第一相似度可以包括相似度1,第一相似度也可以包括相似度7,第一相似度还包括相似度1和相似度7。
同理,在第二时间段内的待处理图像的数量超过1的情况下,通过分别确定每一张第二时间段内的待处理图像与人脸图像库中的图像之间的相似度得到第二相似度、通过分别确定每一张第二时间段内的待处理图像与人脸图像库中的图像之间的相似度得到第二相似度。
由于在第二时间段内的待处理图像的数量超过1的情况下,一个学生的脸部可能出现在至少两张第二时间段内的待处理图像中,相应的,第二时间段内与人脸图像库中的一张图像对应的相似度(下文将第二时间段内与人脸图像库中的一张图像对应的相似度称为第四相似度)的数量至少为2。
作为一种可选的实施方式,在第四相似度中超过第一阈值的相似度的数量超过1的情况下,将第四相似度中的最大值作为第二相似度。
例如,第二时间段内的待处理图像包括图像A和图像B,人脸图像库包含张三的人脸图像。图像A包含人脸a、图像B包含人脸b。通过对图像A与张三的人脸图像进行人脸比对,得到人脸a与张三的脸部之间的相似度为相似度1。通过对图像B与张三的人脸图像进行人脸比对,得到人脸b与张三的脸部之间的相似度为相似度2。在相似度1和相似度2均超过第一阈值,且相似度1大于相似度2的情况下,将相似度1作为与张三的人脸图像对应的相似度,即第二相似度。
又例如,第二时间段内的待处理图像包括图像A和图像B,人脸图像库包含张三的人脸图像和李四的人脸图像。图像A包含人脸a、人脸b,图像B包含人脸c、人脸d。通过对图像A与张三的人脸图像进行人脸比对,得到人脸a与张三的脸部之间的相似度为相似度1、人脸b与张三的脸部之间的相似度为相似度2。通过对图像A与李四的人脸图像进行人脸比对,得到人脸a与李四的脸部之间的相似度为相似度3、人脸b与李四的脸部之间的相似度为相似度4。通过对图像B与张三的人脸图像进行人脸比对,得到人脸c与张三的脸部之间的相似度为相似度5、人脸d与张三的脸部之间的相似度为相似度6。通过对图像B与李四的人脸图像进行人脸比对,得到人脸c与李四的脸部之间的相似度为相似度7、人脸d与李四的脸部之间的相似度为相似度8。
在相似度1和相似度5均超过第一阈值,且相似度1大于相似度5的情况下,将相似度1作为与张三的人脸图像对应的相似度。在相似度3和相似度7均超过第一阈值,且相似度7大于相似度3的情况下,将相似度7作为与李四的人脸图像对应的相似度。此时,第二相似度可以包括相似度1,第二相似度也可以包括相似度7,第二相似度还包括相似度1和相似度7。
在得到第一相似度和第二相似度后,考勤装置在执行步骤103的过程中执行以下步骤:
2、依据上述第一相似度、上述第二相似度和上述第一阈值,得到上述考勤结果。
为表述方便,下文将第一相似度中超过第一阈值的相似度称为第一参考相似度、将第二相似度中超过第一阈值的相似度称为第二参考相似度。将包括人脸图像库中与第一参考相似度对应的图像的集合称为第一图像集,将包括人脸图像库中与第二参考相似度对应的图像的集合称为第二图像集。将第一图像集中的图像和第二图像集中的图像称为参考图像。
在一种可能实现的方式中,确定与参考图像对应的应到学生的考勤状态为已到。例如,第一参考相似度包括s1,第二参考相似度包括s2。人脸图像库中与s1对应的图像为张三的人脸图像,人脸图像库中与s2对应的图像为李四的人脸图像。确定张三的考勤状态和李四的考勤状态均为已到。
又例如,第一参考相似度包括s1和s2,第二参考相似度包括s3。人脸图像库中与s1对应的图像为张三的人脸图像,人脸图像库中与s2对应的图像为李四的人脸图像、人脸图像库中与s3对应的图像为李四的人脸图像。确定张三的考勤状态和李四的考勤状态均为已到。
作为一种可选的实施方式,第一时间段内的最大时间戳大于第二时间段内的最小时间戳。例如,假设第一时间段为:10:05~10:30,第一时间段的最小时间戳为10:05,第一时间段的最大时间戳为10:30。此时第一时间段可作为上课考勤时间段,第二时间段可作为下课考勤时间段,考勤装置可通过以下至少一种实现方式确定学生的考勤状态:
1)在不存在既属于第一图像集,又属于第二图像集的图像的情况下,确定第一学生的考勤状态为早退。例如,至少一张待处理图像包括图像a和图像b,图像a为第一时间段内采集的图像,图像b为第二时间段内采集的图像,图像a包含人物A和人物B,图像b包含人物C。人脸图像库包括张三的人脸图像、李四的人脸图像。第一相似度包括S1、S2、S3、S4,其中,S1为人物A与张三之间的相似度,S2为人物A与李四之间的相似度,S3为人物B与张三之间的相似度,S4为人物B与李四之间的相似度。第二相似度包括S5、S6,S5为人物C与张三之间的相似度,S6为人物C与李四之间的相似度。假设:S1、S6均超过第一阈值,S2、S3、S4、S5均未超过第一阈值,则S1为第一参考相似度,S6为第二参考相似度。第一图像集包括张三的人脸图像,第二图像集包括李四的人脸图像。此时,不存在既属于第一图像集,又属于第二图像集的图像。确定张三(即第一学生)的考勤状态为早退。
2)在不存在既属于第一图像集,又属于第二图像集的图像的情况下,确定第二学生的考勤状态为迟到。例如,至少一张待处理图像包括图像a和图像b,图像a为第一时间段内采集的图像,图像b为第二时间段内采集的图像,图像a包含人物A和人物B,图像b包含人物C。人脸图像库包括张三的人脸图像、李四的人脸图像。第一相似度包括S1、S2、S3、S4,其中,S1为人物A与张三之间的相似度,S2为人物A与李四之间的相似度,S3为人物B与张三之间的相似度,S4为人物B与李四之间的相似度。第二相似度包括S5、S6,S5为人物C与张三之间的相似度,S6为人物C与李四之间的相似度。假设:S1、S6均超过第一阈值,S2、S3、S4、S5均未超过第一阈值,则S1为第一参考相似度,S6为第二参考相似度。第一图像集包括张三的人脸图像,第二图像集包括李四的人脸图像。此时,不存在既属于第一图像集,又属于第二图像集的图像。确定李四(即第二学生)的考勤状态为迟到。
3)在第一图像集和第二图像集均包含第一图像的情况下,确定第三学生的考勤状态为已到。例如,至少一张待处理图像包括图像a和图像b,图像a为第一时间段内采集的图像,图像b为第二时间段内采集的图像,图像a包含人物A和人物B,图像b包含人物C。人脸图像库包括张三的人脸图像、李四的人脸图像。第一相似度包括S1、S2、S3、S4,其中,S1为人物A与张三之间的相似度,S2为人物A与李四之间的相似度,S3为人物B与张三之间的相似度,S4为人物B与李四之间的相似度。第二相似度包括S5、S6,S5为人物C与张三之间的相似度,S6为人物C与李四之间的相似度。假设:S1、S5均超过第一阈值,S2、S3、S4、S6均未超过第一阈值,则S1为第一参考相似度,S5为第二参考相似度。第一图像集包括张三的人脸图像,第二图像集包括张三的人脸图像。此时,第一图像集和第二图像集均包含张三的人脸图像,张三的人脸图像为第一图像,确定张三(即第三学生)的考勤状态为已到。
4)将人脸图像库中既不属于第一图像集又不属于第二图像集的图像称为第二图像,确定第二图像对应的学生的考勤状态为未到。例如,至少一张待处理图像包括图像a和图像b,图像a为第一时间段内采集的图像,图像b为第二时间段内采集的图像,图像a包含人物A和人物B,图像b包含人物C。人脸图像库包括张三的人脸图像、李四的人脸图像、王五的人脸图像。至少一个第一相似度包括S1、S2、S3、S4,其中,S1为人物A与张三之间的相似度,S2为人物A与李四之间的相似度,S3为人物B与张三之间的相似度,S4为人物B与李四之间的相似度。第二相似度包括S5、S6,S5为人物C与张三之间的相似度,S6为人物C与李四之间的相似度。假设:S1、S5均超过第一阈值,S2、S3、S4、S6均未超过第一阈值,则S1为第一参考相似度,S5为第二参考相似度。第一图像集包括张三的人脸图像,第二图像集包括张三的人脸图像。此时,李四的人脸图像为第二图像,李四(即第四学生)的考勤状态为未到。
上述技术方案均通过将至少一张待处理图像与人脸图像库中图像进行人脸比对,确定应到学生的考勤状态。由于应到学生低头、或应到学生的脸被遮挡等原因,可能会出现在开课时间段内应到学生在开课地点内,但未采集到应到学生的人脸图像的情况,而这种情况的出现,将降低考勤结果的准确度。因此,本申请实施例还提供一种提高考勤结果的准确度的方法,考勤装置在执行该方法的过程中,执行以下步骤:
3、对上述第一待处理图像进行特征提取处理得到第一特征数据,对上述第二待处理图像进行特征提取处理得到第二特征数据。
本申请实施中,特征提取处理可通过已训练的卷积神经网络实现,也可通过特征提取模型实现,本申请对此不作限定。
通过对第一待处理图像进行特征提取处理,可提取出第一待处理图像的语义信息,得到的第一特征数据。通过对第二待处理图像进行特征提取处理,可提取出第二待处理图像的语义信息,得到的第二特征数据。
4、在得到第一特征数据和第二特征数据后,考勤装置可依据以下至少一种实现方式更新学生的考勤状态:
1)在依据上述第一特征数据与上述第二特征数据确定上述第二待处理图像中包含上述第一学生的情况下,将上述第一学生的考勤状态更新为已到。
在一种可能实现的方式中,第一特征数据携带第一学生的属性信息,第二特征数据携带第二待处理图像中的人物的属性信息。本申请实施例中,属性信息包括以下至少一种:性别、发型、上衣颜色、上衣款式。考勤装置在确定第二待处理图像中存在属性信息与第一学生的属性信息匹配的人物的情况下,确定第二待处理图像中包含第一学生,并将第一学生的考勤状态更新为已到。例如,第一待处理图像包含第一学生,第一特征数据携带的第一学生的属性信息包括:男生、黑色短发、白色连帽衫。第二待处理图像包含人物a和人物b,第二特征数据携带的信息包括人物a的属性信息和人物b的属性信息,其中,人物a的属性信息包括:戴眼镜、男生、黑色短发、白色上衣,人物b的属性信息包括:男生、黄色短发、蓝色衬衫。考勤装置确定人物a的属性信息与第一学生的属性信息匹配,进而确定人物a为第一学生,并将第一学生的考勤状态更新为已到。
在另一种可能实现的方式中,第一特征数据包括第一学生的特征向量,该特征向量携带用于确定第一学生的身份的特征信息,例如第一学生的人体特征。第二特征数据携带第二待处理图像中的人物的特征向量,该特征向量携带用于确定第二待处理图像中的人物的身份的特征信息,例如人体特征。考勤装置在确定第二特征数据中存在与第一学生的特征向量匹配的特征向量的情况下,确定第二待处理图像中包含第一学生,并将第一学生的考勤状态更新为已到。例如,第一待处理图像包含第一学生,第一特征数据包括第一学生的特征向量(下文将称为特征向量1)。第二待处理图像包含人物a和人物b,第二特征数据包括人物a的特征向量(下文将称为特征向量2)和人物b的特征向量(下文将称为特征向量3)。考勤装置确定特征向量1与特征向量2之间的余弦相似度得到相似度1、确定特征向量1与特征向量3之间的余弦相似度得到相似度2。在相似度1超过第二阈值的情况下,考勤装置确定特征向量2为第二特征数据中与特征向量1匹配的特征向量,进而确定人物a为第一学生,并将第一学生的考勤状态更新为已到。在相似度2超过第二阈值的情况下,考勤装置确定特征向量3为第二特征数据中与特征向量1匹配的特征向量,进而确定人物b为第一学生,并将第一学生的考勤状态更新为已到。
2)在依据上述第一特征数据与上述第二特征数据确定上述第一待处理图像中包含上述第二学生的情况下,将上述第二学生的考勤状态更新为已到。
在一种可能实现的方式中,第二特征数据携带第二学生的属性信息,第一特征数据携带第一待处理图像中的人物的属性信息。考勤装置在确定第一待处理图像中存在属性信息与第二学生的属性信息匹配的人物的情况下,确定第一待处理图像中包含第二学生,并将第二学生的考勤状态更新为已到。例如,第二待处理图像包含第二学生,第二特征数据携带的第二学生的属性信息包括:男生、黑色短发、白色连帽衫。第一待处理图像包含人物a和人物b,第一特征数据携带的信息包括人物a的属性信息和人物b的属性信息,其中,人物a的属性信息包括:戴眼镜、男生、黑色短发、白色上衣,人物b的属性信息包括:男生、黄色短发、蓝色衬衫。考勤装置确定人物a的属性信息与第二学生的属性信息匹配,进而确定人物a为第二学生,并将第二学生的考勤状态更新为已到。
在另一种可能实现的方式中,第二特征数据包括第二学生的特征向量,该特征向量携带用于确定第二学生的身份的特征信息,例如第二学生的人体特征。第一特征数据携带第一待处理图像中的人物的特征向量,该特征向量携带用于确定第一待处理图像中的人物的身份的特征信息,例如人体特征。考勤装置在确定第一特征数据中存在与第二学生的特征向量匹配的特征向量的情况下,确定第一待处理图像中包含第二学生,并将第二学生的考勤状态更新为已到。例如,第二待处理图像包含第二学生,第二特征数据包括第二学生的特征向量(下文将称为特征向量4)。第一待处理图像包含人物a和人物b,第一特征数据包括人物a的特征向量(下文将称为特征向量5)和人物b的特征向量(下文将称为特征向量6)。考勤装置确定特征向量4与特征向量5之间的余弦相似度,得到相似度3、确定特征向量4与特征向量6之间的余弦相似度,得到相似度4。在相似度3超过第三阈值的情况下,考勤装置确定特征向量5为第一特征数据中与特征向量4匹配的特征向量,进而确定人物a为第二学生,并将第二学生的考勤状态更新为已到。在相似度2超过第三阈值的情况下,考勤装置确定特征向量6为第一特征数据中与特征向量4匹配的特征向量,进而确定人物b为第二学生,并将第二学生的考勤状态更新为已到。
本申请实施例通过从第一待处理图像中提取第一特征数据、从第二待处理图像中提取第二特征数据,并依据第一特征数据和第二特征数据之间的相似度,更新应到学生的考勤状态,进而提高考勤结果的准确度。
作为一种可选的实施方式,在执行步骤101之前,考勤装置还执行一下步骤:
5、获取上述开课时间段和已创建的图像采集任务。
本步骤中的开课时间段的含义可参见步骤101,此处将不再赘述。
在一种获取开课时间段的实现方式中,考勤装置的存储组件中存储有开课时间段。考勤装置可从存储组件中读取开课时间段。
在另一种获取开课时间段的实现方式中,考勤装置接收用户通过输入组件输入的开课时间段。上述输入组件包括:键盘、鼠标、触控屏、触控板和音频输入器等。
在又一种获取开课时间段的实现方式中,考勤装置接收第三终端发送的开课时间段。可选的,第三终端可以是以下任意一种:手机、计算机、平板电脑、服务器、可穿戴设备。
本申请实施例中,已创建的图像采集任务包括以下至少一个:采集开课地点内的图像、采集开课地点内的特定区域内的图像。可选的,上述特定区域可以是应到学生所坐的区域。
例如,已创建的图像采集任务可以是采集306教室内的图像。又例如,已创建的图像采集任务可以是采集601教室内应到学生所坐的区域的图像。
在一种获取已创建的图像采集任务的实现方式中,考勤装置的存储组件中存储有已创建的图像采集任务。考勤装置可从存储组件中读取已创建的图像采集任务。
在另一种获取已创建的图像采集任务的实现方式中,考勤装置接收用户通过输入组件输入的已创建的图像采集任务。上述输入组件包括:键盘、鼠标、触控屏、触控板和音频输入器等。
在又一种获取已创建的图像采集任务的实现方式中,考勤装置接收第四终端发送的已创建的图像采集任务。可选的,第四终端可以是以下任意一种:手机、计算机、平板电脑、服务器、可穿戴设备。第三终端与第四终端可以相同,也可以不同,本申请对此不做限定。
6、将上述开课时间段作为执行上述已创建的图像采集任务的时间。
可选的,考勤装置在接收到将开课时间段作为执行已创建的图像采集任务的时间的第一指令的情况下,将开课时间段作为执行已创建的图像采集任务的时间。
例如,A学校开设有社会心理学这门课程,该课程的开课时间为每周三的9:00~9:45,开课地点为3栋1503教室,3栋1503教室装载有成像设备a。已创建的图像采集任务为:成像设备a采集3栋1503教室内应到学生所坐区域的图像。A学校的考勤管理人员可通过向考勤装置输入第一执行指令,以指示考勤装置将社会心理学的开课时间段作为已创建的图像采集任务的执行时间。这样,在每周三的9:00~9:45内,成像设备a采集3栋1503教室内应到学生所坐区域的图像。
又例如,A学校开设有社会心理学这门课程,该课程的开课时间为每周三的9:00~9:45,开课地点为3栋1503教室,3栋1503教室装载有成像设备a。已创建的图像采集任务为:成像设备a采集3栋1503教室内应到学生所坐区域的图像。A学校的考勤管理人员可通过手机向考勤装置发送第一执行指令,以指示考勤装置将社会心理学的开课时间段作为已创建的图像采集任务的执行时间。这样,在每周三的9:00~9:45内,成像设备a采集3栋1503教室内应到学生所坐区域的图像。
7、向成像设备发送指令。
本申请实施例中,成像设备包括以下至少一种:枪机、球机、抓拍机。成像设备用于采集开课地点内的图像。
本申请实施例中,考勤装置向成像设备发送的指令,用于指示成像设备在开课时间段内执行已创建的图像采集任务。成像设备在接收到该指令的情况下,在开课时间段内执行已创建的图像采集任务。
在向成像设备发送指令后,考勤装置可通过执行以下步骤获取至少一张待处理图像:获取成像设备采集到的至少一张图像,作为至少一张待处理图像。
作为一种可选的实施方式,在执行步骤102之前,考勤装置还执行以下步骤:
8、获取已创建的人脸比对任务。
本申请实施例中,人脸比对任务包括将成像设备采集到的图像(即至少一张待处理图像)与人脸图像库中的图像进行比对。
9、将上述开课时间段作为上述已创建的人脸比对任务的执行时间。
可选的,考勤装置在接收到将上述开课时间段作为上述已创建的人脸比对任务的执行时间的第二指令的情况下,将开课时间段作为已创建的人脸比对任务的执行时间。
例如,A学校开设有社会心理学这门课程,该课程的开课时间为每周三的9:00~9:45,开课地点为3栋1503教室,3栋1503教室装载有成像设备a。已创建的图像采集任务为:成像设备a采集3栋1503教室内应到学生所坐区域的图像,已创建的人脸比对任务为:将成像设备a采集到的图像与人脸图像库中的图像进行比对。A学校的考勤管理人员可通过向考勤装置输入第二执行指令,以指示考勤装置将社会心理学的开课时间段作为已创建的人脸比对任务的执行时间。这样,在每周三的9:00~9:45内,考勤装置执行将人脸图像库中的图像与成像设备a采集3栋1503教室内应到学生所坐区域的图像进行比对的操作。
又例如,A学校开设有社会心理学这门课程,该课程的开课时间为每周三的9:00~9:45,开课地点为3栋1503教室,3栋1503教室装载有成像设备a。已创建的图像采集任务为:成像设备a采集3栋1503教室内应到学生所坐区域的图像,已创建的人脸比对任务为:将成像设备a采集到的图像与人脸图像库中的图像进行比对。A学校的考勤管理人员可通过手机向考勤装置发送第二执行指令,以指示考勤装置将社会心理学的开课时间段作为已创建的人脸比对任务的执行时间。这样,在每周三的9:00~9:45内,考勤装置执行将人脸图像库中的图像与成像设备a采集3栋1503教室内应到学生所坐区域的图像进行比对的操作。
本申请实施例中,通过将开课时间段作为成像设备执行已创建的图像采集任务和/或考勤装置执行已创建的人脸比对任务的时间,有利于提高考勤课程的管理效率。若某课程换了开课时间,只需要通过考勤装置调整开课时间,即可以在新的开课时间段完成考勤管理。若某课程更改了开课地点,也可以通过考勤装置调整已创建的图像采集任务和已创建的人脸比对任务,即可在新的开课地点完成考勤管理。
作为一种可选的实施方式,考勤装置还执行以下步骤:在应到学生的考勤状态均为已到的情况下,停止执行已创建的人脸比对任务。这样,可减少考勤装置的数据处理量。
作为一种可选的实施方式,本申请实施例中,学生的考勤状态包括请假。在学生的考勤状态为请假的情况下,考勤装置不根据至少一个相似度和第一阈值确定该学生的考勤状态。例如,考勤课程的开课时间段为每周三的8:00~8:45,考勤装置获取张三在2020年5月13日的考勤状态为请假,则考勤装置直接将张三在2020年5月13日的考勤状态设置为请假/休假,在2020年5月13日的8:00~8:45内,考勤装置不根据至少一个相似度和第一阈值确定张三的考勤状态。
可选的,考勤管理员或老师可通过向考勤装置输入检索条件,查看符合检索条件的考勤结果。
例如,考勤课程为社会心理学,该课程的主讲老师为张三,考勤结果存储于考勤装置的考勤数据库。管理员或具有考勤数据查看权限的人员(如张三)可通过向考勤装置输入以下检索条件:2018年9月1日~2019年1月30日,查看2018年9月1日~2019年1月30日内社会心理学的考勤结果。考勤装置在接收到检索条件的情况下,从考勤数据库中检索时间戳处于2018年9月1日~2019年1月30日之间的第一考勤结果,并显示第一考勤结果。这样,管理员或具有考勤数据查看权限的人员可通过第一考勤结果获知2018年9月1日~2019年1月30日内社会心理学的考勤结果。
又例如,考勤课程为社会心理学,该课程的主讲老师为张三,考勤结果存储于考勤装置的考勤数据库。张三可通过向考勤装置输入以下检索条件:2018年9月1日~2019年6月30日李四的考勤结果,查看2018~2019秋季学期李四的社会心理学的考勤结果。考勤装置在接收到检索条件的情况下,从考勤数据库中检索时间戳处于2018年9月1日~2019年6月30日之间的李四的考勤结果,作为第二考勤结果,并显示第二考勤结果。这样,张三可通过第二考勤结果获知2018~2019秋季学期李四的社会心理学的考勤结果,并利用李四的考勤结果确定李四的社会心理学的评分。
再例如,A学校在2018~2019秋季学期开设有社会心理学,现A学校期望评估是否有必要在2019春季学期继续开设社会心理学,评估指标包括社会心理学在2018~2019秋季学期的到课率。考勤结果存储于考勤装置的考勤数据库。教务管理员可通过向考勤装置输入以下检索条件:2018年9月1日~2019年6月30日内社会心理学的考勤结果,查看2018~2019秋季学期社会心理学的考勤结果。考勤装置在接收到检索条件的情况下,从考勤数据库中检索时间戳处于2018年9月1日~2019年6月30日之间的社会心理学的考勤结果,作为第三考勤结果,并显示第三考勤结果。这样,教务管理员可依据第三考勤结果,得到社会心理学在2018~2019秋季学期的到课率。
可选的,考勤装置还可以根据考勤结果,对每个学生、每节课程、某个时间段(如每个学期)内每个学生/每个课程的考勤结果进行统计,以便于管理员或具有查看权限的人员进行查看,直观显示考勤情况。
基于本申请提供的技术方案,本申请实施例还提供了一种可能的应用场景。
走班制教学指课程的应到学生、开课时间、开课地点均不固定的一种教学模式。但应到学生不固定给课程的考勤带来了很大的困难。随着走班制教学的普及和推广,如何对走班制教学进行考勤具有非常重要的意义。
在进行考勤之前,可在开课地点部署成像设备。通过成像设备采集至少一张待处理图像,并基于本申请提供的技术方案和至少一张待处理图像,实现课程的考勤,得到考勤结果。
例如,A学校的每一间教室均部署有至少一个成像设备,其中,至少一个成像设备的拍摄范围可覆盖采集教室内应到所坐区域。A学校的考勤装置为服务器,该服务器与所有成像设备之间均具有通信连接,服务器通过该通信连接可获取成像设备采集到的图像。现A学校新开了一门公共选修课,该公共选修课于每周三的15:00~16:30在4栋1503教室开课。A学校的考勤管理人员可通过服务器向4栋1503教室的成像设备发送第一执行指令,以指示4栋1503教室的至少一个成像设备在每周三的15:00~16:30,采集4栋1503教室内应到学生所坐区域的图像和/或视频。考勤管理人员还通过向服务器输入第二执行指令,使服务器在每周三的15:00~16:30,将4栋1503教室的至少一个成像设备采集到的至少一张待处理图像与人脸图像库中的图像进行比对,以得到该公共选修课的考勤结果,其中,人脸图像库包括该公共选修课的应到学生的人脸图像。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
上述详细阐述了本申请实施例的方法,下面提供了本申请实施例的装置。
请参阅图2,图2为本申请实施例提供的一种考勤装置的结构示意图。该考勤装置1包括:获取单元11、确定单元12、处理单元13、特征提取单元14、发送单元15、控制单元16。
其中:
获取单元,用于获取至少一张待处理图像;所述至少一张待处理图像中的每一张图像均为在考勤课程的开课时间段内,对所述考勤课程的开课地点内进行拍摄到的图像;
确定单元,用于确定人脸图像库中的图像与所述至少一张待处理图像之间的相似度,得到至少一个相似度;所述人脸图像库包含所述考勤课程的应到学生的人脸图像;
处理单元,用于依据所述至少一个相似度与第一阈值,得到所述考勤课程的考勤结果。
结合本申请任一实施方式,所述至少一张待处理图像包括第一待处理图像和第二待处理图像;所述考勤课程的开课时间段包括第一时间段和第二时间段;所述第一待处理图像为在所述第一时间段内采集的图像,所述第二待处理图像为在所述第二时间段内采集的图像;
所述确定单元,用于:
确定所述人脸图像库中的图像与所述第一待处理图像之间的相似度,得到第一相似度;
确定所述人脸图像库中的图像与所述第二待处理图像之间的相似度,得到第二相似度;
所述依据所述至少一个相似度与第一阈值,得到所述考勤课程的考勤结果,包括:
依据所述第一相似度、所述第二相似度和所述第一阈值,得到所述考勤结果。
结合本申请任一实施方式,所述第一时间段内的最大时间戳大于所述第二时间段内的最小时间戳;
所述确定单元,用于:
确定所述第一相似度中超过所述第一阈值的相似度,得到第一参考相似度;
确定所述第二相似度中超过所述第一阈值的相似度,得到第二参考相似度;
在不存在既属于第一图像集,又属于第二图像集的图像的情况下,确定第一学生的考勤状态为早退;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像;所述第一学生为所述第一图像集中的图像对应的学生;和/或,
在不存在既属于第一图像集,又属于第二图像集的图像的情况下,确定第二学生的考勤状态为迟到;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像;所述第二学生为所述第二图像集中的图像对应的学生;和/或,
在第一图像集和第二图像集均包含第一图像的情况下,确定第三学生的考勤状态为已到;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像;所述第三学生为所述第一图像对应的学生;和/或,
确定第四学生的考勤状态为未到;所述第四学生为第二图像对应的学生;所述第二图像为所述人脸图像库中既不属于第一图像集又不属于第二图像集的图像;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像。
结合本申请任一实施方式,所述装置还包括:
特征提取单元,用于对所述第一待处理图像进行特征提取处理得到第一特征数据,对所述第二待处理图像进行特征提取处理得到第二特征数据;
所述确定单元,用于:
在依据所述第一特征数据与所述第二特征数据确定所述第二待处理图像中包含所述第一学生的情况下,将所述第一学生的考勤状态更新为已到;和/或,
在依据所述第一特征数据与所述第二特征数据确定所述第一待处理图像中包含所述第二学生的情况下,将所述第二学生的考勤状态更新为已到。
结合本申请任一实施方式,所述获取单元,用于在所述获取至少一张待处理图像之前,获取所述开课时间段和已创建的图像采集任务;
将所述开课时间段作为执行所述已创建的图像采集任务的时间;
所述装置还包括:
发送单元,用于向成像设备发送指令;所述指令用于指示所述成像设备在所述开课时间段内执行所述已创建的图像采集任务;所述成像设备用于采集所述开课地点内的图像;
所述获取单元,用于:
获取所述成像设备采集到的至少一张图像,作为所述至少一张待处理图像。
结合本申请任一实施方式,所述获取单元,用于在所述确定人脸图像库中的图像与所述至少一张待处理图像之间的相似度,得到至少一个相似度之前,获取已创建的人脸比对任务;所述人脸比对任务包括将所述成像设备采集到的图像与所述人脸图像库中的图像进行比对;
将所述开课时间段作为所述已创建的人脸比对任务的执行时间。
结合本申请任一实施方式,所述装置还包括:
控制单元,用于在所述应到学生的考勤状态均为已到的情况下,停止执行所述已创建的人脸比对任务。
在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
图3为本申请实施例提供的一种考勤装置的硬件结构示意图。该考勤装置2包括处理器21,存储器22,输入装置23,输出装置24。该处理器21、存储器22、输入装置23和输出装置24通过连接器相耦合,该连接器包括各类接口、传输线或总线等等,本申请实施例对此不作限定。应当理解,本申请的各个实施例中,耦合是指通过特定方式的相互联系,包括直接相连或者通过其他设备间接相连,例如可以通过各类接口、传输线、总线等相连。
处理器21可以是一个或多个图形处理器(graphics processing unit,GPU),在处理器21是一个GPU的情况下,该GPU可以是单核GPU,也可以是多核GPU。可选的,处理器21可以是多个GPU构成的处理器组,多个处理器之间通过一个或多个总线彼此耦合。可选的,该处理器还可以为其他类型的处理器等等,本申请实施例不作限定。
存储器22可用于存储计算机程序指令,以及用于执行本申请方案的程序代码在内的各类计算机程序代码。可选地,存储器包括但不限于是随机存储记忆体(random accessmemory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasableprogrammable read only memory,EPROM)、或便携式只读存储器(compact disc read-only memory,CD-ROM),该存储器用于相关指令及数据。
输入装置23用于输入数据和/或信号,以及输出装置24用于输出数据和/或信号。输入装置23和输出装置24可以是独立的器件,也可以是一个整体的器件。
可理解,本申请实施例中,存储器22不仅可用于存储相关指令,还可用于存储相关数据,如该存储器22可用于存储通过输入装置23获取的至少一张待处理图像,又或者该存储器22还可用于存储通过处理器21得到的考勤结果等等,本申请实施例对于该存储器中具体所存储的数据不作限定。
可以理解的是,图3仅仅示出了一种考勤装置的简化设计。在实际应用中,考勤装置还可以分别包含必要的其他元件,包含但不限于任意数量的输入/输出装置、处理器、存储器等,而所有可以实现本申请实施例的考勤装置都在本申请的保护范围之内。
本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。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。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。所属领域的技术人员还可以清楚地了解到,本申请各个实施例描述各有侧重,为描述的方便和简洁,相同或类似的部分在不同实施例中可能没有赘述,因此,在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
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。在计算机上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、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。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(digital subscriberline,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,数字通用光盘(digital versatiledisc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
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流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:只读存储器(read-only memory,ROM)或随机存储存储器(random access memory,RAM)、磁碟或者光盘等各种可存储程序代码的介质。
Claims (10)
1.一种考勤方法,其特征在于,所述方法包括:
获取至少一张待处理图像;所述至少一张待处理图像中的每一张图像均为在考勤课程的开课时间段内,对所述考勤课程的开课地点内进行拍摄到的图像;
确定人脸图像库中的图像与所述至少一张待处理图像之间的相似度,得到至少一个相似度;所述人脸图像库包含所述考勤课程的应到学生的人脸图像;
依据所述至少一个相似度与第一阈值,得到所述考勤课程的考勤结果。
2.根据权利要求1所述的方法,其特征在于,所述至少一张待处理图像包括第一待处理图像和第二待处理图像;所述考勤课程的开课时间段包括第一时间段和第二时间段;所述第一待处理图像为在所述第一时间段内采集的图像,所述第二待处理图像为在所述第二时间段内采集的图像;
所述确定人脸图像库中的图像与所述至少一张待处理图像之间的相似度,得到至少一个相似度,包括:
确定所述人脸图像库中的图像与所述第一待处理图像之间的相似度,得到第一相似度;
确定所述人脸图像库中的图像与所述第二待处理图像之间的相似度,得到第二相似度;
所述依据所述至少一个相似度与第一阈值,得到所述考勤课程的考勤结果,包括:
依据所述第一相似度、所述第二相似度和所述第一阈值,得到所述考勤结果。
3.根据权利要求2所述的方法,其特征在于,所述第一时间段内的最大时间戳大于所述第二时间段内的最小时间戳;
所述依据所述第一相似度、所述第二相似度和所述第一阈值,得到所述考勤结果,包括:
确定所述第一相似度中超过所述第一阈值的相似度,得到第一参考相似度;
确定所述第二相似度中超过所述第一阈值的相似度,得到第二参考相似度;
在不存在既属于第一图像集,又属于第二图像集的图像的情况下,确定第一学生的考勤状态为早退;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像;所述第一学生为所述第一图像集中的图像对应的学生;和/或,
在不存在既属于第一图像集,又属于第二图像集的图像的情况下,确定第二学生的考勤状态为迟到;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像;所述第二学生为所述第二图像集中的图像对应的学生;和/或,
在第一图像集和第二图像集均包含第一图像的情况下,确定第三学生的考勤状态为已到;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像;所述第三学生为所述第一图像对应的学生;和/或,
确定第四学生的考勤状态为未到;所述第四学生为第二图像对应的学生;所述第二图像为所述人脸图像库中既不属于第一图像集又不属于第二图像集的图像;所述第一图像集包括所述人脸图像库中与所述第一参考相似度对应的图像;所述第二图像集包括所述人脸图像库中与所述第二参考相似度对应的图像。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
对所述第一待处理图像进行特征提取处理得到第一特征数据,对所述第二待处理图像进行特征提取处理得到第二特征数据;
在依据所述第一特征数据与所述第二特征数据确定所述第二待处理图像中包含所述第一学生的情况下,将所述第一学生的考勤状态更新为已到;和/或,
在依据所述第一特征数据与所述第二特征数据确定所述第一待处理图像中包含所述第二学生的情况下,将所述第二学生的考勤状态更新为已到。
5.根据权利要求1至4中任意一项所述的方法,其特征在于,在所述获取至少一张待处理图像之前,所述方法还包括:
获取所述开课时间段和已创建的图像采集任务;
将所述开课时间段作为执行所述已创建的图像采集任务的时间;
向成像设备发送指令;所述指令用于指示所述成像设备在所述开课时间段内执行所述已创建的图像采集任务;所述成像设备用于采集所述开课地点内的图像;
所述获取至少一张待处理图像,包括:
获取所述成像设备采集到的至少一张图像,作为所述至少一张待处理图像。
6.根据权利要求5所述的方法,其特征在于,在所述确定人脸图像库中的图像与所述至少一张待处理图像之间的相似度,得到至少一个相似度之前,所述方法还包括:
获取已创建的人脸比对任务;所述人脸比对任务包括将所述成像设备采集到的图像与所述人脸图像库中的图像进行比对;
将所述开课时间段作为所述已创建的人脸比对任务的执行时间。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在所述应到学生的考勤状态均为已到的情况下,停止执行所述已创建的人脸比对任务。
8.一种考勤装置,其特征在于,所述装置包括:
获取单元,用于获取至少一张待处理图像;所述至少一张待处理图像中的每一张图像均为在考勤课程的开课时间段内,对所述考勤课程的开课地点内进行拍摄到的图像;
确定单元,用于确定人脸图像库中的图像与所述至少一张待处理图像之间的相似度,得到至少一个相似度;所述人脸图像库包含所述考勤课程的应到学生的人脸图像;
处理单元,用于依据所述至少一个相似度与第一阈值,得到所述考勤课程的考勤结果。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,在所述处理器执行所述计算机指令的情况下,所述电子设备执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序包括程序指令,在所述程序指令被处理器执行的情况下,使所述处理器执行权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010427333.8A CN111739181A (zh) | 2020-05-19 | 2020-05-19 | 考勤方法及装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010427333.8A CN111739181A (zh) | 2020-05-19 | 2020-05-19 | 考勤方法及装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111739181A true CN111739181A (zh) | 2020-10-02 |
Family
ID=72647471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010427333.8A Pending CN111739181A (zh) | 2020-05-19 | 2020-05-19 | 考勤方法及装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111739181A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023273066A1 (zh) * | 2021-06-29 | 2023-01-05 | 深圳市商汤科技有限公司 | 人脸考勤方法及装置、电子设备、存储介质和计算机程序产品 |
WO2023005662A1 (zh) * | 2021-07-30 | 2023-02-02 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备、程序产品及计算机可读存储介质 |
CN117711132A (zh) * | 2024-02-05 | 2024-03-15 | 青岛培诺教育科技股份有限公司 | 一种学生安全监测方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016105261A (ja) * | 2014-12-01 | 2016-06-09 | 株式会社DSi | 勤怠監視装置、勤怠管理方法、勤怠管理システムおよびプログラム |
CN107491713A (zh) * | 2016-06-12 | 2017-12-19 | 杭州海康威视系统技术有限公司 | 一种教师上课考勤监控方法、系统及装置 |
CN109829418A (zh) * | 2019-01-28 | 2019-05-31 | 北京影谱科技股份有限公司 | 一种基于背影特征的打卡方法、装置和系统 |
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 |
CN110619689A (zh) * | 2019-08-30 | 2019-12-27 | 恒大智慧科技有限公司 | 智慧楼宇的自动签到打卡方法、计算机设备及存储介质 |
CN110969713A (zh) * | 2018-09-30 | 2020-04-07 | 上海小蚁科技有限公司 | 考勤统计方法、装置及系统、可读存储介质 |
CN111028374A (zh) * | 2019-10-30 | 2020-04-17 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 基于步态识别的考勤机及考勤系统 |
-
2020
- 2020-05-19 CN CN202010427333.8A patent/CN111739181A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016105261A (ja) * | 2014-12-01 | 2016-06-09 | 株式会社DSi | 勤怠監視装置、勤怠管理方法、勤怠管理システムおよびプログラム |
CN107491713A (zh) * | 2016-06-12 | 2017-12-19 | 杭州海康威视系统技术有限公司 | 一种教师上课考勤监控方法、系统及装置 |
CN110969713A (zh) * | 2018-09-30 | 2020-04-07 | 上海小蚁科技有限公司 | 考勤统计方法、装置及系统、可读存储介质 |
CN109829418A (zh) * | 2019-01-28 | 2019-05-31 | 北京影谱科技股份有限公司 | 一种基于背影特征的打卡方法、装置和系统 |
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 |
CN110619689A (zh) * | 2019-08-30 | 2019-12-27 | 恒大智慧科技有限公司 | 智慧楼宇的自动签到打卡方法、计算机设备及存储介质 |
CN111028374A (zh) * | 2019-10-30 | 2020-04-17 | 中国科学院自动化研究所南京人工智能芯片创新研究院 | 基于步态识别的考勤机及考勤系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023273066A1 (zh) * | 2021-06-29 | 2023-01-05 | 深圳市商汤科技有限公司 | 人脸考勤方法及装置、电子设备、存储介质和计算机程序产品 |
WO2023005662A1 (zh) * | 2021-07-30 | 2023-02-02 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备、程序产品及计算机可读存储介质 |
CN117711132A (zh) * | 2024-02-05 | 2024-03-15 | 青岛培诺教育科技股份有限公司 | 一种学生安全监测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111739181A (zh) | 考勤方法及装置、电子设备及存储介质 | |
CN111556278B (zh) | 一种视频处理的方法、视频展示的方法、装置及存储介质 | |
CN102713935B (zh) | 会议室参与者辨识器 | |
CN111046819B (zh) | 一种行为识别处理方法及装置 | |
CN107240319B (zh) | 一种用于k12阶段的互动情景教学系统 | |
US20150189233A1 (en) | Facilitating user interaction in a video conference | |
WO2021179706A1 (zh) | 会议签到方法、系统、计算机设备及计算机可读存储介质 | |
CN112148922A (zh) | 会议记录方法、装置、数据处理设备及可读存储介质 | |
Feese et al. | Quantifying behavioral mimicry by automatic detection of nonverbal cues from body motion | |
WO2011043632A2 (ko) | 온라인 토론 능력 인증 방법과 상기 방법을 수행할 수 있는 시스템 | |
CN110442742A (zh) | 检索图像的方法及装置、处理器、电子设备及存储介质 | |
CN111062752A (zh) | 基于受众群体的电梯场景广告投放方法及投放系统 | |
US9778734B2 (en) | Memory aid method using audio/video data | |
US11503110B2 (en) | Method for presenting schedule reminder information, terminal device, and cloud server | |
CN111666820A (zh) | 一种讲话状态识别方法、装置、存储介质及终端 | |
US11100739B1 (en) | Two factor identification verification of controlled-environment facility residents and associated non-residents | |
CN109409759B (zh) | 一种基于煤矿安全培训游戏的数据挖掘系统及方法 | |
WO2022089220A1 (zh) | 图像数据处理方法、装置、设备、存储介质及产品 | |
CN110111011A (zh) | 一种教学质量监管方法、装置及电子设备 | |
CN111160211B (zh) | 一种基于人脸识别的教育培训系统 | |
CN114283349A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN114510700A (zh) | 一种课程监学的方法及相关装置 | |
WO2019132158A1 (ko) | 영상 채팅에 기반하여 광고 콘텐츠의 흐름을 제어하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체 | |
CN109934082A (zh) | 一种基于头像识别的分组方法及装置 | |
CN111461005A (zh) | 一种手势识别方法、装置、计算机设备以及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201002 |
|
RJ01 | Rejection of invention patent application after publication |