CN112149517A - 一种人脸考勤方法、系统、计算机设备及存储介质 - Google Patents

一种人脸考勤方法、系统、计算机设备及存储介质 Download PDF

Info

Publication number
CN112149517A
CN112149517A CN202010894758.XA CN202010894758A CN112149517A CN 112149517 A CN112149517 A CN 112149517A CN 202010894758 A CN202010894758 A CN 202010894758A CN 112149517 A CN112149517 A CN 112149517A
Authority
CN
China
Prior art keywords
face
attendance
person
checked
human face
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
Application number
CN202010894758.XA
Other languages
English (en)
Inventor
刘天元
张玉冲
陈奇松
罗龙
韩高强
陈国镇
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.)
Sunmnet Technology Co ltd
Original Assignee
Sunmnet 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 Sunmnet Technology Co ltd filed Critical Sunmnet Technology Co ltd
Priority to CN202010894758.XA priority Critical patent/CN112149517A/zh
Publication of CN112149517A publication Critical patent/CN112149517A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种人脸考勤方法，包括：预先构建待考勤人员人脸底库向量集合；获取考勤现场图像，并将考勤现场图像输入预先构建好的人脸检测模型以获得考勤人员人脸图像；将所述考勤人员人脸图像输入预先构建好的人脸特征提取模型以获得考勤人员人脸特征向量；将所述考勤人员人脸特征向量与所述待考勤人员人脸底库向量集合进行搜索比对，输出最大人脸相似度；当所述人脸相似度大于预设阈值时，所述考勤人员考勤合格。本发明还公开了一种人脸考勤系统、计算机设备以及存储介质。采用本发明，能够提高考勤效率和准确率。

Description

一种人脸考勤方法、系统、计算机设备及存储介质
技术领域
本发明涉及考勤领域，尤其涉及一种人脸考勤方法、系统、计算机设备及存储介质。
背景技术
大学课堂出勤率低一直是各大高校面临的问题。相比各行各业陆续出现的各类考勤系统，高校课堂目前较多的仍然是采用传统的课堂点名方式。而近年来,也曾有一些新兴方式在某些高校出现：如手机App签到、指纹识别及校园一卡通刷卡等。虽然这些新的方式较传统点名来说,是一种进步且日趋成熟,但是仍然有不少人为漏洞。比如手机或校园卡有遗失或忘带的情况；考勤设备认卡不认人，容易替刷；指纹识别成本较高，手指受伤情况下无法识别等。
传统人脸考勤方式经历了从人工点名到刷卡签到方式，刷卡存在代刷卡、效率低等问题，也占用了正常教学时间。
发明内容
本发明所要解决的技术问题在于，提供一种人脸考勤方法、系统、计算机设备及存储介质，能够提高课堂考勤效率和准确率。
为了解决上述技术问题，本发明提供了一种人脸考勤方法，包括：预先构建待考勤人员人脸底库向量集合；获取考勤现场图像，并将考勤现场图像输入预先构建好的人脸检测模型以获得考勤人员人脸图像；将所述考勤人员人脸图像输入预先构建好的人脸特征提取模型以获得考勤人员人脸特征向量；将所述考勤人员人脸特征向量与所述待考勤人员人脸底库向量集合进行搜索比对，输出最大人脸相似度；当所述人脸相似度大于预设阈值时，所述考勤人员考勤合格。
优选地，所述预先构建待考勤人员人脸底库向量集合的步骤包括：获取待考勤人员正脸高清图像；将所述待考勤人员正脸高清图像输入预先构建好的人脸特征提取模型以获得待考勤人员人脸特征向量；根据所有的待考勤人员人脸特征向量构建待考勤人员人脸底库向量集合。
优选地，所述人脸检测模型包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层，所述人脸检测模型采用随机梯度下降算法进行训练得到模型权重，并结合损失函数以及分类函数输出人脸图像，所有卷积层后均与激活函数连接；所述随机梯度下降算法的批量大小为32，总共训练40个epochs，初始学习率为0.01，每30个epochs学习率除以10。
优选地，所述人脸特征提取模型包括：所述人脸特征提取模型包括依次连接的卷积层、全连接层以及A-Softmax Loss，其中，所述卷积层深度为20，使用ResNet中的残差单元。
优选地，所述将所述考勤人员人脸特征向量与所述待考勤人员人脸底库向量集合进行搜索比对，输出最大人脸相似度的步骤包括：计算所述考勤人员人脸特征向量与所述待考勤人员人脸底库向量集合中各向量的余弦相似度；将最大的余弦相似度作为最大人脸相似度。
本发明还提供了一种人脸考勤系统，包括：人脸底库构建模块、人脸检测模块、人脸特征提取模块以及人脸特征对比模块；所述人脸底库构建模块用于构建待考勤人员人脸底库向量集合；所述人脸检测模块用于将所述待考勤人员图像输入预先构建好的人脸检测模型以获得待考勤人员人脸图像；所述人脸特征提取模块用于将所述待考勤人员人脸图像输入预先构建好的人脸特征提取模型以获得待考勤人员人脸特征向量；所述人脸特征对比模块用于将所述待考勤人员人脸特征向量与预先构建的底库向量集合进行搜索比对，输出最大人脸相似度，当所述人脸相似度大于预设阈值时，所述待考勤人员考勤合格。
优选地，所述人脸检测模型包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层，所述人脸检测模型采用随机梯度下降算法进行训练得到模型权重，并结合损失函数以及分类函数输出人脸图像，所有卷积层后均与激活函数连接；所述随机梯度下降算法的批量大小为32，总共训练40个epochs，初始学习率为0.01，每30个epochs学习率除以10。
优选地，所述人脸特征提取模型包括依次连接的卷积层、全连接层以及A-SoftmaxLoss，其中，所述卷积层深度为20，使用ResNet中的残差单元。
本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现上述方法的步骤。
本发明还提供了一种存储介质，其存储有计算机指令，该程序被处理器执行时实现上述方法的步骤。
实施本发明的有益效果在于：
本发明提供一种人脸考勤方法、系统、计算机设备及存储介质，通过人脸识别技术，能够很完美的解决传统人脸考勤引起的弊端问题，通过摄像头捕捉学生人脸，通过人脸识别算法进行人脸检测、人脸比对，实现人脸考勤全程无感知点名签到，后端系统自动统计学生出勤率，并通过系统联动实时推送至教师前台系统或移动端，保证考勤结果准确可靠、及时送达。
附图说明
图1是本发明提供的人脸考勤方法流程图；
图2是本发明提供的待考勤人员人脸底库向量集合构建流程示意图；
图3是本发明提供的人脸特征对比流程示意图；
图4是本发明提供的人脸考勤系统示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。仅此声明，本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词，仅以本发明的附图为基准，其并不是对本发明的具体限定。
如图1所示，一种人脸考勤方法，包括：
S101，预先构建待考勤人员人脸底库向量集合。
S102，获取考勤现场图像，并将考勤现场图像输入预先构建好的人脸检测模型以获得考勤人员人脸图像。
对于考勤现场抓拍的图片，可能存在多张人脸，因此需要对整个图片做一次人脸检测和关键点定位，然后分别将检测到的每一个人的人脸区域的图像裁剪出来。然后进行人脸质量评估，包括人脸姿态评估，清晰度评估，亮度评估。
对于符合质量要求的人脸图片进行人脸对齐操作，形成统一尺寸的图片，最终图片送入人脸特征提取模型，不符合质量要求的图片直接忽略。
需要说明的是，首先根据人脸的5个关键点(左眼，右眼，鼻尖，左嘴角，右嘴角)，估算出人脸姿态的偏航角yaw，俯仰角pitch，翻滚角roll。对于待识别人脸照片，要求偏航角yaw±30°以内，俯仰角pitch±30°以内，翻滚角roll±30°以内，以此规则进行过滤。人脸姿态评估通过以后，采用灰度方差乘积方法对图片的清晰度做计算，计算结果大于预设阈值，则认为清晰度正常。亮度评估首先将图片转换为灰度图，然后计算平均像素亮度，结果在预设阈值之内，则亮度正常。人脸姿态，清晰度和亮度评估都通过时，会进行下一步处理。
S103，将所述考勤人员人脸图像输入预先构建好的人脸特征提取模型以获得考勤人员人脸特征向量。
S104，将所述考勤人员人脸特征向量与所述待考勤人员人脸底库向量集合进行搜索比对，输出最大人脸相似度。
S105，当所述人脸相似度大于预设阈值时，所述考勤人员考勤合格。
本发明通过预先构建一个待考勤人员人脸底库向量集合，将考勤现场图像输入预先构建好的人脸检测模型以获得考勤人员人脸图像，将将所述考勤人员人脸图像输入预先构建好的人脸特征提取模型以获得考勤人员人脸特征向量，最后将所述考勤人员人脸特征向量与所述待考勤人员人脸底库向量集合进行搜索比对，输出最大人脸相似度，当所述人脸相似度大于预设阈值时，所述考勤人员考勤合格。本发明通过人脸识别技术，能够很完美的解决传统人脸考勤引起的弊端问题，通过摄像头捕捉学生人脸，通过人脸识别算法进行人脸检测、人脸比对，实现人脸考勤全程无感知点名签到，后端系统自动统计学生出勤率，并通过系统联动实时推送至教师前台系统或移动端，保证考勤结果准确可靠、及时送达。
如图2所示，优选地，所述预先构建待考勤人员人脸底库向量集合的步骤包括：
S201，获取待考勤人员正脸高清图像；
S202，将所述待考勤人员正脸高清图像输入预先构建好的人脸特征提取模型以获得待考勤人员人脸特征向量；
S203，根据所有的待考勤人员人脸特征向量构建待考勤人员人脸底库向量集合。
需要说明的是，所述待考勤人员是需要接受考勤的人员，因此在对其进行考勤之前，需要预先获取该人员的相关信息，进行存档。具体地，在所述获取待考勤人员正脸高清图像之后，对整个图片进行人脸检测和关键点定位，将检测到的人脸区域的图像裁剪出来，然后进行人脸质量评估，包括人脸姿态评估，清晰度评估，亮度评估，双眼间距像素评估。将符合质量要求的人脸图片进行人脸对齐操作，形成统一大小的图片，最终将图片送入人脸特征提取模型，提取人脸特征向量然后保存，形成待考勤人员人脸底库向量集合。对于不符合质量要求的图片要求重新采集。
优选地，所述人脸检测模型包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层，所述人脸检测模型采用随机梯度下降算法进行训练得到模型权重，并结合损失函数以及分类函数输出人脸图像，所有卷积层后均与激活函数连接；所述随机梯度下降算法的批量大小为32，总共训练40个epochs，初始学习率为0.01，每30个epochs学习率除以10。
需要说明的是，对于考勤现场抓拍的图片，可能存在多张人脸，因此需要对整个图片做一次人脸检测和关键点定位，然后分别将检测到的每一个人的人脸区域的图像裁剪出来。然后进行人脸质量评估，包括人脸姿态评估，清晰度评估，亮度评估。因此，本发明通过构建人脸检测模型，能够精准获取人脸图像，为后面的特征提取提供基础。
需要说明的是，首先根据人脸的5个关键点(左眼，右眼，鼻尖，左嘴角，右嘴角)，估算出人脸姿态的偏航角yaw，俯仰角pitch，翻滚角roll。对于待识别人脸照片，要求偏航角yaw±30°以内，俯仰角pitch±30°以内，翻滚角roll±30°以内，以此规则进行过滤。人脸姿态评估通过以后，采用灰度方差乘积方法对图片的清晰度做计算，计算结果大于预设阈值，则认为清晰度正常。亮度评估首先将图片转换为灰度图，然后计算平均像素亮度，结果在预设阈值之内，则亮度正常。人脸姿态，清晰度和亮度评估都通过时，会进行下一步处理。
优选地，所述人脸特征提取模型包括依次连接的卷积层、全连接层以及A-SoftmaxLoss，其中，所述卷积层深度为20，使用ResNet中的残差单元。
需要说明的是，人脸特征值提取：对人脸的特征进行提取，包括眼睛、鼻子，嘴巴、眉毛、耳朵等。特征点检测：在人脸检测的基础上，根据输入的人脸图像，自动定位出面部关键特征点，如眼睛、鼻尖、嘴角点、眉毛以及人脸各部件轮廓点等，输入：人脸外观，输出：人脸特征点集合。人脸对齐：以看作在一张人脸图像搜索人脸预先定义的点(也叫人脸形状)，通常从一个粗估计的形状开始，然后通过迭代来细化形状的估计。方法包括：①AAM(ActiveAppearnce Model)②ASM(Active Shape Model)。特征点定位：利用CNN，由粗到细，实现人脸关键点的精确定位。一般网络结构分为3层：level 1、level 2、level 3。每层都包含多个独立的CNN模型。特征点提取：需要一个特征提取器(predictor)，构建特征提取器可以训练模型。要下载dlib提供的已经训练好的关键点提取模型。
如图3所示，优选地，所述将所述考勤人员人脸特征向量与所述待考勤人员人脸底库向量集合进行搜索比对，输出最大人脸相似度的步骤包括：
S301，计算所述考勤人员人脸特征向量与所述待考勤人员人脸底库向量集合中各向量的余弦相似度。
S302，将最大的余弦相似度作为最大人脸相似度。
如图4所示，本发明还提供了一种人脸考勤系统，包括：人脸底库构建模块1、人脸检测模块2、人脸特征提取模块3以及人脸特征对比模块4；所述人脸底库构建模块1用于构建待考勤人员人脸底库向量集合；所述人脸检测模块2用于将所述待考勤人员图像输入预先构建好的人脸检测模型以获得待考勤人员人脸图像；所述人脸特征提取模块3用于将所述待考勤人员人脸图像输入预先构建好的人脸特征提取模型以获得待考勤人员人脸特征向量；所述人脸特征对比模块4用于将所述待考勤人员人脸特征向量与预先构建的底库向量集合进行搜索比对，输出最大人脸相似度，当所述人脸相似度大于预设阈值时，所述待考勤人员考勤合格。
本发明提供人脸考勤系统，通过人脸识别技术，能够很完美的解决传统人脸考勤引起的弊端问题，通过摄像头捕捉学生人脸，通过人脸识别算法进行人脸检测、人脸比对，实现人脸考勤全程无感知点名签到，后端系统自动统计学生出勤率，并通过系统联动实时推送至教师前台系统或移动端，保证考勤结果准确可靠、及时送达。
优选地，所述人脸检测模型2包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层，所述人脸检测模型2采用随机梯度下降算法进行训练得到模型权重，并结合损失函数以及分类函数输出人脸图像，所有卷积层后均与激活函数连接；所述随机梯度下降算法的批量大小为32，总共训练40个epochs，初始学习率为0.01，每30个epochs学习率除以10。
进一步地，所述人脸特征提取模型包括依次连接的卷积层、全连接层以及A-Softmax Loss，其中，所述卷积层深度为20，使用ResNet中的残差单元。
本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述指令时实现上述方法的步骤。
本发明还提供了一种存储介质，其存储有计算机指令，该程序被处理器执行时实现上述方法的步骤。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (10)

1.一种人脸考勤方法，其特征在于，包括：
预先构建待考勤人员人脸底库向量集合；
获取考勤现场图像，并将考勤现场图像输入预先构建好的人脸检测模型以获得考勤人员人脸图像；
将所述考勤人员人脸图像输入预先构建好的人脸特征提取模型以获得考勤人员人脸特征向量；
将所述考勤人员人脸特征向量与所述待考勤人员人脸底库向量集合进行搜索比对，输出最大人脸相似度；
当所述人脸相似度大于预设阈值时，所述考勤人员考勤合格。
2.如权利要求1所述的人脸考勤方法，其特征在于，所述预先构建待考勤人员人脸底库向量集合的步骤包括：
获取待考勤人员正脸高清图像；
将所述待考勤人员正脸高清图像输入预先构建好的人脸特征提取模型以获得待考勤人员人脸特征向量；
根据所有的待考勤人员人脸特征向量构建待考勤人员人脸底库向量集合。
3.如权利要求1所述的人脸考勤方法，其特征在于，所述人脸检测模型包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层，所述人脸检测模型采用随机梯度下降算法进行训练得到模型权重，并结合损失函数以及分类函数输出考勤人员人脸图像，所有卷积层后均与激活函数连接；所述随机梯度下降算法的批量大小为32，总共训练40个epochs，初始学习率为0.01，每30个epochs学习率除以10。
4.如权利要求1所述的人脸考勤方法，其特征在于，所述人脸特征提取模型所述人脸特征提取模型包括依次连接的卷积层、全连接层以及A-Softmax Loss，其中，所述卷积层深度为20，使用ResNet中的残差单元。
5.如权利要求1所述的人脸考勤方法，其特征在于，所述将所述考勤人员人脸特征向量与所述待考勤人员人脸底库向量集合进行搜索比对，输出最大人脸相似度的步骤包括：
计算所述考勤人员人脸特征向量与所述待考勤人员人脸底库向量集合中各向量的余弦相似度；
将最大的余弦相似度作为最大人脸相似度。
6.一种人脸考勤系统，其特征在于，包括：人脸底库构建模块、人脸检测模块、人脸特征提取模块以及人脸特征对比模块；
所述人脸底库构建模块用于构建待考勤人员人脸底库向量集合；
所述人脸检测模块用于将所述待考勤人员图像输入预先构建好的人脸检测模型以获得待考勤人员人脸图像；
所述人脸特征提取模块用于将所述待考勤人员人脸图像输入预先构建好的人脸特征提取模型以获得待考勤人员人脸特征向量；
所述人脸特征对比模块用于将所述待考勤人员人脸特征向量与预先构建的底库向量集合进行搜索比对，输出最大人脸相似度，当所述人脸相似度大于预设阈值时，所述待考勤人员考勤合格。
7.如权利要求6所述的人脸考勤系统，其特征在于，所述人脸检测模型包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层，所述人脸检测模型采用随机梯度下降算法进行训练得到模型权重，并结合损失函数以及分类函数输出人脸图像，所有卷积层后均与激活函数连接；所述随机梯度下降算法的批量大小为32，总共训练40个epochs，初始学习率为0.01，每30个epochs学习率除以10。
8.如权利要求6所述的人脸考勤系统，其特征在于，所述人脸特征提取模型包括依次连接的卷积层、全连接层以及A-Softmax Loss，其中，所述卷积层深度为20，使用ResNet中的残差单元。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，其特征在于，所述处理器执行所述指令时实现权利要求1-4任意一项所述方法的步骤。
10.一种存储介质，其存储有计算机指令，其特征在于，该程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。
CN202010894758.XA 2020-08-31 2020-08-31 一种人脸考勤方法、系统、计算机设备及存储介质 Pending CN112149517A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010894758.XA CN112149517A (zh) 2020-08-31 2020-08-31 一种人脸考勤方法、系统、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010894758.XA CN112149517A (zh) 2020-08-31 2020-08-31 一种人脸考勤方法、系统、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN112149517A true CN112149517A (zh) 2020-12-29

Family

ID=73891073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010894758.XA Pending CN112149517A (zh) 2020-08-31 2020-08-31 一种人脸考勤方法、系统、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112149517A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256586A (zh) * 2021-05-28 2021-08-13 深圳数联天下智能科技有限公司 人脸图像的模糊判断方法、装置、设备和介质
CN113627384A (zh) * 2021-08-25 2021-11-09 爱康网健康科技(北京)有限公司 考勤系统、方法和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN208421888U (zh) * 2018-06-19 2019-01-22 江苏师范大学 一种基于人脸识别的学生实时考勤系统
CN109284700A (zh) * 2018-09-05 2019-01-29 武汉斗鱼网络科技有限公司 图像中多个人脸检测的方法、存储介质、设备及系统
CN109508690A (zh) * 2018-11-29 2019-03-22 浙江工业大学 一种基于人脸识别的非主动配合考勤系统
CN109740501A (zh) * 2018-12-28 2019-05-10 广东亿迅科技有限公司 一种人脸识别的考勤方法和装置
CN109919035A (zh) * 2019-01-31 2019-06-21 平安科技（深圳）有限公司 提高考勤识别通过的方法、装置、计算机设备和存储介质
CN110008861A (zh) * 2019-03-21 2019-07-12 华南理工大学 一种基于全局和局部特征学习的行人再识别方法
CN110096965A (zh) * 2019-04-09 2019-08-06 华东师范大学 一种基于头部姿态的人脸识别方法
WO2020015076A1 (zh) * 2018-07-18 2020-01-23 平安科技（深圳）有限公司 人脸图像比对方法、装置、计算机设备及存储介质
CN110866490A (zh) * 2019-11-13 2020-03-06 复旦大学 一种基于多任务学习的人脸检测方法及装置
CN111401315A (zh) * 2020-04-10 2020-07-10 浙江大华技术股份有限公司 基于视频的人脸识别方法、识别装置及存储装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN208421888U (zh) * 2018-06-19 2019-01-22 江苏师范大学 一种基于人脸识别的学生实时考勤系统
WO2020015076A1 (zh) * 2018-07-18 2020-01-23 平安科技（深圳）有限公司 人脸图像比对方法、装置、计算机设备及存储介质
CN109284700A (zh) * 2018-09-05 2019-01-29 武汉斗鱼网络科技有限公司 图像中多个人脸检测的方法、存储介质、设备及系统
CN109508690A (zh) * 2018-11-29 2019-03-22 浙江工业大学 一种基于人脸识别的非主动配合考勤系统
CN109740501A (zh) * 2018-12-28 2019-05-10 广东亿迅科技有限公司 一种人脸识别的考勤方法和装置
CN109919035A (zh) * 2019-01-31 2019-06-21 平安科技（深圳）有限公司 提高考勤识别通过的方法、装置、计算机设备和存储介质
CN110008861A (zh) * 2019-03-21 2019-07-12 华南理工大学 一种基于全局和局部特征学习的行人再识别方法
CN110096965A (zh) * 2019-04-09 2019-08-06 华东师范大学 一种基于头部姿态的人脸识别方法
CN110866490A (zh) * 2019-11-13 2020-03-06 复旦大学 一种基于多任务学习的人脸检测方法及装置
CN111401315A (zh) * 2020-04-10 2020-07-10 浙江大华技术股份有限公司 基于视频的人脸识别方法、识别装置及存储装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王亚;朱明;刘成林;: "基于CNN的监控视频中人脸图像质量评估", 计算机系统应用, no. 11, 14 November 2018 (2018-11-14) *
黄法秀;高翔;吴志红;陈虎;: "基于CNN的人脸图像亮度和清晰度质量评价", 计算机工程与设计, no. 07, 16 July 2020 (2020-07-16) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256586A (zh) * 2021-05-28 2021-08-13 深圳数联天下智能科技有限公司 人脸图像的模糊判断方法、装置、设备和介质
CN113627384A (zh) * 2021-08-25 2021-11-09 爱康网健康科技(北京)有限公司 考勤系统、方法和存储介质

Similar Documents

Publication Publication Date Title
CN110826519B (zh) 人脸遮挡检测方法、装置、计算机设备及存储介质
EP3916627A1 (en) Living body detection method based on facial recognition, and electronic device and storage medium
US10262190B2 (en) Method, system, and computer program product for recognizing face
JP5629803B2 (ja) 画像処理装置、撮像装置、画像処理方法
JP4743823B2 (ja) 画像処理装置、撮像装置、画像処理方法
CN105740780B (zh) 人脸活体检测的方法和装置
Brown et al. Comparative study of coarse head pose estimation
CN109145717B (zh) 一种在线学习的人脸识别方法
CN108182397B (zh) 一种多姿态多尺度的人脸验证方法
CN105426827A (zh) 活体验证方法、装置和系统
CN110163211B (zh) 一种图像识别方法、装置和存储介质
WO2022252642A1 (zh) 基于视频图像的行为姿态检测方法、装置、设备及介质
CN111091075A (zh) 人脸识别方法、装置、电子设备及存储介质
CN110827432B (zh) 一种基于人脸识别的课堂考勤方法及系统
CN109815823B (zh) 数据处理方法及相关产品
CN110796101A (zh) 一种嵌入式平台的人脸识别方法及系统
CN112966574A (zh) 人体三维关键点预测方法、装置及电子设备
CN112149517A (zh) 一种人脸考勤方法、系统、计算机设备及存储介质
CN112766065A (zh) 一种移动端考生身份认证方法、装置、终端及存储介质
CN116229528A (zh) 一种活体掌静脉检测方法、装置、设备及存储介质
CN110443577A (zh) 一种基于人脸识别的校园考勤系统
CN106980818B (zh) 一种用于人脸图像的个性化预处理方法、系统及其终端
CN106156739A (zh) 一种基于脸部轮廓分析的证件照耳朵检测与提取方法
WO2015131710A1 (zh) 人眼定位方法及装置
CN116229556A (zh) 人脸识别方法及装置、嵌入式设备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