CN112766927B - 一种基于人脸识别技术的高校新生入学资格审查方法 - Google Patents
一种基于人脸识别技术的高校新生入学资格审查方法 Download PDFInfo
- Publication number
- CN112766927B CN112766927B CN202110116840.4A CN202110116840A CN112766927B CN 112766927 B CN112766927 B CN 112766927B CN 202110116840 A CN202110116840 A CN 202110116840A CN 112766927 B CN112766927 B CN 112766927B
- Authority
- CN
- China
- Prior art keywords
- photo
- identity card
- examination
- face recognition
- entrance
- 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
Links
- 238000012797 qualification Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 4
- 208000027418 Wounds and injury Diseases 0.000 claims description 21
- 230000006378 damage Effects 0.000 claims description 17
- 208000014674 injury Diseases 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000002537 cosmetic Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 210000004709 eyebrow Anatomy 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims description 3
- 230000007115 recruitment Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract 1
- 238000012795 verification Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 2
- 206010050392 Face injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- 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
- 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
- G06V40/10—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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Library & Information Science (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人脸识别技术的高校新生入学资格审查方法,包括管理端、数据库、人脸识别模块、用户端、人脸信息采集设备和身份证识别设备,方法步骤为:初始化包含高考照片的已录取学生基础信息数据;入学报到时现场拍摄采集学生的现场照片和读取身份证照片;由人脸识别模块对比高考照片、现场照片、身份证照片进行分析判断,并由用户端反馈判断结果和有数据库存储结果;筛选识别准确率较低的学生数据,进一步深度核查。本发明针对高校新生入学资格审查进行人脸识别运用,有效提高了工作效率和准确性,并对人脸识别技术的缺点进行改善,进一步地有效提高了识别准确性。
Description
技术领域
本发明涉及高校学生身份真实性审核技术,具体地讲,是涉及一种基于人脸 识别技术的高校新生入学资格审查方法。
背景技术
在高校的学生身份核查工作中,除档案材料外,还需要核查到校报名的学生 身份,主要方法是现场查看学生是否与高考报名的学生为同一人,排除他人冒用 真正被录取新生的身份。审核过程中,需要招生老师或其他工作人员(主观)判 断实际到校的学生和录取的学生(即参加高考的)是否为一个人,同时需要判断 持有的身份证和到校的学生是否为同一人。
目前人脸识别技术中的人脸比对,并未反馈识别、比对的准确率或类似数据, 但实际上,照片的清晰度、被识别者两张照片拍摄时的状态(胖瘦、是否受伤等) 均会对识别造成一定影响,从而影响比对的准确性。
高校新生入学资格核查工作中,需要工作人员检查新生的高考报名照片、身 份证照片与入校报到的学生是否是同一人,通过工作人员人工判断新生身份的真 实性,从效率、准确性、可靠性等方面来看,面对每年少则数百、多则数千甚至 上万的新生规模,是非常难以顺利完成的工作。若依靠人工判断,至少需要数天。
因此现有环境下,高校对新生入学身份核查的难点,第一是核查效率,第二 是核查的准确性,第三是数据的实时记录和汇总。众所周知,依靠人工判断照片 和现场的人是否为同一个人,只能依靠工作人员的主观判断和经验,并没有任何 判断标准和依据,若要提高准确性,只能增加工作人员多人判断,但这将降低效 率增加成本。同时,人工判断还将受到工作人员自身状态以及自身能力的影响。 而在高校新生入学的身份审查中,还需要比对高考报名照片、身份证照片两张照 片与现场报到学生是否是同一个人,而两张照片的拍摄时间与入校报名时间存在 较长的时间差,照片与现场本人即便是同一人,也存在一定的差异(如发型、胖 瘦、精神状态等)。因此,依靠人的主观判断,很难在短时间内以较高的准确率 来完成新生的身份核查工作。
发明内容
针对上述现有技术中的上述问题,本发明提供一种高效率和高准确性的基于 人脸识别技术的高校新生入学资格审查方法。
为了实现上述目的,本发明采用的技术方案如下:
一种基于人脸识别技术的高校新生入学资格审查方法,所采用的系统包括管 理端、数据库、人脸识别模块、用户端、人脸信息采集设备和身份证识别设备, 其中,所述身份证识别设备用于在新生入学审查时读取包含姓名、身份证号和身 份证照片在内的身份证信息,所述人脸信息采集设备用于在新生入学审查时现场 采集符合人脸信息采集要求的现场照片,所述用户端用于收集和显示身份证信息 和现场照片,所述管理端用于导入包含姓名、身份证号和高考照片在内的已录取 学生基础信息,所述人脸识别模块用于通过现场照片、身份证照片和高考照片分 别对比人脸信息进行人脸识别判断并向用户端反馈显示新生入学资格审查结果, 所述数据库用于存储已录取学生基础信息、身份证信息、高考照片和学校基础信 息。
该高校新生入学资格审查方法包括以下步骤:
S1、由管理端操作,导入包含姓名、身份证号、考生号、性别、户籍地和高 考照片在内的已录取学生基础信息到数据库存储,并初始化已录取学生基础信息 数据;
S2、在高校新生入学报到时,由人脸信息采集设备拍摄该报到新生的现场照 片,由身份证识别设备读取该报到新生的包含姓名、身份证号和身份证照片在内 的身份证信息,将该报到新生的现场照片和身份证信息传输给用户端;
S3、由用户端将现场照片和身份证信息传输至人脸识别模块,由人脸识别模 式基于身份证信息中的姓名和身份证号从数据库中调取高考照片,通过人工智能 算法分别对比现场照片、身份证照片和高考照片,进行新生入学资格审查,分析 判断是否为同一人并将结果反馈给用户端,同时保存该新生入学资格审查结果到 数据库;
S4、用户端接收该新生入学资格审查结果并进行显示,便于工作人员查看; 数据库保存该新生入学资格审查结果,可由管理端调取进行分析展示。
具体地,所述步骤S1中导入已录取学生基础信息的过程如下:
S1.1、从招生数据中获取已录取学生基础信息,将高考照片以考生号命名, 并导入数据库;
S1.2、初始化系统中的已录取学生基础信息数据库,将高考照片以姓名和身 份证号重命名,在人脸识别模块对比时,通过检索相同的身份证号调取对应的高 考照片。
具体地,所述步骤S3中通过人工智能算法分别对比现场照片、身份证照片 和高考照片进行新生入学资格审查的过程如下:
S3.1、人脸识别模块以现场照片为基准,分别与身份证照片、高考照片进行 人脸识别对比,获得两个相似度数据;
S3.2、分别判断两个相似度数据是否达到设定阈值,若是,则生成对比结果 为同一人,否则生成对比结果为不是同一人;
S3.3、判断两次对比结果是否均为同一人,若是,则反馈审核结果为正常, 否则反馈审核结果为待审查;
S3.4、由用户端显示对比结果和审核结果,并由数据库保存对比结果和审核 结果数据。
具体地,所述步骤S3.1中进行人脸识别对比的过程如下:
S3.1.1、预设识别需要对比的部位:脸部、眼睛、眉毛、嘴唇、鼻子轮廓;
S3.1.2、基于图像提取技术分别获取两张对比照片上各个部位的关键点,每 个部位至少取10个关键点;
S3.1.3、识别各个部位的关键点的坐标位置;
S3.1.4、对比两张对比照片上各个部位的关键点的坐标差异,并返回差异值, 通过换算得到相似度数据,其中,相似度数据范围为0-100。
并且,所述步骤S3.2中相似度数据的设定阈值至少为75.000。
进一步地,上述基于人脸识别技术的高校新生入学资格审查方法,还包括:
S5、在审查中通过人脸识别模块计算照片对比的准确率,对于准确率低于设 定阈值的新生数据进行深度核查。
其中,所述准确率的设定阈值不超过60%。
具体地,所述步骤S5中计算照片对比的准确率的过程如下:
S5.1、读取计算准确率所需的影响因素数据,包括图片分辨率、拍照时间、 学生高考体检体重、学生入校体检体重、受伤/整容程度;
S5.2、根据准确率计算公式A=1-(Ir×Wr+It×Wt+Iw×Ww+If×Wf)-0.05 计算并反馈两个照片对比的准确率数值,
其中,A表示准确率,I表示各影响因素的影响值,W表示各影响因素的预 设权重,r表示图片像素影响因素,t表示拍照时间影响因素,w表示体重影响因 素,f表示受伤/整容程度影响因素。
具体地,所述步骤S5.2中各影响因素的计算方式如下:
具体地,所述步骤S5.2中各影响因素的预设权重分别为Wr=0.1、Wt=0.1、 Ww=0.3、Wf=0.5。
与现有技术相比,本发明具有以下有益效果:
(1)本发明在高校新生入学资格审查工作中引入人工智能人脸识别技术, 在面对每年少则数百、多则数千甚至上万的新生规模时,可以在极短的时间内完 成新生的身份核查,根据设置身份核查点位的多少和学生数量(一般每500人使 用一个比对点位),一般高校最快可在1天(设置数个点位)内完成新生身份的 初步核查,极大地提高了工作效率。
(2)本发明基于人工智能人脸识别技术,虽然无法保证100%的准确率,但 可以将错误概率控制在可控范围,相比以往人工直接判断的方式,极大地提高了 预估可靠性。
(3)本发明针对所运用的高校新生入学资格审查的实际环境,在面对需要 比对的照片存在分辨率可能较低,被比对对象(学生)拍摄照片的时间跨度较长 (数月到数年,如身份证照片若在15岁拍摄,入校报名时年龄可能18岁,跨度 可达3年),以及学生自身、脸部可能存在较大变化(如胖瘦变化、脸部受伤等) 等情况时,进行有效的方法设计改进,将这些影响因素进行加权分析,计算出对 比准确率,从而有效地提高了识别审查的准确性。而且在本发明应用场景中,学 校具备学生的详细数据,如高考照片的拍摄时间、高考前的体检数据、入校后的 体检数据等,这给准确率的判断提供了可行的数据基础。
(4)本发明还在人脸识别基础上进行一定的人工干预,对于系统判断对比 准确率较低的部分,由工作人员通过其他方式进一步核查,有效提升学生身份核 查的准确性。
附图说明
图1为本发明-实施例的结构示意图。
图2为本发明-实施例的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不 限于下列实施例。
实施例
对高校入学新生的身份真实性核查是一个非常严肃的过程,因此,引入人脸 识别技术是提高工作效率和准确性的重要创新办法。但是,通过人脸照片和现场 真人判断身份的真实性存在一定局限性,而人脸识别技术本身也存在一定局限性, 若对人脸识别结果进行一定的人工干预,便可提升学生身份核查的准确性。本方 法中,通过引入比对准确率,来筛查出准确率较低的部分,这部分学生信息再由 工作人员通过其他方法进一步核查。
如图1所示,该基于人脸识别技术的高校新生入学资格审查方法,所采用的 系统包括管理端、数据库、人脸识别模块、用户端、人脸信息采集设备和身份证 识别设备,其中,所述身份证识别设备用于在新生入学审查时读取包含姓名、身 份证号和身份证照片在内的身份证信息,所述人脸信息采集设备用于在新生入学 审查时现场采集符合人脸信息采集要求的现场照片,所述用户端用于收集和显示 身份证信息和现场照片,所述管理端用于导入包含姓名、身份证号和高考照片在 内的已录取学生基础信息,所述人脸识别模块用于通过现场照片、身份证照片和 高考照片分别对比人脸信息进行人脸识别判断并向用户端反馈显示新生入学资 格审查结果,所述数据库用于存储已录取学生基础信息、身份证信息、高考照片 和学校基础信息。
如图2所示,该基于人脸识别技术的高校新生入学资格审查方法包括以下步 骤:
S1、由管理端操作,导入已录取学生基础信息到数据库存储,并初始化已录 取学生基础信息数据;学生基础信息包含姓名、身份证号、考生号、性别、户籍 地、高考照片等,其中,
S1.1、从招生数据中获取已录取学生基础信息,将高考照片以“考生号”命 名,并导入数据库;
S1.2、初始化系统中的已录取学生基础信息数据库,将高考照片以“姓名和 身份证号”重命名,在人脸识别模块对比时,通过检索相同的身份证号调取对应 的高考照片。
S2、在高校新生入学报到时,由人脸信息采集设备拍摄该报到新生的现场照 片,由身份证识别设备读取该报到新生的包含姓名、身份证号和身份证照片在内 的身份证信息,将该报到新生的现场照片和身份证信息传输给用户端。
S3、由用户端将现场照片和身份证信息传输至人脸识别模块,由人脸识别模 式基于身份证信息中的姓名和身份证号从数据库中调取高考照片,通过人工智能 算法分别对比现场照片、身份证照片和高考照片,进行新生入学资格审查,分析 判断是否为同一人并将结果反馈给用户端,同时保存该新生入学资格审查结果到 数据库;
S3.1、人脸识别模块以现场照片为基准,分别与身份证照片、高考照片进行 人脸识别对比,获得两个相似度数据;
S3.1.1、预设识别需要对比的部位:脸部、眼睛、眉毛、嘴唇、鼻子轮廓;
S3.1.2、基于图像提取技术分别获取两张对比照片上各个部位的关键点,每 个部位至少取10个关键点;
S3.1.3、识别各个部位的关键点的坐标位置;
S3.1.4、对比两张对比照片上各个部位的关键点的坐标差异,并返回差异值, 通过换算得到相似度数据,其中,相似度数据范围为0-100,一般保留小数点后 3位。
S3.2、分别判断两个相似度数据是否达到设定阈值,若是,则生成对比结果 为同一人,否则生成对比结果为不是同一人;相似度数据的设定阈值至少为 75.000,可以根据实际情况调整,数值越大审查越严格,越需要两张人脸相似程 度高;
S3.3、判断两次对比结果是否均为同一人,若是,则反馈审核结果为正常, 否则反馈审核结果为待审查;同时对比结果和审核结果还包括“无法识别”,如 使用了没有人脸的照片或质量过低的照片,则会出现“无法识别”的结果反馈;
S3.4、由用户端显示对比结果和审核结果,并由数据库保存对比结果和审核 结果数据。
S4、用户端接收该新生入学资格审查结果并进行显示,便于工作人员查看; 数据库保存该新生入学资格审查结果,可由管理端调取进行分析展示。
S5、在审查中通过人脸识别模块计算照片对比的准确率,对于准确率低于设 定阈值的新生数据进行深度核查。其中,所述准确率的设定阈值不超过60%。
S5.1、读取计算准确率所需的影响因素数据,包括图片分辨率、拍照时间、 学生高考体检体重、学生入校体检体重、受伤/整容程度;
其中,图片分辨率由系统读取图片中的分辨率数据,并计算出总像素,图片 的质量对人脸对比的结果准确率影响最直接。拍照时间包含身份证照片拍照时间 (以身份证识别设备读取的身份证有效期开始时间作为身份证照片的拍照时间)、 高考照片拍照时间(高考报名提交的照片一般较为固定,因此高考照片拍照时间 可设置固定值)、现场照片拍照时间(在人脸识别点位拍摄采集现场照片时系统 自动生成),一般拍照时间越久远,与现场比对的准确率将越低。体重数据只涉 及高考前体检的体重和入校后体检的体重,由工作人员录入或导入两项数据作为 学生基础信息,一般体重变化越大,准确率将越低。受伤/整容程度,默认为无, 可由学生自行录入,或者体检中获取,学校工作人员录入,一般受伤或整容的部 位越多,程度越高,准确率将越低。
S5.2、根据准确率计算公式A=1-(Ir×Wr+It×Wt+Iw×Ww+If×Wf)-0.05 计算并反馈两个照片对比的准确率数值,
其中,A表示准确率,I表示各影响因素的影响值,W表示各影响因素的预 设权重,r表示图片像素影响因素,t表示拍照时间影响因素,w表示体重影响因 素,f表示受伤/整容程度影响因素。
各影响因素的预设权重分别为Wr=0.1、Wt=0.1、Ww=0.3、Wf=0.5。
各影响因素的计算方式如下:
受伤/整容程度换算可参考下表一数值
部位 | 程度高 | 程度中 | 程度低 | 无 |
脸部 | 31 | 16 | 8 | 0 |
眼睛 | 19 | 10 | 5 | 0 |
眉毛 | 17 | 9 | 4 | 0 |
嘴唇 | 19 | 10 | 5 | 0 |
鼻子 | 14 | 7 | 4 | 0 |
表一 受伤/整容值计算表
根据表格换算,若眼部有中等程度的受伤或整容,则取值10,若鼻子有轻微 程度的受伤或整容,则取值4,以此类推。受伤整容值=所有部位值之和。
在步骤S4中,数据库保存与分析展示的比对结果数据包括以下内容:
表二 数据库保存内容
通过上述过程,本发明有效解决了高校入学新生的身份核查环节的效率、准 确性问题,并完整记录核查数据。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡 采用本发明的设计原理,以及在此基础上进行非创造性劳动而做出的变化,均应 属于本发明的保护范围之内。
Claims (6)
1.一种基于人脸识别技术的高校新生入学资格审查方法,其特征在于,所采用的系统包括管理端、数据库、人脸识别模块、用户端、人脸信息采集设备和身份证识别设备,其中,所述身份证识别设备用于在新生入学审查时读取包含姓名、身份证号和身份证照片在内的身份证信息,所述人脸信息采集设备用于在新生入学审查时现场采集符合人脸信息采集要求的现场照片,所述用户端用于收集和显示身份证信息和现场照片,所述管理端用于导入包含姓名、身份证号和高考照片在内的已录取学生基础信息,所述人脸识别模块用于通过现场照片、身份证照片和高考照片分别对比人脸信息进行人脸识别判断并向用户端反馈显示新生入学资格审查结果,所述数据库用于存储已录取学生基础信息、身份证信息、高考照片和学校基础信息;所述用户端、人脸信息采集设备和身份证识别设备根据新生入学审查时在现场设置的身份核查点位个数配置为相应的数量;
该高校新生入学资格审查方法包括以下步骤:
S1、由管理端操作,导入包含姓名、身份证号、考生号、性别、户籍地和高考照片在内的已录取学生基础信息到数据库存储,并初始化已录取学生基础信息数据;
S2、在高校新生入学报到时,由人脸信息采集设备拍摄该报到新生的现场照片,由身份证识别设备读取该报到新生的包含姓名、身份证号和身份证照片在内的身份证信息,将该报到新生的现场照片和身份证信息传输给用户端;
S3、由用户端将现场照片和身份证信息传输至人脸识别模块,由人脸识别模式基于身份证信息中的姓名和身份证号从数据库中调取高考照片,通过人工智能算法分别对比现场照片、身份证照片和高考照片,进行新生入学资格审查,分析判断是否为同一人并将结果反馈给用户端,同时保存该新生入学资格审查结果到数据库;其中通过人工智能算法分别对比现场照片、身份证照片和高考照片进行新生入学资格审查的过程如下:
S3.1、人脸识别模块以现场照片为基准,分别与身份证照片、高考照片进行人脸识别对比,获得两个相似度数据;
S3.2、分别判断两个相似度数据是否达到设定阈值,若是,则生成对比结果为同一人,否则生成对比结果为不是同一人;
S3.3、判断两次对比结果是否均为同一人,若是,则反馈审核结果为正常,否则反馈审核结果为待审查;
S3.4、由用户端显示对比结果和审核结果,并由数据库保存对比结果和审核结果数据;
S4、用户端接收该新生入学资格审查结果并进行显示,便于工作人员查看;数据库保存该新生入学资格审查结果,可由管理端调取进行分析展示;
S5、在审查中通过人脸识别模块计算照片对比的准确率,对于准确率低于设定阈值的新生数据进行深度核查;
所述步骤S5中计算照片对比的准确率的过程如下:
S5.1、读取计算准确率所需的影响因素数据,包括图片分辨率、拍照时间、学生高考体检体重、学生入校体检体重、受伤/整容程度;
S5.2、根据准确率计算公式A=1-(Ir×Wr+It×Wt+Iw×Ww+If×Wf)-0.05计算并反馈两个照片对比的准确率数值,
其中,A表示准确率,I表示各影响因素的影响值,W表示各影响因素的预设权重,r表示图片像素影响因素,t表示拍照时间影响因素,w表示体重影响因素,f表示受伤/整容程度影响因素;
所述步骤S5.2中各影响因素的计算方式如下:
2.根据权利要求1所述的基于人脸识别技术的高校新生入学资格审查方法,其特征在于,所述步骤S1中导入已录取学生基础信息的过程如下:
S1.1、从招生数据中获取已录取学生基础信息,将高考照片以考生号命名,并导入数据库;
S1.2、初始化系统中的已录取学生基础信息数据库,将高考照片以姓名和身份证号重命名,在人脸识别模块对比时,通过检索相同的身份证号调取对应的高考照片。
3.根据权利要求1所述的基于人脸识别技术的高校新生入学资格审查方法,其特征在于,所述步骤S3.1中进行人脸识别对比的过程如下:
S3.1.1、预设识别需要对比的部位:脸部、眼睛、眉毛、嘴唇、鼻子轮廓;
S3.1.2、基于图像提取技术分别获取两张对比照片上各个部位的关键点,每个部位至少取10个关键点;
S3.1.3、识别各个部位的关键点的坐标位置;
S3.1.4、对比两张对比照片上各个部位的关键点的坐标差异,并返回差异值,通过换算得到相似度数据,其中,相似度数据范围为0-100。
4.根据权利要求3所述的基于人脸识别技术的高校新生入学资格审查方法,其特征在于,所述步骤S3.2中相似度数据的设定阈值至少为75.000。
5.根据权利要求1~4任一项所述的基于人脸识别技术的高校新生入学资格审查方法,其特征在于,所述准确率的设定阈值不超过60%。
6.根据权利要求5所述的基于人脸识别技术的高校新生入学资格审查方法,其特征在于,所述步骤S5.2中各影响因素的预设权重分别为Wr=0.1、Wt=0.1、Ww=0.3、Wf=0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110116840.4A CN112766927B (zh) | 2021-01-28 | 2021-01-28 | 一种基于人脸识别技术的高校新生入学资格审查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110116840.4A CN112766927B (zh) | 2021-01-28 | 2021-01-28 | 一种基于人脸识别技术的高校新生入学资格审查方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766927A CN112766927A (zh) | 2021-05-07 |
CN112766927B true CN112766927B (zh) | 2023-06-20 |
Family
ID=75706396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110116840.4A Active CN112766927B (zh) | 2021-01-28 | 2021-01-28 | 一种基于人脸识别技术的高校新生入学资格审查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766927B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096536A (zh) * | 2016-06-08 | 2016-11-09 | 湖南城市学院 | 学生身份识别系统及识别方法 |
CN106529414A (zh) * | 2016-10-14 | 2017-03-22 | 国政通科技股份有限公司 | 一种通过图像比对实现结果认证的方法 |
CN107742101A (zh) * | 2017-10-12 | 2018-02-27 | 珠海长园共创软件技术有限公司 | 一种现场施工人员验证方法 |
CN108171132A (zh) * | 2017-12-17 | 2018-06-15 | 深圳禾思众成科技有限公司 | 一种人脸识别考试身份验证设备 |
CN110163619A (zh) * | 2019-07-08 | 2019-08-23 | 中国工商银行股份有限公司 | 基于人脸识别的支付方法、服务器及自助收银终端装置 |
CN110869938A (zh) * | 2017-04-14 | 2020-03-06 | 皇家飞利浦有限公司 | 人员识别系统和方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10734116B2 (en) * | 2011-10-04 | 2020-08-04 | Quantant Technology, Inc. | Remote cloud based medical image sharing and rendering semi-automated or fully automated network and/or web-based, 3D and/or 4D imaging of anatomy for training, rehearsing and/or conducting medical procedures, using multiple standard X-ray and/or other imaging projections, without a need for special hardware and/or systems and/or pre-processing/analysis of a captured image data |
CN109492555A (zh) * | 2018-10-26 | 2019-03-19 | 平安科技(深圳)有限公司 | 新生身份认证方法、电子装置及计算机可读存储介质 |
CN111091132B (zh) * | 2020-03-19 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像识别方法、装置、计算机设备及介质 |
CN111598132B (zh) * | 2020-04-21 | 2023-06-09 | 烽火通信科技股份有限公司 | 一种人像识别算法性能评测方法和装置 |
-
2021
- 2021-01-28 CN CN202110116840.4A patent/CN112766927B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096536A (zh) * | 2016-06-08 | 2016-11-09 | 湖南城市学院 | 学生身份识别系统及识别方法 |
CN106529414A (zh) * | 2016-10-14 | 2017-03-22 | 国政通科技股份有限公司 | 一种通过图像比对实现结果认证的方法 |
CN110869938A (zh) * | 2017-04-14 | 2020-03-06 | 皇家飞利浦有限公司 | 人员识别系统和方法 |
CN107742101A (zh) * | 2017-10-12 | 2018-02-27 | 珠海长园共创软件技术有限公司 | 一种现场施工人员验证方法 |
CN108171132A (zh) * | 2017-12-17 | 2018-06-15 | 深圳禾思众成科技有限公司 | 一种人脸识别考试身份验证设备 |
CN110163619A (zh) * | 2019-07-08 | 2019-08-23 | 中国工商银行股份有限公司 | 基于人脸识别的支付方法、服务器及自助收银终端装置 |
Non-Patent Citations (2)
Title |
---|
Sub-pixel precision image matching for measuring surface displacements on mass movements using normalized cross-correlation;Misganu Debella-Gilo 等;《Remote Sensing of Environment》;第130–142页 * |
基于FPGA监听的图像采集与预处理方法;周佳立;陈以军;武敏;;浙江大学学报(工学版)(第02期);第398-405页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112766927A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009210B (zh) | 一种基于关注度和专注度的学生听课水平综合评估方法 | |
CN106250825A (zh) | 一种在医保应用中场景自适应的人脸识别系统 | |
WO2019071738A1 (zh) | 考生身份验证方法、装置、可读存储介质及终端设备 | |
CN112333420B (zh) | 一种智慧校园的大数据信息安全管理系统 | |
CN110287895A (zh) | 一种基于卷积神经网络进行情绪测量的方法 | |
CN116823028A (zh) | 教学质量评价系统及方法 | |
WO2019061660A1 (zh) | 招聘方法、电子装置及可读存储介质 | |
CN112766927B (zh) | 一种基于人脸识别技术的高校新生入学资格审查方法 | |
CN109903410A (zh) | 基于人脸识别的点名签到方法、装置、设备和存储介质 | |
CN109003259A (zh) | 基于纹线质量专家视觉认知机器学习的指纹质量评价方法 | |
CN107967660B (zh) | 一种自动面部识别的安全考试系统 | |
CN110298301B (zh) | 一种组织人员心态预测方法 | |
CN111339939B (zh) | 基于图像识别的考勤方法及装置 | |
CN114520059A (zh) | 一种基于大数据的中医诊断学数据平台 | |
CN115238166A (zh) | 一种基于云计算的学生分科用辅助系统 | |
CN114548940A (zh) | 基于互联网的人力资源教师管理信息化平台 | |
Golasangi et al. | A Survey on Face Recognition Based Attendance System | |
CN112766150A (zh) | 基于大数据和人工智能的学校课堂学生学习行为跟踪分析方法及云管理平台 | |
CN107818531B (zh) | 一种安全考试系统 | |
Roy et al. | An Automated and Scalable Tool for Fingerprint based Biometric Attendance Management System | |
Sihombing et al. | The Student Attendance Controlling Based on Face Recognition by using Learning Vectorization Quantization (LVQ) Algorithm | |
CN116313021B (zh) | 医院诊疗管理系统及方法 | |
CN117575862B (zh) | 一个基于知识图谱的学生个性化实训指导方法及系统 | |
CN116595238B (zh) | 一种基于rfid技术的用户档案数据分析处理方法 | |
CN117558457B (zh) | 一种客户关系管理系统中客户画像分析方法 |
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 |