CN113269903A - 人脸识别课堂考勤系统 - Google Patents
人脸识别课堂考勤系统 Download PDFInfo
- Publication number
- CN113269903A CN113269903A CN202110569781.6A CN202110569781A CN113269903A CN 113269903 A CN113269903 A CN 113269903A CN 202110569781 A CN202110569781 A CN 202110569781A CN 113269903 A CN113269903 A CN 113269903A
- Authority
- CN
- China
- Prior art keywords
- face
- attendance
- information
- module
- face recognition
- 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
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—Combinations of networks
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种人脸识别课堂考勤系统,该系统包括:人脸考勤系统登录模块、人脸数据采集模块、人脸数据训练模块、人脸识别考勤模块、数据库设计模块。本系统通过卷积神经网络实现人脸区域显著性检测,并加入长短期记忆人工神经网络LSTM读取时序信息,准确提取学生人脸区域以便后续人脸识别,可以准确并快速检测识别人脸信息。获取各个人脸数据后,使用孪生神经网络进行考勤人脸与数据库信息之前的相似度计算,并最终得到考勤详细数据,可以准确判断学生是否缺席、在席时间,避免出现学生打完卡就走的情况,可以实时监控考勤情况。相较于传统考勤与电子化考勤来说,基于显著性检测的人脸识别课堂考勤系统效率高、更加智能化。
Description
技术领域
本发明涉及一种人脸识别课堂考勤系统。
背景技术
课堂是一个人在作为学生期间学习专业知识,培养个人技能,提高个人综合素质能力的最重要的场所。随着高等教育的普及,学生群体的数量急剧上升,教学管理难度大大上升。传统考勤采用人工管理方式不仅耗费大量的人力和时间,而且效率低、出错率高、有偏向性,无法实时检测迟到、早退、代课和旷课现象,无法对学生考勤做到全面监督。近年来电子化考勤逐渐发展,通过校园卡刷卡形式签到,通过读卡器读取记录存储在教学系统中。此方法相比人工更加自动化,但是代签早退的问题依然没有办法解决。
在智能化考勤技术的基础上采用人脸识别考勤技术将上可以提高管理效率,提升教学质量。但是,校园人脸考勤中依然存在多目标考勤,目标背景杂乱,干扰物较多,识别准确率不理想等问题。
发明内容
本发明的目的在于提供一种人脸识别课堂考勤系统。
为解决上述问题,本发明提供一种人脸识别课堂考勤系统,包括:
人脸考勤系统登录模块,用于供用户通过输入登录信息,进入与用户权限对应的操作界面;
人脸数据采集模块,用于采集用户基本信息与人脸信息并保存至人脸信息数据集;
人脸数据训练模块,用于根据收集到的人脸数据集信息训练模型;
人脸识别考勤模块,用于根据摄像头采集到用户的人脸信息进行识别,显示用户对应的基本信息,以及显示所有已签到的人数与基本信息;
数据库设计模块,用于存储用户的基本信息与考勤信息。
进一步的,在上述系统中,所述用户权限包括人脸数据采集及训练、进入考勤系统、考勤结果查询和退出考勤系统。
进一步的,在上述系统中,还包括:
显著性检测子系统,用于根据一个端到端的深度学习网络,以实现解决人体建模系统采集图像中人体前景自动抠图问题,去除背景的影响。
进一步的,在上述系统中,还包括:
人脸特征提取模块,用于使用卷积神经网络的方法,根据由显著性检测子系统显著检测抠出的人体部分进行人脸区域的定位,并将人脸部分的特征点找出。
进一步的,在上述系统中,还包括:
人脸信息识别模块,用于根据检测出的人脸区域,对人脸区域进行一个特征的提取以及识别,最终得到预测的人脸信息。
进一步的,在上述系统中,还包括:
人脸考勤模块,用于根据所述人脸特征提取模块所检测出的人脸部分与特征信息,计算每张人脸的特征值,将人脸图片一级特征存入数据库,每次考勤则根据提取的特征进行数据库查找,并将每次考勤计入考勤日志表。
进一步的,在上述系统中,所述人脸考勤模块,还用于获取各个人脸数据后,使用孪生神经网络进行考勤人脸与数据库信息之前的相似度计算,最终得到考勤详细数据。
与现有技术相比,本发明人脸识别课堂考勤系统包括:人脸考勤系统登录模块、人脸数据采集模块、人脸数据训练模块、人脸识别考勤模块、数据库设计模块。本系统通过卷积神经网络实现人脸区域显著性检测,并加入长短期记忆人工神经网络LSTM读取时序信息,准确提取学生人脸区域以便后续人脸识别,可以准确并快速检测识别人脸信息。获取各个人脸数据后,使用孪生神经网络进行考勤人脸与数据库信息之前的相似度计算,并最终得到考勤详细数据,可以准确判断学生是否缺席、在席时间,避免出现学生打完卡就走的情况,可以实时监控考勤情况。相较于传统考勤与电子化考勤来说,基于显著性检测的人脸识别课堂考勤系统效率高、更加智能化。
附图说明
图1为本发明实施例提供的课堂考勤系统结构示意图;
图2为本发明实施例提供的显著性检测子系统示意图;
图3为本发明实施例提供的人脸信息识别子系统示意图;
图4为本发明实施例提供的人脸考勤子系统流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种人脸识别课堂考勤系统,包括:
人脸考勤系统登录模块,用于供用户通过输入登录信息,进入与用户权限对应的操作界面;
人脸数据采集模块,用于采集用户基本信息与人脸信息并保存至人脸信息数据集;
人脸数据训练模块,用于根据收集到的人脸数据集信息训练模型;
人脸识别考勤模块,用于根据摄像头采集到用户的人脸信息进行识别,显示用户对应的基本信息,以及显示所有已签到的人数与基本信息;
数据库设计模块,用于存储用户的基本信息与考勤信息。
本发明的人脸识别课堂考勤系统一实施例中,所述用户权限包括人脸数据采集及训练、进入考勤系统、考勤结果查询和退出考勤系统。
本发明的人脸识别课堂考勤系统一实施例中,还包括:
显著性检测子系统,用于根据一个端到端的深度学习网络,以实现解决人体建模系统采集图像中人体前景自动抠图问题,去除背景的影响。
本发明的人脸识别课堂考勤系统一实施例中,还包括:
人脸特征提取模块,用于使用卷积神经网络的方法,根据由显著性检测子系统显著检测抠出的人体部分进行人脸区域的定位,并将人脸部分的特征点找出。
本发明的人脸识别课堂考勤系统一实施例中,还包括:
人脸信息识别模块,用于根据检测出的人脸区域,对人脸区域进行一个特征的提取以及识别,最终得到预测的人脸信息。
本发明的人脸识别课堂考勤系统一实施例中,还包括:
人脸考勤模块,用于根据所述人脸特征提取模块所检测出的人脸部分与特征信息,计算每张人脸的特征值,将人脸图片一级特征存入数据库,每次考勤则根据提取的特征进行数据库查找,并将每次考勤计入考勤日志表。
本发明的人脸识别课堂考勤系统一实施例中,所述人脸考勤模块,还用于获取各个人脸数据后,使用孪生神经网络进行考勤人脸与数据库信息之前的相似度计算,最终得到考勤详细数据。
具体的,图1为本发明实施例提供的课堂考勤系统结构示意图,如图1所示,本实施例中的系统可以包括:
人脸数据库的建立:系统通过摄像头采集学生用户的人脸图像,并将人脸信息分类标注保存;
图像采集:通过摄像头采集人脸图像,前期用于训练模型,后期用于采集实时人脸信息进行预测;
图像预处理:由于摄像头设备存在采集图像方法、提取人脸角度、图像背景以及光照变化等干扰信号,使得识别正确率出现不同程度的降低。所以,采用显著性检测技术将采集到的图片中人体部分作为前景先行抠出,其他背景干扰物则丢弃,从而去除背景的影响。
人脸特征提取与模型训练:使用卷积神经网络的方法,将上一步显著检测抠出来的人体部分进行人脸区域的定位,并将人脸部分的特征点找出来。
人脸识别:对之前检测出来的人脸部分以及特征信息,计算每张人脸的特征值,将人脸图片以及特征存入数据库。考勤实时获取各个人脸数据后,使用孪生神经网络进行考勤人脸与数据库信息之前的相似度计算,并最终得到考勤详细数据,可以准确判断学生是否缺席、在席时间,实时监控考勤情况。
显示签到结果:每次考勤则根据提取的特征进行数据库查找,并将每次考勤计入考勤表,显示具体的学生姓名与学号。
图2为本发明实施例提供的显著性检测子系统示意图;如同2所示,本实施例模块可分为两个阶段。第一阶段使用Mask R-CNN框架,裁剪掉多目标分类负载,并使用训练数据对该网络模型进行微调,以获得适应于人体前景二值分割的网络模型。第二阶段使用Encoder-Decoder架构,以训练数据和Trimap为输入,计算Alpha预测损失函数和组合损失函数作为损失函数,通过迭代训练,得到适用于人体前景Alpha抠图的模型网络。其中,Trimap输入由第一阶段的二值分割结果通过Trimap卷积层自动生成。
图3为本发明实施例提供的人脸信息识别子系统示意图;如同3所示,本模块对上一个模块检测到的人脸进行信息识别,以此来得到更加真实以及准确的人脸信息,该模块使用卷积神经网络模型进行人脸图片的特征提取,最终得到人脸的年龄,性别等信息,以此来为接下来的人脸考勤的特征录入提供数据支持。
具体地,本实施例中建立的人脸信息识别网络模型采用4层卷积层,前两层放在一起是为了能提取更多的特征,后两层为了提取更多高层次的特征。首层卷积核数量设为32,卷积核大小设为3×3,在感受野大小一样时,小尺寸的卷积核,能减小训练过程中的计算量和参数,所以选择本文选择小尺寸的卷积核。
图4为本发明实施例提供的人脸考勤子系统流程图;如图4所示,本模块包括:调用摄像头进行人脸识别、加载人脸信息进行人脸识别、预测读取人脸信息获得label、根据label返回学生基本信息、人脸考勤。
综上所述,本发明人脸识别课堂考勤系统包括:人脸考勤系统登录模块、人脸数据采集模块、人脸数据训练模块、人脸识别考勤模块、数据库设计模块。本系统通过卷积神经网络实现人脸区域显著性检测,并加入长短期记忆人工神经网络LSTM读取时序信息,准确提取学生人脸区域以便后续人脸识别,可以准确并快速检测识别人脸信息。获取各个人脸数据后,使用孪生神经网络进行考勤人脸与数据库信息之前的相似度计算,并最终得到考勤详细数据,可以准确判断学生是否缺席、在席时间,避免出现学生打完卡就走的情况,可以实时监控考勤情况。相较于传统考勤与电子化考勤来说,基于显著性检测的人脸识别课堂考勤系统效率高、更加智能化。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (7)
1.一种人脸识别课堂考勤系统,其特征在于,包括:
人脸考勤系统登录模块,用于供用户通过输入登录信息,进入与用户权限对应的操作界面;
人脸数据采集模块,用于采集用户基本信息与人脸信息并保存至人脸信息数据集;
人脸数据训练模块,用于根据收集到的人脸数据集信息训练模型;
人脸识别考勤模块,用于根据摄像头采集到用户的人脸信息进行识别,显示用户对应的基本信息,以及显示所有已签到的人数与基本信息;
数据库设计模块,用于存储用户的基本信息与考勤信息。
2.如权利要求1所述的人脸识别课堂考勤系统,其特征在于,所述用户权限包括人脸数据采集及训练、进入考勤系统、考勤结果查询和退出考勤系统。
3.如权利要求1所述的人脸识别课堂考勤系统,其特征在于,还包括:
显著性检测子系统,用于根据一个端到端的深度学习网络,以实现解决人体建模系统采集图像中人体前景自动抠图问题,去除背景的影响。
4.如权利要求1所述的人脸识别课堂考勤系统,其特征在于,还包括:
人脸特征提取模块,用于使用卷积神经网络的方法,根据由显著性检测子系统显著检测抠出的人体部分进行人脸区域的定位,并将人脸部分的特征点找出。
5.如权利要求1所述的人脸识别课堂考勤系统,其特征在于,还包括:
人脸信息识别模块,用于根据检测出的人脸区域,对人脸区域进行一个特征的提取以及识别,最终得到预测的人脸信息。
6.如权利要求1所述的人脸识别课堂考勤系统,其特征在于,还包括:
人脸考勤模块,用于根据所述人脸特征提取模块所检测出的人脸部分与特征信息,计算每张人脸的特征值,将人脸图片一级特征存入数据库,每次考勤则根据提取的特征进行数据库查找,并将每次考勤计入考勤日志表。
7.如权利要求1所述的人脸识别课堂考勤系统,其特征在于,所述人脸考勤模块,还用于获取各个人脸数据后,使用孪生神经网络进行考勤人脸与数据库信息之前的相似度计算,最终得到考勤详细数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110569781.6A CN113269903A (zh) | 2021-05-24 | 2021-05-24 | 人脸识别课堂考勤系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110569781.6A CN113269903A (zh) | 2021-05-24 | 2021-05-24 | 人脸识别课堂考勤系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113269903A true CN113269903A (zh) | 2021-08-17 |
Family
ID=77232629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110569781.6A Pending CN113269903A (zh) | 2021-05-24 | 2021-05-24 | 人脸识别课堂考勤系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269903A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822239A (zh) * | 2021-11-22 | 2021-12-21 | 聊城中赛电子科技有限公司 | 一种基于电子围栏的安全监控方法、装置、电子设备 |
CN113886792A (zh) * | 2021-12-06 | 2022-01-04 | 北京惠朗时代科技有限公司 | 一种声纹识别和人脸识别相结合的印控仪应用方法和系统 |
CN116758617A (zh) * | 2023-08-16 | 2023-09-15 | 四川信息职业技术学院 | 一种低光照度场景下的校园学生签到方法和校园签到系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130094092A (ko) * | 2012-02-15 | 2013-08-23 | 주식회사 로텍스 | 스마트폰을 활용한 전자적 학생 출결 체크 및 관리 시스템 |
CN109117744A (zh) * | 2018-07-20 | 2019-01-01 | 杭州电子科技大学 | 一种用于人脸验证的孪生神经网络训练方法 |
CN110097003A (zh) * | 2019-04-29 | 2019-08-06 | 中南民族大学 | 基于神经网络的课堂考勤方法、设备、存储介质及装置 |
CN110543867A (zh) * | 2019-09-09 | 2019-12-06 | 北京航空航天大学 | 一种多摄像头条件下的人群密度估测系统及方法 |
KR20200068771A (ko) * | 2018-11-28 | 2020-06-16 | 동국대학교 산학협력단 | 딥러닝 기반 얼굴 인식 출석체크 시스템 |
CN112200924A (zh) * | 2020-09-30 | 2021-01-08 | 广东技术师范大学 | 一种基于人脸识别的课堂考勤方法及系统 |
-
2021
- 2021-05-24 CN CN202110569781.6A patent/CN113269903A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130094092A (ko) * | 2012-02-15 | 2013-08-23 | 주식회사 로텍스 | 스마트폰을 활용한 전자적 학생 출결 체크 및 관리 시스템 |
CN109117744A (zh) * | 2018-07-20 | 2019-01-01 | 杭州电子科技大学 | 一种用于人脸验证的孪生神经网络训练方法 |
KR20200068771A (ko) * | 2018-11-28 | 2020-06-16 | 동국대학교 산학협력단 | 딥러닝 기반 얼굴 인식 출석체크 시스템 |
CN110097003A (zh) * | 2019-04-29 | 2019-08-06 | 中南民族大学 | 基于神经网络的课堂考勤方法、设备、存储介质及装置 |
CN110543867A (zh) * | 2019-09-09 | 2019-12-06 | 北京航空航天大学 | 一种多摄像头条件下的人群密度估测系统及方法 |
CN112200924A (zh) * | 2020-09-30 | 2021-01-08 | 广东技术师范大学 | 一种基于人脸识别的课堂考勤方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822239A (zh) * | 2021-11-22 | 2021-12-21 | 聊城中赛电子科技有限公司 | 一种基于电子围栏的安全监控方法、装置、电子设备 |
CN113886792A (zh) * | 2021-12-06 | 2022-01-04 | 北京惠朗时代科技有限公司 | 一种声纹识别和人脸识别相结合的印控仪应用方法和系统 |
CN116758617A (zh) * | 2023-08-16 | 2023-09-15 | 四川信息职业技术学院 | 一种低光照度场景下的校园学生签到方法和校园签到系统 |
CN116758617B (zh) * | 2023-08-16 | 2023-11-10 | 四川信息职业技术学院 | 一种低光照度场景下的校园学生签到方法和校园签到系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113269903A (zh) | 人脸识别课堂考勤系统 | |
Goodfellow et al. | Multi-digit number recognition from street view imagery using deep convolutional neural networks | |
CN110751022A (zh) | 基于图像识别的城市宠物活动轨迹监测方法及相关设备 | |
CN110210301B (zh) | 基于微表情评价面试者的方法、装置、设备和存储介质 | |
CN108564673A (zh) | 一种基于全局人脸识别的课堂考勤方法及系统 | |
CN110503000B (zh) | 一种基于人脸识别技术的教学抬头率测量方法 | |
US20190236738A1 (en) | System and method for detection of identity fraud | |
CN111680603A (zh) | 一种菜品检测和识别方法 | |
Chandran et al. | Missing child identification system using deep learning and multiclass SVM | |
CN113205002B (zh) | 非受限视频监控的低清人脸识别方法、装置、设备及介质 | |
KR20200060942A (ko) | 연속된 촬영 영상에서의 궤적기반 얼굴 분류 방법 | |
Kumar et al. | Automated Attendance System Based on Face Recognition Using Opencv | |
CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
CN113268870A (zh) | 一种基于蒙特卡洛的室外环境条件下图像识别可靠性评估方法 | |
CN116521917A (zh) | 一种图片筛选方法及装置 | |
CN115457366A (zh) | 基于图卷积神经网络的中草药多标签识别模型 | |
CN111459050B (zh) | 一种基于双网互联的智慧仿真型护理教学系统及教学方法 | |
CN111209860B (zh) | 基于深度学习与强化学习的视频考勤系统及方法 | |
Charishma et al. | Smart Attendance System with and Without Mask using Face Recognition | |
CN112651996A (zh) | 目标检测跟踪方法、装置、电子设备和存储介质 | |
Vignesh et al. | Smart attendance system using deep learning | |
CN111191563A (zh) | 基于数据样本与测试数据集训练的人脸识别方法及系统 | |
Golasangi et al. | A Survey on Face Recognition Based Attendance System | |
ChayaDevi et al. | Smart attendance system using Convolution Neural Network and Image Processing | |
Chukwude et al. | Development of Face Recognition-Based Attendance System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210817 |