CN113780216B - 无感考勤方法、装置、计算机设备及存储介质 - Google Patents
无感考勤方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113780216B CN113780216B CN202111089401.5A CN202111089401A CN113780216B CN 113780216 B CN113780216 B CN 113780216B CN 202111089401 A CN202111089401 A CN 202111089401A CN 113780216 B CN113780216 B CN 113780216B
- Authority
- CN
- China
- Prior art keywords
- feature vector
- face
- character
- person
- server
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 239
- 230000001939 inductive effect Effects 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims description 19
- 208000006440 Open Bite Diseases 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 238000004080 punching Methods 0.000 abstract description 14
- 238000004891 communication Methods 0.000 abstract description 4
- 230000004044 response Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 210000000887 face Anatomy 0.000 description 16
- 210000001331 nose Anatomy 0.000 description 13
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 206010011409 Cross infection Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 241001122767 Theaceae Species 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1091—Recording time for administrative or management purposes
-
- G—PHYSICS
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能领域,具体公开了一种无感考勤方法、装置、计算机设备及存储介质,其方法包括:提取第一图像数据中指定人物的第一人物特征向量;计算第一人物特征向量与若干本地人物特征向量的距离值;若存在距离值小于或等于预设阈值的本地人物特征向量,将与该本地人物特征向量对应的人物信息确定为与该指定人物对应的人物信息;在显示屏上显示人物信息,并向服务器发送匹配成功结果,以使服务器根据匹配成功结果为指定人物记录考勤。本发明可以极大地减少客户端与服务器之间的通信频次,使得客户端可以尽量不受服务器的响应带宽和吞吐能力的限制,能够支持多人同时考勤打卡,甚至可以支持百万人次同时考勤打卡。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种无感考勤方法、装置、计算机设备及存储介质。
背景技术
考勤即考查出勤,通过某种方式获得员工或者某些团体、个人在某个特定场所及特定时间段内的出勤情况,包括上下班、迟到、早退、病假、婚假、丧假、公休、工作时间、加班情况等。
传统的考勤是通过考勤机与用户的人机交互操作完成考勤打卡,接触式考勤打卡的方式出现细菌交叉感染的风险较大,并且还需要定时导出考勤记录,用户体验差。而现有的基于实时视频的无感考勤,虽然摆脱了传统考勤机接触打卡的细菌感染风险,且无需定时导出考勤记录,可在一定程度上提升用户的体验,但是由于服务器的响应带宽和吞吐的限制,目前仍无法满足百万或千万人同时打卡考勤。
可见,现有的无感考勤无法满足百万或千万人同时打卡考勤。
实用新型内容
基于此,有必要针对上述技术问题,提供一种无感考勤方法、装置、计算机设备及存储介质,以解决现有的无感考勤无法满足百万或千万人同时打卡考勤的问题。
一种无感考勤方法,包括:
通过第一摄像装置采集第一图像数据;提取所述第一图像数据中指定人物的第一人物特征向量;
计算所述第一人物特征向量与若干本地人物特征向量的距离值;
若存在距离值小于或等于预设阈值的本地人物特征向量,将与该本地人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息;
在显示屏上显示所述人物信息,并向服务器发送匹配成功结果,以使所述服务器根据所述匹配成功结果为所述指定人物记录考勤;
所述计算所述第一人物特征向量与若干本地人物特征向量的距离值之后,还包括:
若不存在距离值小于或等于预设阈值的本地人物特征向量,则将所述第一人物特征向量发送给服务器,以使所述服务器对所述第一人物特征向量与服务器人物特征向量进行识别比对,获得比对结果;
当接收到所述服务器返回的比对结果为识别成功时,将所述第一人物特征向量确定为第一本地人物特征向量,并存储在本地;
将与所述服务器人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息。
一种无感考勤装置,包括:
特征提取模块,用于通过第一摄像装置采集第一图像数据;提取所述第一图像数据中指定人物的第一人物特征向量;
距离计算模块,用于计算所述第一人物特征向量与若干本地人物特征向量的距离值;
确定模块,用于若存在距离值小于或等于预设阈值的本地人物特征向量,将与该本地人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息;
显示模块,用于在显示屏上显示所述人物信息,并向服务器发送匹配成功结果,以使所述服务器根据所述匹配成功结果为所述指定人物记录考勤;
所述人物信息确定模块,还用于:
若不存在距离值小于或等于预设阈值的本地人物特征向量,则将所述第一人物特征向量发送给服务器,以使所述服务器对所述第一人物特征向量与服务器人物特征向量进行识别比对,获得比对结果;
当接收到所述服务器返回的比对结果为识别成功时,将所述第一人物特征向量确定为第一本地人物特征向量,并存储在本地;
将与所述服务器人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述无感考勤方法。
一个或多个存储有计算机可读指令的可读存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如上述无感考勤方法。
上述无感考勤方法、装置、计算机设备及存储介质,其方法通过第一摄像装置采集第一图像数据;提取所述第一图像数据中指定人物的第一人物特征向量;计算所述第一人物特征向量与若干本地人物特征向量的距离值;若存在距离值小于或等于预设阈值的本地人物特征向量,将与该本地人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息;在显示屏上显示所述人物信息,并向服务器发送匹配成功结果,以使所述服务器根据所述匹配成功结果为所述指定人物记录考勤。本发明通过采用第一人物特征向量与本地人物特征向量进行识别比对,计算二者之间的距离值,以确定本地客户端是否存有距离值小于或等于预设阈值的本地特征向量,可以极大地减少客户端与服务器之间的通信频次,使得客户端可以尽量不受服务器的响应带宽和吞吐能力的限制,能够支持多人同时考勤打卡,甚至可以支持百万人次同时考勤打卡,极大地提升了用户的体验。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中无感考勤方法的应用环境示意图;
图2是本发明一实施例中无感考勤方法的流程示意图;
图3是本发明一实施例中无感考勤装置的结构示意图;
图4是本发明一实施例中计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
人工智能是计算机科学的一个分支,该领域的研究包括机器人、语音、生物识别(包括人脸识别等)、自然语言处理和专家系统等。本发明涉及到生物识别中的人脸识别,所提出的无感考勤方法,通过采用第一人物特征向量与本地人物特征向量进行识别比对,计算二者之间的距离值,以确定本地客户端是否存有距离值小于或等于预设阈值的本地特征向量,可以极大地减少客户端与服务器之间的通信频次,使得客户端可以尽量不受服务器的响应带宽和吞吐能力的限制,能够支持多人同时考勤打卡,甚至可以支持百万人次同时考勤打卡,极大地提升了用户的体验。
本实施例提供的无感考勤方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种无感考勤方法,以该方法应用在图1中的客户端为例进行说明,包括如下步骤:
步骤S10、通过第一摄像装置采集第一图像数据;提取所述第一图像数据中指定人物的第一人物特征向量。
其中,第一摄像装置可以是摄像头,该摄像头可以安装在办公区域的进门处等位置,以便于拍摄到待考勤对象的图像。
第一图像数据,为通过第一摄像装置实时采集到的待考勤对象的图片/照片/视频流。例如,第一图像数据可以是仅包含单个人物的图片,还可以是包含多个人物的图片。
指定人物,具体可以是第一图像数据中的某个人物。例如,第一图像数据为包含甲、乙、丙三个人的图片,那么指定人物可以是其中的甲、乙或者丙中的任意一个。
第一人物特征向量,指的是第一图像数据中指定人物(例如,甲)的人脸特征向量,具体为256维的一维数组。
作为一示例,客户端预先安装有OpenCV(针对实时计算机视觉的编程函数库),通过OpenCV中的VideoCapture(视频捕捉)软件可以打开第一摄像装置,并获取到第一摄像装置所采集到的视频流或图像(即第一图像数据)。
作为一示例,可使用人脸检测模型(如,人脸检测算法RetinaFace)框选出第一图像数据中的指定人物(例如,甲)的人脸框,并利用卷积神经网络从该指定人物的人脸框中提取该指定人物(甲)的人物特征向量(即第一人物特征向量)。
步骤S20、计算所述第一人物特征向量与若干本地人物特征向量的距离值。
其中,本地人物特征向量,为若干待考勤对象之前在客户端进行打卡考勤时所采集到的若干人物特征向量(具体为256维的一维数组)。该本地人物特征向量存储在客户端本地。
结合上述示例,可根据欧式距离的计算公式,分别计算甲的人物特征向量与存储在客户端本地的若干人物特征向量的距离值。
步骤S30、若存在距离值小于或等于预设阈值的本地人物特征向量,将与该本地人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息。
其中,预设阈值可设置为0.85、0.9不等,具体可根据实际情况来灵活设定。例如,可根据采集到的第一图像数据的指定人物的人脸来具体确定。比如,当指定人物的人脸为正脸时,预设阈值可设置为0.85;当指定人物的人脸为佩戴口罩的人脸时,预设阈值可设置为0.9。
人物信息,包括指定人物的姓名、考勤时间等。
作为一示例,可在客户端本地预先将本地人物特征向量与人物信息对应存储起来。例如,甲的本地人物特征向量与甲的人物信息对应存储,乙的本地人物特征向量与乙的人物信息对应存储。
结合上述示例,假设第一人物特征向量为甲的人物特征向量,通过计算甲的人物特征向量与预存在客户端本地的若干本地人物特征向量的距离值,发现存在距离值小于或等于预设阈值的本地人物特征向量(如,甲的本地人物特征向量),那么将与甲的本地人物特征向量对应的甲的人物信息确定为第一图像数据中指定人物(甲)对应的人物信息。
步骤S40、在显示屏上显示所述人物信息,并向服务器发送匹配成功结果,以使所述服务器根据所述匹配成功结果为所述指定人物记录考勤。
其中,匹配成功结果,包括与上述指定人物对应的人物信息,以及本地客户端存在与该指定人物的第一人物特征向量的距离值小于或等于预设阈值的本地人物特征向量。
结合上述示例,将指定人物(甲)的人物信息显示在显示屏上,并向服务器发送匹配成功结果。服务器在接收到该匹配成功结果后,可为该指定人物(甲)记录考勤,比如,记录甲的姓名和打卡时间点。
本发明实施例,在进行打卡考勤时,首先将提取到的第一人物特征向量与保存在客户端本地的若干本地人物特征向量进行比较,确定客户端本地保存的若干本地人物特征向量中是否存在距离值小于或等于预设阈值的本地人物特征向量;若存在,则不需要将第一人物特征向量发送至服务器进行比对,从而可以大大地减少客户端与服务器的直接通信频次,在本地客户端即可实现考勤打卡,考勤效率高;且可避免同时打卡人数过多导致服务器运行卡顿,甚至崩溃。本发明方法尤其适用于一些具有员工数量多的跨国集团、大型企业等的同时考勤打卡,或者是在多地同时举办大型业务活动等的打卡考勤等场景,可以满足百万甚至千万人同时打卡。
在一实施例中,上述步骤S20之后,还包括:
若不存在距离值小于或等于预设阈值的本地人物特征向量,则将所述第一人物特征向量发送给服务器,以使所述服务器对所述第一人物特征向量与服务器人物特征向量进行识别比对,获得比对结果。
作为一示例,当第一摄像装置采集到的第一图像数据中指定人物为首次在某地打卡考勤,比如,员工甲在一新的办公地点打卡,本地客户端还没有存储有甲的本地人物特征向量。此时,可以将采集到的甲的人物特征向量(即第一人物特征向量)发送给服务器。
服务器在接收到上述甲的人物特征向量后,将甲的人物特征向量与预存在服务器中的若干服务器人物特征向量进行识别比对,具体的,可根据欧式距离的计算公式,计算甲的人物特征向量与若干服务器人物特征向量的距离值。
当接收到所述服务器返回的比对结果为识别成功时,将所述第一人物特征向量确定为第一本地人物特征向量,并存储在本地。
结合上述示例,当服务器存在与上述甲的人物特征向量对应的距离值小于或等于预设阈值的服务器人物特征向量时,则比对结果为识别成功;否则,比对结果为识别失败。
当接收到服务器发送的比对结果为识别成功时,将甲的人物特征向量确定为第一本地人物特征向量(若干本地人物特征向量之一),并存储在客户端本地。
将与所述服务器人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息。
作为一示例,可预先在服务器中存储服务器人物特征向量与其对应的人物信息的对应关系表,该对应关系表可如下表1所示:
表1 服务器人物特征向量与人物信息的对应关系表
结合上述示例,假设服务器对接收到的甲的人物特征向量后,将该甲的人物特征向量与预存的服务器人物特征向量进行比对,若存在距离值小于或等于预设阈值的甲的服务器人物特征向量,那么向客户端返回识别成功的比对结果,该比对结果可携带有与该甲的服务器人物特征向量对应的甲的信息。该甲的信息即为指定人物甲的人物信息。
在一实施例中,在上述步骤“服务器对所述第一人物特征向量与服务器人物特征向量进行识别比对,获得比对结果”之前,还包括:
接收注册对象的人脸注册请求。
其中,注册对象,通常是指待考勤对象,比如,公司的职员。人脸注册请求,通常是指请求将注册对象的人物信息与其人物特征向量进行对应存储在服务器。例如,请求将注册对象甲与甲的人物特征向量进行对应存储在服务器。
根据所述人脸注册请求采集所述注册对象的人脸图像;提取所述人脸图像的人脸框。
判断所述人脸框中的人脸是否为正脸。
若所述人脸框中的人脸为正脸,则提取所述人脸框中的人脸特征向量。
作为一示例,可以通过softmax分类器对从上述人脸图像提取出的人脸框中甲的人脸进行二分类(正脸或非正脸),以确定人脸框中的甲的人脸是否为正脸。
将所述人脸特征向量存储为服务器人物特征向量,以完成所述人脸注册请求。
结合上述示例,当上述人脸框中的甲的人脸为正脸,则提取该人脸框中的甲的人脸特征向量,并将甲的人脸特征向量存储为服务器人物特征向量,同时将该服务器特征向量与注册对象甲的人物信息对应存储。
在一实施例中,上述步骤S20,包括:
当所述第一图像数据中指定人物的人脸为非正脸时,则框选出所述指定人物的指定人脸框;
从所述指定人脸框提取人脸特征关键点,使用预设的标准人脸的标准点对所述人脸特征关键点进行校准,获得校准人脸图像;
提取所述校准人脸图像的校准特征向量;
计算所述校准特征向量与若干本地人物特征向量的距离值。
其中,人脸特征关键点,包括眼睛、鼻子、嘴巴所在位置、脸型轮廓等。预设的标准人脸,是指平均脸。标准人脸的标准点,包括眼睛、鼻子、嘴巴所在位置、脸型轮廓等。
作为一示例,使用预设的标准人脸的标准点对所述人脸特征关键点进行校准,具体的,使用平均脸的标准点对人脸特征关键点进行对齐校准,校准后获得校准人脸图像。
提取校准人脸图像的校准特征向量,以及计算校准特征向量与若干本地人物特征向量的距离值,可参照上述实施例的步骤S10和步骤S20的实施方式,在此不再赘述。
在另一实施例中,上述步骤S20,还包括:
当所述第一图像数据中指定人物的人脸为遮挡人脸,则对所述遮挡人脸进行人脸区域划分,获得若干人脸区域;
提取所述若干人脸区域的区域特征;从第二摄像装置采集到的第二图像数据中,查找与所述区域特征关联的关联图像;
提取所述关联图像中关联人物的第二人物特征向量;计算所述第二人物特征向量与若干本地人物特征向量的距离值。
其中,遮挡人脸,通常指的是佩戴口罩的人脸,或者被其他遮挡物,例如,佩戴的太阳眼镜等遮挡住部分人脸特征的人脸。
第二摄像装置,可以是安装在与第一摄像装置不同位置的摄像头,例如,第一摄像装置安装在进出门口位置,第二摄像装置则可以安装在办公区域内或者是茶水间内等。通过安装第一摄像装置和第二摄像装置,可在进出门口的位置,或者在办公区域内采集到待考勤对象的图像数据用于考勤,避免漏采集,从而提高了无感考勤的可靠性。
作为一示例,假设某一指定人物乙的人脸为佩戴了太阳眼镜的人脸,那么可以对乙的人脸进行人脸区域划分,一般地,可以按照眼睛、鼻子、嘴巴这几个部分进行划分,获得眼睛区域、鼻子区域、嘴巴区域这三个人脸区域。分别提取这三个人脸区域的区域特征,例如,眼睛区域提取乙的眼睛特征,鼻子区域提取乙的鼻子特征,乙的嘴巴区域提取嘴巴特征。从第二摄像装置采集到的第二图像数据中,查找与上述乙的眼睛特征、乙的鼻子特征、乙的嘴巴特征关联的关联图像数据。
示例性的,若要从第二图像数据中查找与乙的眼睛特征关联的关联图像,可以先从第二图像数据中提取出若干眼睛区域特征,然后,计算乙的眼睛特征与从第二图像数据中提取出若干眼睛区域特征的距离值,若存在距离值小于或等于预设阈值的眼睛区域特征,则将该眼睛区域特征向量所对应的第二图像数据(提取出该眼睛区域特征的图像)确定为关联图像。
作为一优选实施例,若从第二图像数据中查找到与乙的眼睛特征、鼻子特征以及嘴巴特征关联的关联图像为同一帧图像,则将该帧图像确定为关联图像。可以理解的,将查找到与乙的人脸区域特征关联性越大(即同一图像中存在与乙的人脸区域特征的距离值小于或等于预设阈值的区域)的图像,确定为关联图像,可以提高识别的准确性。
在一实施例中,所述若干人脸区域包括遮挡人脸区域和非遮挡人脸区域。
所述从第二摄像装置采集到的第二图像数据中,查找与所述区域特征关联的关联图像,包括:
对所述第二图像数据中的每帧图像进行人脸检测,以确定每帧图像的人脸区域;
按预设的切分规则对所述每帧图像的人脸区域进行切分,获得若干切分区域,并筛选出与所述非遮挡人脸区域对应的若干目标切分区域;其中,每个所述目标切分区域携带有与其对应的未切分的图像的标识;
计算所述非遮挡人脸区域和所述若干目标切分区域的相似度,将与所述非遮挡人脸区域的相似度最高的目标切分区域对应的未切分图像确定为关联图像。
其中,预设的切分规则,可以是按照眼睛、鼻子、嘴巴所在区域将每帧图像的人脸区域切分成三个区域,分别为眼睛区域、鼻子区域和嘴巴区域。当然,还可以是按照每帧图像的人脸区域的尺寸将该人脸区域平均切分成9份、24份等。
作为一示例,假设非遮挡人脸区域为眼睛区域,第二图像数据包括10帧图像。可以先采用人脸检测器对这10帧图像进行人脸检测,以确定每帧图像的人脸区域;然后,按照眼睛、鼻子、嘴巴所在区域将每帧图像的人脸区域切分成三个区域,得到10个眼睛区域、10个鼻子区域和10个嘴巴区域;筛选出10个眼睛区域(即目标切分区域)。其中,这10个眼睛区域分别携带有与其对应的未切分的图像的标识,该标识可以是数字、字母、特殊符号等。示例性的,上述第二图像数据中未切分的10帧图像分别携带有数字1~10的标识。下面以携带标识1的图像为例进行说明,在对该携带标识1的图像的人脸区域进行切分后,可得到携带标识1的眼睛区域、携带标识1的鼻子区域以及携带标识1的嘴巴区域。计算非遮挡人脸区域的眼睛区域和从第二图像数据中获取到的10个眼睛区域的相似度,可得到10个相似度。其中,这10个相似度中的最大值所对应的目标切分区域,即为与非遮挡人脸区域的眼睛区域的相似度最大的目标切分区域。进一步,根据该目标切分区域所携带的标识,可确定与该目标切分区域对应的未切分图像。例如,与非遮挡人脸区域的眼睛区域的相似度最大的目标切分区域为携带标识2的眼睛区域,那么与该目标切分区域对应的未切分图像则为携带标识2的图像,由此,可将该携带标识2的图像确定为关联图像。
在一实施例中,上述无感考勤方法,还包括:
按照预设的时间间隔,通过第一摄像装置采集第一帧图像和第二帧图像。
其中,预设的时间间隔,可以是0.1秒、0.2秒等,具体可根据实际情况设定。
示例性的,假设第一帧图像为第一摄像装置在上班时采集到的待考勤对象甲的图片;第二帧图像为第一摄像装置在下班时采集到的待考勤对象甲的图片。
对所述第一帧图像与所述第二帧图像进行人脸比对,获得比对结果。
作为一示例,可通过人脸检测算法确定第一帧图像的人脸框与第二帧图像的人脸框,计算第一帧图像的人脸框和第二帧图像的人脸框的IOU(交并比),即计算第一帧图像的人脸框和第二帧图像的人脸框的重叠度,根据该重叠度,确定第一帧图像和第二帧图像的人脸是否相同,即获得比对结果。具体的,比对结果,为第一帧图像和第二帧图像的人脸相同;或者是第一帧图像和第二帧图像的人脸相同不相同。
示例性的,根据该重叠度,确定第一帧图像和第二帧图像的人脸是否相同。具体的,可根据上述计算出来的重叠度是否在预设的重叠度范围内来确定第一帧图像和第二帧图像的人脸是否相同。例如,预设的重叠度范围为大于0.7,当计算出来的重叠度为0.8(大于0.7)时,则确定第一帧图像的第一人脸与第二帧图像的第二人脸相同。
若所述比对结果为两帧图像的人脸相同,则在所述第二帧图像中显示所述人物信息。
结合上述示例,当确定第一帧图像的第一人脸与第二帧图像的第二人脸相同时,则在第二帧图像中显示指定人物对应的人物信息。
通过校验第一帧图像与第二帧图像的人脸框的IOU,可以在两帧图像的人脸不同时,及时发现并纠正所显示的人物信息;并且,在多人交叉走动时,也能够正确显示指定人物的人物信息。
在一实施例中,在对所述第一帧图像与所述第二帧图像进行人脸比对,获得比对结果之后,还包括:
若所述比对结果为两帧图像的人脸不相同,则通过所述第一摄像装置采集第三图像数据;
提取所述第三图像数据中指定对象的第三人物特征向量;根据所述第三人物特征向量确定所述指定对象的人物信息。
作为一示例,当两帧图像的人脸不同时,通过第一摄像装置采集第三图像数据,并提取第三图像数据中指定对象的第三人物特征向量,计算该第三人物特征向量与若干本地人物特征向量的距离值,并进一步确定客户端本地是否存在与第三人物特征向量的距离值小于或等于预设阈值的本地人物特征向量,若存在,则将与该本地人物特征向量对应的人物信息确定为与所述指定对象对应的人物信息。
本发明实施例,可以在跟踪错误的时候,及时获取新的图像数据进行识别,降低了考勤的错漏识别率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种无感考勤装置,该无感考勤装置与上述实施例中无感考勤方法一一对应。如图3所示,该无感考勤装置包括特征提取模块11、距离计算模块12、确定模块13和显示模块14。各功能模块详细说明如下:
特征提取模块11,用于通过第一摄像装置采集第一图像数据;提取所述第一图像数据中指定人物的第一人物特征向量;
距离计算模块12,用于计算所述第一人物特征向量与若干本地人物特征向量的距离值;
人物信息确定模块13,用于若存在距离值小于或等于预设阈值的本地人物特征向量,将与该本地人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息;
信息显示模块14,用于在显示屏上显示所述人物信息,并向服务器发送匹配成功结果,以使所述服务器根据所述匹配成功结果为所述指定人物记录考勤;
其中,所述人物信息确定模块13,还用于:
若不存在距离值小于或等于预设阈值的本地人物特征向量,则将所述第一人物特征向量发送给服务器,以使所述服务器对所述第一人物特征向量与服务器人物特征向量进行识别比对,获得比对结果;
当接收到所述服务器返回的比对结果为识别成功时,将所述第一人物特征向量确定为第一本地人物特征向量,并存储在本地;
将与所述服务器人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息。
在一实施例中,上述无感考勤装置,还包括:
特征发送模块,用于若不存在距离值小于或等于预设阈值的本地人物特征向量,则将所述第一人物特征向量发送给服务器,以使所述服务器对所述第一人物特征向量与服务器人物特征向量进行识别比对,获得比对结果;
本地特征确定模块,用于当接收到所述服务器返回的比对结果为识别成功时,将所述第一人物特征向量确定为第一本地人物特征向量,并存储在本地;
信息确定模块,用于将与所述服务器人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息。
在一实施例中,上述服务器包括:
接收模块,用于接收注册对象的人脸注册请求;
人脸框提取模块,用于根据所述人脸注册请求采集所述注册对象的人脸图像;提取所述人脸图像的人脸框;
判断模块,用于判断所述人脸框中的人脸是否为正脸;
向量提取模块,用于若所述人脸框中的人脸为正脸,则提取所述人脸框中的人脸特征向量;
注册模块,用于将所述人脸特征向量存储为服务器人物特征向量,以完成所述人脸注册请求。
在一实施例中,上述距离计算模块12包括:
人脸框选单元,用于当所述第一图像数据中指定人物的人脸为非正脸时,则框选出所述指定人物的指定人脸框;
人脸校准单元,用于从所述指定人脸框提取人脸特征关键点,使用预设的标准人脸的标准点对所述人脸特征关键点进行校准,获得校准人脸图像;
特征提取单元,用于提取所述校准人脸图像的校准特征向量;
第一距离计算单元,用于计算所述校准特征向量与若干本地人物特征向量的距离值。
在另一实施例中,上述距离计算模块12包括:
人脸区域划分单元,用于当所述第一图像数据中指定人物的人脸为遮挡人脸,则对所述遮挡人脸进行人脸区域划分,获得若干人脸区域;
查找单元,用于提取所述若干人脸区域的区域特征;从第二摄像装置采集到的第二图像数据中,查找与所述区域特征关联的关联图像;
第二距离计算单元,用于提取所述关联图像中关联人物的第二人物特征向量;计算所述第二人物特征向量与若干本地人物特征向量的距离值。
在一实施例中,上述若干人脸区域包括遮挡人脸区域和非遮挡人脸区域。
上述查找单元,具体用于:
对所述第二图像数据中的每帧图像进行人脸检测,以确定每帧图像的人脸区域;
按预设的切分规则对所述每帧图像的人脸区域进行切分,获得若干切分区域,并筛选出与所述非遮挡人脸区域对应的若干目标切分区域;其中,每个所述目标切分区域携带有与其对应的未切分的图像的标识;
计算所述非遮挡人脸区域和所述若干目标切分区域的相似度,将与所述非遮挡人脸区域的相似度最高的目标切分区域对应的未切分图像确定为关联图像。
在一实施例中,上述无感考勤装置,还包括:
第一图像采集模块,用于按照预设的时间间隔,通过第一摄像装置采集第一帧图像和第二帧图像;
比对模块,用于对所述第一帧图像与所述第二帧图像进行人脸比对,获得比对结果;
显示模块,用于若所述比对结果为两帧图像的人脸相同,则在所述第二帧图像中显示所述人物信息。
在一实施例中,上述无感考勤装置,还包括:
第二图像采集模块,用于若所述比对结果为两帧图像的人脸不相同,则通过所述第一摄像装置采集第三图像数据;
确定模块,用于提取所述第三图像数据中指定对象的第三人物特征向量;根据所述第三人物特征向量确定所述指定对象的人物信息。
关于无感考勤装置的具体限定可以参见上文中对于无感考勤方法的限定,在此不再赘述。上述无感考勤装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机可读指令被处理器执行时以实现一种无感考勤方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中,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可读指令,处理器执行计算机可读指令时实现以下步骤:
通过第一摄像装置采集第一图像数据;提取所述第一图像数据中指定人物的第一人物特征向量;
计算所述第一人物特征向量与若干本地人物特征向量的距离值;
若存在距离值小于或等于预设阈值的本地人物特征向量,将与该本地人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息;
在显示屏上显示所述人物信息,并向服务器发送匹配成功结果,以使所述服务器根据所述匹配成功结果为所述指定人物记录考勤;
其中,所述计算所述第一人物特征向量与若干本地人物特征向量的距离值之后,还包括:
若不存在距离值小于或等于预设阈值的本地人物特征向量,则将所述第一人物特征向量发送给服务器,以使所述服务器对所述第一人物特征向量与服务器人物特征向量进行识别比对,获得比对结果;
当接收到所述服务器返回的比对结果为识别成功时,将所述第一人物特征向量确定为第一本地人物特征向量,并存储在本地;
将与所述服务器人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息。
在一个实施例中,提供了一个或多个存储有计算机可读指令的计算机可读存储介质,本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时实现以下步骤:
通过第一摄像装置采集第一图像数据;提取所述第一图像数据中指定人物的第一人物特征向量;
计算所述第一人物特征向量与若干本地人物特征向量的距离值;
若存在距离值小于或等于预设阈值的本地人物特征向量,将与该本地人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息;
在显示屏上显示所述人物信息,并向服务器发送匹配成功结果,以使所述服务器根据所述匹配成功结果为所述指定人物记录考勤;
其中,所述计算所述第一人物特征向量与若干本地人物特征向量的距离值之后,还包括:
若不存在距离值小于或等于预设阈值的本地人物特征向量,则将所述第一人物特征向量发送给服务器,以使所述服务器对所述第一人物特征向量与服务器人物特征向量进行识别比对,获得比对结果;
当接收到所述服务器返回的比对结果为识别成功时,将所述第一人物特征向量确定为第一本地人物特征向量,并存储在本地;
将与所述服务器人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息。
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,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (7)
1.一种无感考勤方法,其特征在于,包括:
通过第一摄像装置采集第一图像数据;提取所述第一图像数据中指定人物的第一人物特征向量;
计算所述第一人物特征向量与若干本地人物特征向量的距离值;
若存在距离值小于或等于预设阈值的本地人物特征向量,将与该本地人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息;
在显示屏上显示所述人物信息,并向服务器发送匹配成功结果,以使所述服务器根据所述匹配成功结果为所述指定人物记录考勤;
所述计算所述第一人物特征向量与若干本地人物特征向量的距离值之后,还包括:
若不存在距离值小于或等于预设阈值的本地人物特征向量,则将所述第一人物特征向量发送给服务器,以使所述服务器对所述第一人物特征向量与服务器人物特征向量进行识别比对,获得比对结果;
当接收到所述服务器返回的比对结果为识别成功时,将所述第一人物特征向量确定为第一本地人物特征向量,并存储在本地;
将与所述服务器人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息;
其中,所述计算所述第一人物特征向量与若干本地人物特征向量的距离值,包括:
当所述第一图像数据中指定人物的人脸为非正脸时,则框选出所述指定人物的指定人脸框;
从所述指定人脸框提取人脸特征关键点,使用预设的标准人脸的标准点对所述人脸特征关键点进行校准,获得校准人脸图像;
提取所述校准人脸图像的校准特征向量;
计算所述校准特征向量与若干本地人物特征向量的距离值;
其中,所述计算所述第一人物特征向量与若干本地人物特征向量的距离值,包括:
当所述第一图像数据中指定人物的人脸为遮挡人脸,则对所述遮挡人脸进行人脸区域划分,获得若干人脸区域;
提取所述若干人脸区域的区域特征;从第二摄像装置采集到的第二图像数据中,查找与所述区域特征关联的关联图像;
提取所述关联图像中关联人物的第二人物特征向量;计算所述第二人物特征向量与若干本地人物特征向量的距离值;
其中,所述若干人脸区域包括遮挡人脸区域和非遮挡人脸区域;
所述从第二摄像装置采集到的第二图像数据中,查找与所述区域特征关联的关联图像,包括:
对所述第二图像数据中的每帧图像进行人脸检测,以确定每帧图像的人脸区域;
按预设的切分规则对所述每帧图像的人脸区域进行切分,获得若干切分区域,并筛选出与所述非遮挡人脸区域对应的若干目标切分区域;其中,每个所述目标切分区域携带有与其对应的未切分的图像的标识;
计算所述非遮挡人脸区域和所述若干目标切分区域的相似度,将与所述非遮挡人脸区域的相似度最高的目标切分区域对应的未切分图像确定为关联图像。
2.如权利要求1所述的无感考勤方法,其特征在于,所述服务器对所述第一人物特征向量与服务器人物特征向量进行识别比对,获得比对结果之前,还包括:
接收注册对象的人脸注册请求;
根据所述人脸注册请求采集所述注册对象的人脸图像;提取所述人脸图像的人脸框;
判断所述人脸框中的人脸是否为正脸;
若所述人脸框中的人脸为正脸,则提取所述人脸框中的人脸特征向量;
将所述人脸特征向量存储为服务器人物特征向量,以完成所述人脸注册请求。
3.如权利要求1所述的无感考勤方法,其特征在于,所述无感考勤方法,还包括:
按照预设的时间间隔,通过第一摄像装置采集第一帧图像和第二帧图像;
对所述第一帧图像与所述第二帧图像进行人脸比对,获得比对结果;
若所述比对结果为两帧图像的人脸相同,则在所述第二帧图像中显示所述人物信息。
4.如权利要求3所述的无感考勤方法,其特征在于,对所述第一帧图像与所述第二帧图像进行人脸比对,获得比对结果之后,包括:
若所述比对结果为两帧图像的人脸不相同,则通过所述第一摄像装置采集第三图像数据;
提取所述第三图像数据中指定对象的第三人物特征向量;根据所述第三人物特征向量确定所述指定对象的人物信息。
5.一种无感考勤装置,其特征在于,包括:
特征提取模块,用于通过第一摄像装置采集第一图像数据;提取所述第一图像数据中指定人物的第一人物特征向量;
距离计算模块,用于计算所述第一人物特征向量与若干本地人物特征向量的距离值;
人物信息确定模块,用于若存在距离值小于或等于预设阈值的本地人物特征向量,将与该本地人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息;
信息显示模块,用于在显示屏上显示所述人物信息,并向服务器发送匹配成功结果,以使所述服务器根据所述匹配成功结果为所述指定人物记录考勤;
所述人物信息确定模块,还用于:
若不存在距离值小于或等于预设阈值的本地人物特征向量,则将所述第一人物特征向量发送给服务器,以使所述服务器对所述第一人物特征向量与服务器人物特征向量进行识别比对,获得比对结果;
当接收到所述服务器返回的比对结果为识别成功时,将所述第一人物特征向量确定为第一本地人物特征向量,并存储在本地;
将与所述服务器人物特征向量对应的人物信息确定为与所述指定人物对应的人物信息;
所述无感考勤装置用于实现如权利要求1所述的方法。
6.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至4中任一项所述无感考勤方法。
7.一个或多个存储有计算机可读指令的可读存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1至4中任一项所述无感考勤方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089401.5A CN113780216B (zh) | 2021-09-16 | 2021-09-16 | 无感考勤方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089401.5A CN113780216B (zh) | 2021-09-16 | 2021-09-16 | 无感考勤方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780216A CN113780216A (zh) | 2021-12-10 |
CN113780216B true CN113780216B (zh) | 2024-03-05 |
Family
ID=78851681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111089401.5A Active CN113780216B (zh) | 2021-09-16 | 2021-09-16 | 无感考勤方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780216B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616364A (zh) * | 2015-01-28 | 2015-05-13 | 福建亿榕信息技术有限公司 | 一种基于人脸识别的企业员工异地考勤方法与系统 |
KR101710200B1 (ko) * | 2015-11-05 | 2017-02-24 | 광운대학교 산학협력단 | 얼굴 인식을 사용한 자동 출석관리 시스템 및 방법 |
CN107958234A (zh) * | 2017-12-26 | 2018-04-24 | 深圳云天励飞技术有限公司 | 基于客户端的人脸识别方法、装置、客户端及存储介质 |
CN109447597A (zh) * | 2018-12-27 | 2019-03-08 | 深圳市沃特沃德股份有限公司 | 多人共同进行考勤的方法、装置及人脸识别系统 |
CN110175522A (zh) * | 2019-04-24 | 2019-08-27 | 深圳智慧林网络科技有限公司 | 考勤方法、系统及相关产品 |
CN110310384A (zh) * | 2019-06-20 | 2019-10-08 | 珠海鼎日电子科技有限公司 | 一种无感智能考勤方法及其系统 |
CN110363091A (zh) * | 2019-06-18 | 2019-10-22 | 广州杰赛科技股份有限公司 | 侧脸情况下的人脸识别方法、装置、设备及存储介质 |
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 |
CN110675518A (zh) * | 2019-08-20 | 2020-01-10 | 吴益光 | 一种智能考勤管理及交互方法及系统 |
CN113221086A (zh) * | 2021-05-21 | 2021-08-06 | 深圳和锐网络科技有限公司 | 离线人脸认证方法、装置、电子设备及存储介质 |
-
2021
- 2021-09-16 CN CN202111089401.5A patent/CN113780216B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616364A (zh) * | 2015-01-28 | 2015-05-13 | 福建亿榕信息技术有限公司 | 一种基于人脸识别的企业员工异地考勤方法与系统 |
KR101710200B1 (ko) * | 2015-11-05 | 2017-02-24 | 광운대학교 산학협력단 | 얼굴 인식을 사용한 자동 출석관리 시스템 및 방법 |
CN107958234A (zh) * | 2017-12-26 | 2018-04-24 | 深圳云天励飞技术有限公司 | 基于客户端的人脸识别方法、装置、客户端及存储介质 |
CN109447597A (zh) * | 2018-12-27 | 2019-03-08 | 深圳市沃特沃德股份有限公司 | 多人共同进行考勤的方法、装置及人脸识别系统 |
CN110175522A (zh) * | 2019-04-24 | 2019-08-27 | 深圳智慧林网络科技有限公司 | 考勤方法、系统及相关产品 |
CN110363091A (zh) * | 2019-06-18 | 2019-10-22 | 广州杰赛科技股份有限公司 | 侧脸情况下的人脸识别方法、装置、设备及存储介质 |
CN110310384A (zh) * | 2019-06-20 | 2019-10-08 | 珠海鼎日电子科技有限公司 | 一种无感智能考勤方法及其系统 |
CN110675518A (zh) * | 2019-08-20 | 2020-01-10 | 吴益光 | 一种智能考勤管理及交互方法及系统 |
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 |
CN113221086A (zh) * | 2021-05-21 | 2021-08-06 | 深圳和锐网络科技有限公司 | 离线人脸认证方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113780216A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569721B (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN108733819B (zh) | 一种人员档案建立方法和装置 | |
Rathod et al. | Automated attendance system using machine learning approach | |
CN112052781A (zh) | 特征提取模型训练方法、人脸识别方法、装置、设备及介质 | |
US7693310B2 (en) | Moving object recognition apparatus for tracking a moving object based on photographed image | |
CN111626123A (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
US20100329568A1 (en) | Networked Face Recognition System | |
CN110348331B (zh) | 人脸识别方法及电子设备 | |
CN110111136B (zh) | 视频数据处理方法、装置、计算机设备和存储介质 | |
CN108171138B (zh) | 一种生物特征信息获取方法和装置 | |
CN110827432B (zh) | 一种基于人脸识别的课堂考勤方法及系统 | |
CN111191532A (zh) | 基于施工区域的人脸识别方法、装置、计算机设备 | |
CN112364827A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN110889314B (zh) | 图像处理方法、装置、电子设备、服务器及系统 | |
US20230135400A1 (en) | Method and system for facial recognition | |
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 | |
CN109002776B (zh) | 人脸识别方法、系统、计算机设备和计算机可读存储介质 | |
CN113537107A (zh) | 一种基于深度学习的人脸识别及追踪方法、装置及设备 | |
Balasubramanian et al. | Conformal predictions for information fusion: A comparative study of p-value combination methods | |
CN116110100A (zh) | 一种人脸识别方法、装置、计算机设备及存储介质 | |
CN111985340A (zh) | 基于神经网络模型的人脸识别方法、装置和计算机设备 | |
CN111353429A (zh) | 基于眼球转向的感兴趣度方法与系统 | |
CN109214278B (zh) | 用户指令匹配方法、装置、计算机设备及存储介质 | |
CN114565955A (zh) | 人脸属性识别模型训练、社区人员监控方法、装置、设备 | |
CN112836682A (zh) | 视频中对象的识别方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |