CN113887541A - 一种应用于公司管理的多区域员工数量检测方法 - Google Patents
一种应用于公司管理的多区域员工数量检测方法 Download PDFInfo
- Publication number
- CN113887541A CN113887541A CN202111476420.3A CN202111476420A CN113887541A CN 113887541 A CN113887541 A CN 113887541A CN 202111476420 A CN202111476420 A CN 202111476420A CN 113887541 A CN113887541 A CN 113887541A
- Authority
- CN
- China
- Prior art keywords
- face
- region
- detecting
- image
- employees
- 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
Images
Classifications
-
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种应用于公司管理的多区域员工数量检测方法,涉及人脸检测技术领域,包括以下步骤:选取员工的人脸图像作为正样本,选取非人脸的图像作为负样本;对正样本和负样本进行训练,得到人脸检测决策模型;设定时间间隔性提取公司各区域图像;利用人脸检测决策模型对各区域图像进行人脸检测,并将各区域图像区分为人脸区域、潜在人脸区域和非人脸区域;对潜在人脸区域进行二次检测,筛选出人脸区域;分时段记录每个区域的人脸数量并统计数据;本发明一种应用于公司管理的多区域员工数量检测方法,其能够显著提高检测员工数量的精度,提高了区域员工数量分布指标的实用性。
Description
技术领域
本发明涉及人脸检测技术领域,具体而言,涉及一种应用于公司管理的多区域员工数量检测方法。
背景技术
在科技飞速发展的时代,公司越来越重视员工相关数据的多角度分析。物联网技术作为重要的技术,可以显著地提升公司的运营效率。其中,员工在公司不同区域的分布数量作为重要的指标,有非常重要的参考价值。公司的管理部门可以对该数据进行深度分析,在掌握员工动态的同时有针对性地合理化配置资源。然而,传统的员工区域数量检测方法虽然能够检测出员工数量,但往往没有较高的精度,显著降低了区域员工数量分布指标的实用性。现有的一些技术虽然也能提高员工检测的精度,但往往具有一定的局限性,提高的精度不高或只能单纯的提高人脸检测精度而不能掌握员工的实时动态数据,无法提高员工的动态检测精度。例如:
公开号为CN113205081A的发明提出了一种基于显著性检测的SVM模型工人疲劳精准判别方法,提高了工人疲劳检测的精度,但其只是针对疲劳员工和非疲劳员工来建立训练模型进行对比,只能判断员工的疲劳状态,仅仅提高了员工的疲劳检测的精度,而且缺乏周期性的检测和区域检测,对提高精度具有一定的局限性。
公开号为CN108171196B的发明提出了一种人脸检测方法及装置,虽然能快速地检测复杂场景中的人脸,且检测准确率高,但是该方法只能检测已经发生的视频中的员工动态,并不能实时检测员工动态,且只是单纯的对检测视频进行大致分析,并没有二次深度检测,也不能实时记录员工在各区域的数量等动态数据。
公开号为CN107239736A的发明提出了一种基于多任务级联卷积神经网络的人脸检测方法及检测装置,同时公开号为CN113449713A的发明提出了一种清洗人脸检测模型的训练数据的方法和装置,上述发明均只是简单的建立训练模型进行人脸检测,不能掌握员工的实时动态数据,无法提高员工的动态检测精度。
因此,如何建立一种高精度的多区域员工数量检测方法有非常重要的实际应用价值。
发明内容
本发明的目的在于提供一种应用于公司管理的多区域员工数量检测方法,其能够解决检测员工数量精度不高且区域员工数量分布指标的实用性过低的问题。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种应用于公司管理的多区域员工数量检测方法,包括以下步骤:
选取员工的人脸图像作为正样本,选取非人脸的图像作为负样本;
对正样本和负样本进行训练,得到人脸检测决策模型;
按照预置时间周期提取公司各区域图像;
利用人脸检测决策模型对各区域图像进行人脸检测,并将各区域图像区分为人脸区域、潜在人脸区域和非人脸区域;
对潜在人脸区域进行二次检测,筛选出人脸区域;
分时段记录每个区域的人脸数量并统计数据。
在本发明的一些实施例中,还包括:
对正样本进行显著性检测,并判断正样本的显著性是否明显,若否,将该正样本进行标注。
在本发明的一些实施例中,上述显著性检测采用的方法为FT显著性算法。
在本发明的一些实施例中,上述正样本和负样本进行训练的方法为多权重SVM模型算法。
在本发明的一些实施例中,上述公司各区域图像包括公司办公室图像、公司会议室图像和公司休息室图像。
在本发明的一些实施例中,上述各区域图像进行区分的方法为:根据人脸检测决策模型得到各区域图像的得分,设置分数阈值,将各区域图像中得分大于分数阈值的区域认定为人脸区域,将得分等于分数阈值的区域认定为潜在人脸区域,将得分小于分数阈值的区域认定为非人脸区域。
在本发明的一些实施例中,上述对潜在人脸区域进行二次检测的方法为:采用VJ人脸检测器进行检测,筛选出人脸区域。
在本发明的一些实施例中,还包括:
根据统计的数据发送到对应公司管理部门。
第二方面,本申请实施例提供一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当上述一个或多个程序被上述处理器执行时,实现如上述第一方面的方法。
第三方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如上述第一方面的方法。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
本发明的实施例提供一种应用于公司管理的多区域员工数量检测方法,包括以下步骤:选取员工的人脸图像作为正样本,选取非人脸的图像作为负样本;对正样本和负样本进行训练,得到人脸检测决策模型;设定时间间隔性提取公司各区域图像;利用人脸检测决策模型对各区域图像进行人脸检测,并将各区域图像区分为人脸区域、潜在人脸区域和非人脸区域;对潜在人脸区域进行二次检测,筛选出人脸区域;分时段记录每个区域的人脸数量并统计数据。
本发明一种应用于公司管理的多区域员工数量检测方法具有以下优点:
1.利用多权重SVM监测模型同时考虑了侧脸、人脸部分遮挡等情况,以提升人脸检测的精准度和鲁棒性;
2.利用经典的VJ人脸检测器和SVM检测模型相互结合,进一步提升了人脸检测系统的精准度;
3.将人脸检测技术应用于公司的智能管理系统,实现了人工智能和物联网相结合。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例的一种应用于公司管理的多区域员工数量检测方法的步骤图;
图2为本发明实施例的一种电子设备的示意性结构框图。
图标:101、存储器;102、处理器;103、通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1,图1所示为本申请实施例提供的一种应用于公司管理的多区域员工数量检测方法的步骤图。
本申请实施例提供一种应用于公司管理的多区域员工数量检测方法,包括以下步骤:
选取员工的人脸图像作为正样本,选取非人脸的图像作为负样本;
对正样本和负样本进行训练,得到人脸检测决策模型;
按照预置时间周期提取公司各区域图像;
利用人脸检测决策模型对各区域图像进行人脸检测,并将各区域图像区分为人脸区域、潜在人脸区域和非人脸区域;
对潜在人脸区域进行二次检测,筛选出人脸区域;
分时段记录每个区域的人脸数量并统计数据。
其中,选取正样本时,通过监控等设备的拍摄,从中充分挑选出员工的人脸图像,遇到员工的人脸图像只有侧脸或者部分被遮挡的时候,都尽可能计入正样本中;在剩余的图像中,尽可能充分的挑选出部分非人脸的图像作为负样本。
通过设定时间,每隔一段时间提取一次公司的各区域图像,例如常将时间设定为十分钟,即每间隔十分钟周期性的提取一次公司的各区域图像。
统计数据主要为根据各个时间段统计每个区域的员工的人脸数量,进而得到员工在公司的各个区域的分布数量。公司通过统计员工的分布数据即可掌握员工动态,同时可以有针对性地合理化配置资源,从而可以提升公司的整体运营效率,更加智能地对公司进行管理。
作为一种优选的实施方式,还包括:
对正样本进行显著性检测,并判断正样本的显著性是否明显,若否,将该正样本进行标注。
其中,对正样本的显著性检测,可以标注出显著性不明显的正样本,即有可能是侧脸或者被部分遮挡的人脸图像的正样本,从而将显著性不明显的正样本与显著性明显的正样本以及负样本区分开来,分别进行区别训练。
作为一种优选的实施方式,上述显著性检测采用的方法为FT显著性算法。
其中,图像显著性检测有三种经典模型,包括IT模型、CA模型和FT模型。IT模型为在生物视觉原理的基础上提出的图像显著性算法模型,通过模仿人类视觉注意机制对图像中显著区域进行检测,CA模型为上下文感知图像显著性检测模型,遵循人类视觉注意机制的四个基本原则;而FT模型为频域调谐模型,是一种基于频域滤波的图像显著性检测模型。FT模型相比较于IT模型和CA模型这两种模型而言,FT模型具有较高的计算效率,并且保留了显著区域的边界信息。采用FT模型的FT显著性算法着重剖析了图像的频率信息,引入频率调谐技术,使用颜色和亮度等特征计算区域对比度。可生成具有明确边界、全分辨率和显著区域覆盖完整等特点的显著图。
通过使用FT显著性算法,可以将对正样本的显著性进行计算,从而将正样本当中显著性较低的样本与其他正样本和负样本区分开来,然后将显著性较低的正样本标注起来,一般地,我们将显著性低于三分之一的样本进行标注,以进行后续的区别训练。
作为一种优选的实施方式,上述正样本和负样本进行训练的方法为多权重SVM模型算法。
其中,SVM(Support Vector Machine)指的是支持向量机,是常见的一种判别方法。在机器学习领域,是一个有监督的学习模型,通常用来进行模式识别、分类以及回归分析。
由此,通过采用多权重SVM模型算法,在面对显著性不明显的正样本时,降低权重进行训练;面对其他正样本和负样本时,按照普通SVM模型进行训练,即利用SIFT特征算子进行训练。
通过多权重SVM模型算法对正样本和负样本进行训练之后,即可得到人脸的检测决策模型,从而用于对各区域图像的人脸检测,以通过各区域图像的人脸区域占比来计算各区域的得分。
作为一种优选的实施方式,上述公司各区域图像包括公司办公室图像、公司会议室图像和公司休息室图像。
其中,公司各区域图像主要针对公司的各个区域,利用监控等设备进行各区域图像的提取,通过设置间隔时间,即可间隔性的提取公司的各区域图像。
作为一种优选的实施方式,上述各区域图像进行区分的方法为:根据人脸检测决策模型得到各区域图像的得分,设置分数阈值,将各区域图像中得分大于分数阈值的区域认定为人脸区域,将得分等于分数阈值的区域认定为潜在人脸区域,将得分小于分数阈值的区域认定为非人脸区域。
人脸检测决策模型对提取的公司的各区域图像进行人脸检测后,可以得到公司的各区域图像的得分,通过设置分数阈值,与各区域图像的得分进行对比,即可将公司的各区域图像区分为人脸区域、潜在人脸区域和非人脸区域。其中潜在人脸区域为暂时不确定的区域。
作为一种优选的实施方式,上述对潜在人脸区域进行二次检测的方法为:采用VJ人脸检测器进行检测,筛选出人脸区域。
其中,采用VJ人脸检测器是由于VJ人脸检测器可快速而准确的处理图像,接近实时速度25fps(即25帧每秒),极大地提高了人脸检测的速度。具体地,VJ人脸检测器将多个分类器级联在一起,从前往后,分类器的复杂程度和计算代价逐渐增大,对于给定的一个窗口,先由排在最前面也最简单的分类器对其进行分类,如果这个窗口被分为非人脸窗口,那么就不再送到后面的分类器进行分类,直接排除,否则就送到下一级分类器继续进行判别,直到其被排除,或者被所有的分类器都分为人脸窗口。每经过一级分类器,下一级分类器所需要判别的窗口就会减少,使得只需要付出非常少的计算代价就能够排除大部分非人脸窗口。
由此,通过采用VJ人脸检测器,可将潜在人脸区域中暂时不确定的图像进行人脸二次检测,从而将潜在人脸区域中的人脸区域筛选出来,区分为人脸区域或非人脸区域。
作为一种优选的实施方式,还包括:
根据统计的数据发送到对应公司管理部门。
由此,经过上述的步骤可得出每个时段的每个区域的员工的分布数量,从而将统计的数据实时交给公司的相关管理部门,如人力资源部、员工行政部和后勤部等部门,进而对员工在公司上班的各区域的动态数据进行智能分析,即可掌握公司员工的动态,同时即可根据公司内部的物联网系统进行合理化的配置资源,从而能够提升公司的整体运营效率,实现了更加智能地对公司进行管理。
实施例2
请参阅图2,图2所示为本申请实施例提供的一种电子设备的一种示意性结构框图。
第二方面,本申请实施例提供一种电子设备,包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
存储器101可用于存储软件程序及模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理,通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图2所示的结构仅为示意,一种电子设备还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
实施例3
第三方面,本申请实施例3提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如上述实施例1的方法。
作为一种优选的实施方式,所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供的一种应用于公司管理的多区域员工数量检测方法,通过多权重SVM检测模型和经典的VJ人脸检测器相互结合,同时将人脸检测技术应用于公司的智能管理系统上,即可在掌握员工动态的同时有针对性地合理化配置资源,提升公司的整体运营效率,从而实现更加智能地对公司进行管理。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种应用于公司管理的多区域员工数量检测方法,其特征在于,包括以下步骤:
选取员工的人脸图像作为正样本,选取非人脸的图像作为负样本;
对正样本和负样本进行训练,得到人脸检测决策模型;
按照预置时间周期提取公司各区域图像;
利用人脸检测决策模型对各区域图像进行人脸检测,并将各区域图像区分为人脸区域、潜在人脸区域和非人脸区域;
对潜在人脸区域进行二次检测,筛选出人脸区域;
分时段记录每个区域的人脸数量并统计数据。
2.如权利要求1所述的一种应用于公司管理的多区域员工数量检测方法,其特征在于,还包括:
对正样本进行显著性检测,并判断正样本的显著性是否明显,若否,将该正样本进行标注。
3.如权利要求2所述的一种应用于公司管理的多区域员工数量检测方法,其特征在于,所述显著性检测采用的方法为FT显著性算法。
4.如权利要求1所述的一种应用于公司管理的多区域员工数量检测方法,其特征在于,所述正样本和负样本进行训练的方法为多权重SVM模型算法。
5.如权利要求1所述的一种应用于公司管理的多区域员工数量检测方法,其特征在于,所述公司各区域图像包括公司办公室图像、公司会议室图像和公司休息室图像。
6.如权利要求1所述的一种应用于公司管理的多区域员工数量检测方法,其特征在于,所述各区域图像进行区分的方法为:根据人脸检测决策模型得到各区域图像的得分,设置分数阈值,将各区域图像中得分大于分数阈值的区域认定为人脸区域,将得分等于分数阈值的区域认定为潜在人脸区域,将得分小于分数阈值的区域认定为非人脸区域。
7.如权利要求1所述的一种应用于公司管理的多区域员工数量检测方法,其特征在于,所述对潜在人脸区域进行二次检测的方法为:采用VJ人脸检测器进行检测,筛选出人脸区域。
8.如权利要求1所述的一种应用于公司管理的多区域员工数量检测方法,其特征在于,还包括:
根据统计的数据发送到对应公司管理部门。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-8中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111476420.3A CN113887541A (zh) | 2021-12-06 | 2021-12-06 | 一种应用于公司管理的多区域员工数量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111476420.3A CN113887541A (zh) | 2021-12-06 | 2021-12-06 | 一种应用于公司管理的多区域员工数量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887541A true CN113887541A (zh) | 2022-01-04 |
Family
ID=79016280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111476420.3A Pending CN113887541A (zh) | 2021-12-06 | 2021-12-06 | 一种应用于公司管理的多区域员工数量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887541A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887514A (zh) * | 2009-05-13 | 2010-11-17 | 联咏科技股份有限公司 | 人脸检测装置及其人脸检测方法 |
CN103986910A (zh) * | 2014-05-20 | 2014-08-13 | 中国科学院自动化研究所 | 一种基于智能分析摄像机的客流统计方法和系统 |
CN104732413A (zh) * | 2013-12-20 | 2015-06-24 | 中国科学院声学研究所 | 一种智能个性化视频广告推送方法及系统 |
CN105303193A (zh) * | 2015-09-21 | 2016-02-03 | 重庆邮电大学 | 一种基于单帧图像处理的人数统计系统 |
CN106529398A (zh) * | 2016-09-23 | 2017-03-22 | 深圳云天励飞技术有限公司 | 基于级联结构的快速精准人脸检测方法 |
CN107679613A (zh) * | 2017-09-30 | 2018-02-09 | 同观科技(深圳)有限公司 | 一种人员信息的统计方法、装置、终端设备和存储介质 |
CN107871134A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
CN109376637A (zh) * | 2018-10-15 | 2019-02-22 | 齐鲁工业大学 | 基于视频监控图像处理的人数统计系统 |
CN111191506A (zh) * | 2019-11-26 | 2020-05-22 | 万翼科技有限公司 | 人员流量统计方法、装置、计算机设备和存储介质 |
CN111275841A (zh) * | 2020-01-10 | 2020-06-12 | 郑鑫 | 一种人脸识别签到装置及方法 |
CN111860390A (zh) * | 2020-07-27 | 2020-10-30 | 西安建筑科技大学 | 一种电梯候梯人数检测统计方法、装置、设备及介质 |
-
2021
- 2021-12-06 CN CN202111476420.3A patent/CN113887541A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887514A (zh) * | 2009-05-13 | 2010-11-17 | 联咏科技股份有限公司 | 人脸检测装置及其人脸检测方法 |
CN104732413A (zh) * | 2013-12-20 | 2015-06-24 | 中国科学院声学研究所 | 一种智能个性化视频广告推送方法及系统 |
CN103986910A (zh) * | 2014-05-20 | 2014-08-13 | 中国科学院自动化研究所 | 一种基于智能分析摄像机的客流统计方法和系统 |
CN105303193A (zh) * | 2015-09-21 | 2016-02-03 | 重庆邮电大学 | 一种基于单帧图像处理的人数统计系统 |
CN106529398A (zh) * | 2016-09-23 | 2017-03-22 | 深圳云天励飞技术有限公司 | 基于级联结构的快速精准人脸检测方法 |
CN107871134A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 一种人脸检测方法及装置 |
CN107679613A (zh) * | 2017-09-30 | 2018-02-09 | 同观科技(深圳)有限公司 | 一种人员信息的统计方法、装置、终端设备和存储介质 |
CN109376637A (zh) * | 2018-10-15 | 2019-02-22 | 齐鲁工业大学 | 基于视频监控图像处理的人数统计系统 |
CN111191506A (zh) * | 2019-11-26 | 2020-05-22 | 万翼科技有限公司 | 人员流量统计方法、装置、计算机设备和存储介质 |
CN111275841A (zh) * | 2020-01-10 | 2020-06-12 | 郑鑫 | 一种人脸识别签到装置及方法 |
CN111860390A (zh) * | 2020-07-27 | 2020-10-30 | 西安建筑科技大学 | 一种电梯候梯人数检测统计方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
司倍敏: "大场景中的人脸检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
洪叁亮: "基于视觉神经网络人脸识别的人数统计研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wilson et al. | Predictive inequity in object detection | |
Umadevi et al. | A survey on data mining classification algorithms | |
CN110097037B (zh) | 智能监测方法、装置、存储介质及电子设备 | |
CN106951925B (zh) | 数据处理方法、装置、服务器及系统 | |
Abdelrahman et al. | Assembly line anomaly detection and root cause analysis using machine learning | |
Thongsatapornwatana | A survey of data mining techniques for analyzing crime patterns | |
CN110991657A (zh) | 一种基于机器学习的异常样本检测方法 | |
Kittler et al. | Domain anomaly detection in machine perception: A system architecture and taxonomy | |
CN111796957B (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
CN101989327A (zh) | 图像分析装置及图像分析方法 | |
CN110222582B (zh) | 一种图像处理方法和相机 | |
CN107133629B (zh) | 图片分类方法、装置和移动终端 | |
Feng et al. | Understanding dynamic social grouping behaviors of pedestrians | |
CN111160959A (zh) | 一种用户点击转化预估方法及装置 | |
CN116244609A (zh) | 一种客流量统计方法、装置、计算机设备及存储介质 | |
Sathiyabhama et al. | Tracing of vehicle region and number plate detection using deep learning | |
CN114495498B (zh) | 一种交通数据分布有效性判别方法及装置 | |
Baliniskite et al. | Affective state based anomaly detection in crowd | |
CN113887541A (zh) | 一种应用于公司管理的多区域员工数量检测方法 | |
CN114022698A (zh) | 一种基于二叉树结构的多标签行为识别方法及装置 | |
Wong et al. | Collective interaction filtering approach for detection of group in diverse crowded scenes | |
CN113569879A (zh) | 异常识别模型的训练方法、异常账号识别方法及相关装置 | |
CN111798237A (zh) | 基于应用日志的异常交易诊断方法及系统 | |
Braune et al. | Behavioral clustering for point processes | |
Kulkarni et al. | Advances in Crowd Counting and Density Estimation Using Convolutional Neural Networks |
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: 20220104 |
|
RJ01 | Rejection of invention patent application after publication |