KR20190137384A - 출석 확인 시스템 및 방법 - Google Patents

출석 확인 시스템 및 방법 Download PDF

Info

Publication number
KR20190137384A
KR20190137384A KR1020180063499A KR20180063499A KR20190137384A KR 20190137384 A KR20190137384 A KR 20190137384A KR 1020180063499 A KR1020180063499 A KR 1020180063499A KR 20180063499 A KR20180063499 A KR 20180063499A KR 20190137384 A KR20190137384 A KR 20190137384A
Authority
KR
South Korea
Prior art keywords
attendance
face
image
student
face image
Prior art date
Application number
KR1020180063499A
Other languages
English (en)
Inventor
윤성로
이장호
장재희
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020180063499A priority Critical patent/KR20190137384A/ko
Publication of KR20190137384A publication Critical patent/KR20190137384A/ko

Links

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
    • 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
    • G06K9/00288—
    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 얼굴 인식부가 수신된 출석 이미지에 포함된 얼굴 이미지를 인식하는 단계; 얼굴 판단부가 상기 얼굴 인식부로부터 인식된 얼굴 이미지를 수신하여 인식된 얼굴 이미지를 데이터 베이스에 기 저장된 수강생 ID에 대응하는 얼굴 이미지와 비교하여 일치 여부를 판단하는 단계; 및 출석 확인부가 상기 얼굴 판단부에서 판단된 일치 여부 데이터를 수신하여 출석 여부를 확인하는 단계;를 포함하는 출석 확인 방법으로서, 스마트폰과 같은 간단한 촬영 장치를 포함하는 기기와 출석 이미지를 처리하기 위한 서버만 있으면 되므로 출석 확인 시스템 구축 비용을 절감할 수 있는 효과, 일일히 수강생의 이름을 부르지 않고 한 장의 이미지로 손쉽게 출석 체크가 가능하므로 출석 확인 시간을 단축할 수 있는 효과 및 출석 이미지가 데이터 베이스에 저장되어 기록에 남으므로, 출석 확인의 공정성과 편의성을 모두 확보할 수 있는 효과가 있다.

Description

출석 확인 시스템 및 방법{ATTENDANCE CHECK SYSTEM AND METHOD THEREOF}
본 발명은 기계 학습을 이용한 출석 확인 시스템 및 그 방법에 관한 것이다.
대학 강의에서 수강생들의 출석 여부 조사는 수강생들의 수기로 이루어 지거나 지정좌석제 또는 RFID 태깅 등의 방법을 사용하여 수행되어 왔다. 하지만, 대부분의 방법들이 대리 출석 등을 막지 못하는 문제점이 있고, RFID 태깅 등의 방법은 특히 추가적인 하드웨어 장치를 요구하기 때문에 상당한 비용이 소모되는 문제점이 있다.
컨볼루션 신경망(CNN; Convolutional Neural Network)은 일반 신경망과 매우 유사한 특성을 갖는다. 컨볼루션 신경망은 학습 가능한 필터 (kernel)로 구성되어 있으며 각각의 필터는 가중치(weight)와 바이어스(bias)로 구성되어 있다. CNN에서 학습하고자 하는 필터는 입력 이미지의 특정 영역에 대해 내적 연산(dot product)을 한 뒤 선택에 따라 비선형(non-linear) 연산을 수행한다. 전체 네트워크는 일반 신경망과 마찬가지로 미분 가능한 하나의 스코어 함수(score function)을 갖게 된다. 목적에 맞는 특징을 정확하게 추출하기 위해 출력 부분 이전에 손실 함수(loss function)을 추가하고, 일반적인 신경망 학습에 사용되는 기법들을 동일하게 적용할 수 있다.
상기 컨볼루션 신경망(CNN; Convolutional Neural Network)은 영상 인식에 특화된 심층 신경망으로서, 컴퓨터 비전 분야에서 빼놓을 수 없을 정도로 많이 쓰이는 기술이다.
기본적으로 영상 인식 기술은 분류 문제에 해당된다. 예를 들어, 사진을 보고 고양이인지 개인지 인식해내는 기술은 해당 사진을 개와 고양이 중 어느 범주로 분류할 지와 같은 문제이다. 글자를 인식하는 문제도 마찬가지다. 이러한 이유로 영상 인식에 사용되는 컨볼루션 신경망(CNN; Convolutional Neural Network)의 출력층은 다범주 분류 신경망으로 구성하는 게 일반적이다.
종래에는 특징 추출기를 주로 해당 분야의 전문가가 수작업으로 설계했기 때문에, 비용과 시간이 많이 들고 성능이 들쭉날쭉한 문제가 있었다. 즉, 특징 추출기의 설계는 머신러닝과 별개로 진행되었다.
이에 반해, 컨볼루션 신경망(CNN; Convolutional Neural Network)은 입력된 이미지의 특징 추출기를 수작업으로 설계하지 않고 신경망의 학습 과정에 포함시켜 일괄 처리한다. 구체적으로 컨볼루션 신경망(CNN; Convolutional Neural Network)에는 특수한 형태의 신경망으로 구성된 특징 추출기가 포함되어 있는데, 이 신경망의 가중치도 학습을 통해 결정된다. 이렇게 컨볼루션 신경망(CNN; Convolutional Neural Network)에서는 사람이 직접 설계하던 특징 추출 작업이 자동화되어 있다.
본 발명은 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.
또 다른 목적은 하나의 이미지로 간편하게 출석 여부를 확인할 수 있도록 하는 출석 확인 시스템 및 그 방법을 제공하는 것을 그 목적으로 한다.
상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따르면, 얼굴 인식부가 수신된 출석 이미지에 포함된 얼굴 이미지를 인식하는 단계; 얼굴 판단부가 상기 얼굴 인식부로부터 인식된 얼굴 이미지를 수신하여 인식된 얼굴 이미지를 데이터 베이스에 기 저장된 수강생 ID에 대응하는 얼굴 이미지와 비교하여 일치 여부를 판단하는 단계; 및 출석 확인부가 상기 얼굴 판단부에서 판단된 일치 여부 데이터를 수신하여 출석 여부를 확인하는 단계;를 포함하는 출석 확인 방법을 제공한다.
그리고, 상기 출석 이미지는 날짜(DATE) 및 시각(TIME) 정보를 포함할 수 있다.
또, 상기 얼굴 인식부는 딥러닝 모델을 이용하여 상기 출석 이미지에 포함된 얼굴 이미지를 인식할 수 있다.
또한, 상기 딥러닝 모델은 컨볼루션 신경망(CNN; Convolutional Neural Network)일 수 있다.
또한, 상기 컨볼루션 신경망(CNN; Convolutional Neural Network)은 컨볼루션 레이어(Convolution Layer), 풀링 레이어(Pooling Layer) 및 풀리 커넥티드 레이어(Fully Connected Layer)를 포함할 수 있다.
또한, 상기 데이터 베이스는 강의 정보 및 수강생 정보를 포함할 수 있다.
또한, 상기 수강생 정보는 수강생 성명, 수강생 ID, 수강생 얼굴 이미지를 포함할 수 있다.
또한, 상기 얼굴 판단부는 상기 얼굴 인식부로부터 수신한 인식된 얼굴 이미지와 데이터 베이스에 기 저장된 수강생 ID에 대응하는 얼굴 이미지를 비교하여 동일한 카테고리인지 여부를 판단하는 방법으로 얼굴 이미지 일치 여부를 판단할 수 있다.
또한, 출석 확인 시스템은 송수신부가 출석 이미지를 수신하여 얼굴 인식부로 송신하는 단계를 더 포함할 수 있다.
그리고 또, 본 발명의 다른 측면에 따르면, 외부 촬영 장치를 포함하는 기기로부터 출석 이미지를 수신하고, 수신된 출석 이미지를 얼굴 인식부로 송신하는 송수신부; 상기 송수신부로부터 수신된 출석 이미지에 포함된 얼굴 이미지를 인식하는 얼굴 인식부; 강의 정보 및 수강생 정보를 저장하는 데이터 베이스; 상기 얼굴 인식부로부터 인식된 얼굴 이미지를 수신하여 인식된 얼굴 이미지를 상기 데이터 베이스에 기 저장된 수강생 ID에 대응하는 얼굴 이미지와 비교하여 일치 여부를 판단하는 얼굴 판단부; 및 상기 얼굴 판단부에서 판단된 얼굴 이미지 일치 여부 데이터를 수신하여 수강생 출석 여부를 확인하는 출석 확인부;를 포함하는 출석 확인 시스템을 제공한다.
본 발명의 일 실시 예에 의한 출석 확인 시스템은 스마트폰과 같은 간단한 촬영 장치를 포함하는 기기와 출석 이미지를 처리하기 위한 서버만 있으면 되므로 출석 확인 시스템 구축 비용을 절감할 수 있는 효과가 있다.
본 발명의 일 실시 예에 의한 출석 확인 시스템은 일일히 수강생의 이름을 부르지 않고 한 장의 이미지로 손쉽게 출석 체크가 가능하므로 출석 확인 시간을 단축할 수 있는 효과가 있다.
본 발명의 일 실시 예에 의한 출석 확인 시스템은 출석 이미지가 데이터 베이스에 저장되어 기록에 남으므로, 출석 확인의 공정성과 편의성을 모두 확보할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시 예에 의한 출석 확인 방법을 도시한 순서도이다.
도 2는 본 발명의 일 실시 예에 의한 출석 확인 시스템을 도시한 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시 예에 의한 출석 확인 방법을 도시한 순서도이다.
도 1을 참조하여 본 발명의 일 실시 예에 따른 출석 확인 방법을 자세하게 설명하면, 출석 확인 시스템은 송수신부를 통하여 외부 기기로부터 출석 이미지를 수신할 수 있다(S110). 상기 출석 이미지는 날짜(DATE) 및 시각(TIME) 정보를 포함할 수 있다. 상기 출석 이미지는 강의(LECTURE) 정보를 더 포함할 수 있다. 또는, 출석 확인 시스템은 수신되는 이미지에 대응되는 날짜(DATE), 시각(TIME) 및 강의(LECTURE) 정보를 사용자로부터 입력 받을 수 있다. 출석 이미지는 유선 또는 무선으로 수신될 수 있고, 촬영 장치를 포함하는 기기로부터 촬영된 이미지를 직접 수신할 수 있다.
촬영 장치를 포함하는 기기는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함하는 이동 단말기 일 수 있고, 그 외 정지화상을 촬영하는 카메라, 또는 영상 촬영 기기 등의 장치일 수 있다.
얼굴 인식부는 송수신부로부터 출석 이미지를 수신하여 수신된 출석 이미지에 포함된 얼굴 이미지를 인식할 수 있다(S120). 얼굴 인식부는 딥러닝(DEEP LEARNING) 모델을 이용하여 상기 출석 이미지에 포함된 얼굴 이미지를 인식할 수 있다. 상기 딥러닝 모델은 컨볼루션 신경망(CNN; Convolutional Neural Network)일 수 있고, 상기 컨볼루션 신경망(CNN; Convolutional Neural Network)은 1이상의 컨볼루션 레이어(Convolution Layer), 1이상의 풀링 레이어(Pooling Layer) 및 1이상의 풀리 커넥티드 레이어(Fully Connected Layer)를 포함할 수 있다.
얼굴 인식부는 많은 양의 얼굴 데이터를 이용하여 컨볼루션 신경망을 통하여 특정 이미지에 포함된 얼굴 이미지 패턴을 학습하여, 특정 이미지에 포함된 얼굴 이미지를 찾는 모델로 학습될 수 있다. 이러한 모델을 이용하여 얼굴 인식부는 송수신부로부터 출석 이미지를 수신한 후, 상기 수신된 출석 이미지에 포함된 얼굴 이미지를 인식할 수 있다.
보다 자세하게, 컨볼루션 신경망(CNN; Convolutional Neural Network)을 이용하면 2차원의 이미지에 포함된 특정 이미지들을 기계학습으로 학습하여, 이미지들을 카테고리 별로 분류할 수 있다. 좀 더 구체적으로 살펴보면, 컨볼루션 신경망(CNN; Convolutional Neural Network)은 송수신부로부터 수신된 출석 이미지의 특징을 추출하는 신경망과 출석 이미지를 입력 받아 분류 작업을 하여 얼굴 이미지를 판별하는, 다시 말해 인식된 이미지가 어느 카테고리(얼굴)에 속하는지를 판별하는 신경망으로 구성되어 있다. 얼굴 인식부는 수신된 출석 이미지에서 특징을 추출할 수 있다. 출석 이미지에서 추출된 특징 신호는 분류 신경망에 다시 입력된다. 분류 신경망에서 상기 출석 이미지의 특징을 토대로 이미지에 포함된 얼굴 이미지를 찾아낼 수 있다.
얼굴 인식부에서 컨볼루션 신경망(CNN; Convolutional Neural Network)의 특징 추출 신경망은 컨볼루션 레이어(Convolution Layer)와 풀링 레이어(Pooling Layer)를 차례로 쌓은 형태로 구성될 수 있다. 컨볼루션 레이어(Convolution Layer)는 이름 그대로 컨벌루션 연산을 통해 입력 이미지를 변환하는 역할을 한다. 2차원 이미지를 필터링하는 디지털 필터들을 모아 놓은 레이어라고 볼 수 있다. 얼굴 인식부는 송수신부로부터 수신된 출석 이미지를 수신하여 출석 이미지를 컨볼루션 연산을 통하여 출석 이미지를 변환할 수 있다. 풀링 레이어(Pooling Layer)는 주위의 픽셀을 묶어서 하나의 대표 픽셀로 바꿀 수 있다. 대표 픽셀 값은 묶인 픽셀 값들 중에 최소 값을 대표 픽셀 값으로 할 수 있고(min), 최대 값을 대표 픽셀 값으로 할 수 있으며(max) 또는, 평균 값을 대표 픽셀 값으로 할 수도 있다(mean). 이와 같이, 풀링 레이어(Pooling Layer)는 이미지의 차원을 축소하는 역할을 할 수 있다. 따라서, 얼굴 인식부는 상기 컨볼루션 연산이 이루어진 출석 이미지를 풀링 레이어로 입력하여 컨볼루션 연산이 이루어진 출석 이미지를 축소할 수 있다. 얼굴 인식부는 컨볼루션 신경망(CNN; Convolutional Neural Network)에서 출석 이미지의 컨볼루션 연산 및 풀링 연산을 한 후, 컨볼루션 신경망(CNN; Convolutional Neural Network)의 풀리 커넥티드 레이어(Fully Connected Layer)를 이용하여 출석 이미지에 포함된 얼굴 이미지를 찾아 내는 분류 작업을 할 수 있다. 이와 같은 방법으로 출석 이미지에서 얼굴 이미지를 찾아낼 수 있다.
얼굴 판단부는 상기 얼굴 인식부로부터 인식된 얼굴 이미지를 수신하여 인식된 얼굴 이미지를 데이터 베이스에 기 저장된 수강생 ID에 대응하는 얼굴 이미지와 비교하여 일치 여부를 판단할 수 있다(S130). 보다 자세하게, 얼굴 판단부는 얼굴 인식부로부터 출석 이미지에 포함되고 인식된 얼굴 이미지를 수신할 수 있고, 얼굴 판단부는 상기 인식된 얼굴 이미지를 수신하여 데이터 베이스에 기 저장된 수강생 ID 별 얼굴 이미지와 비교하여 동일한 인물인지 판단할 수 있다. 얼굴 이미지를 비교하여 동일한 인물인지 판단하는 방법으로는 이미지 매칭 기술이 사용될 수 있다. 얼굴 판단부는 상기 얼굴 인식부로부터 수신한 인식된 얼굴 이미지와 데이터 베이스에 기 저장된 수강생 ID에 대응하는 얼굴 이미지들을 1:1로 비교하여 동일한 카테고리인지 여부를 판단하는 방법으로 얼굴 이미지 일치 여부를 판단할 수 있다.
보다 자세하게, 상기 얼굴 인식부의 컨볼루션 신경망(CNN; Convolutional Neural Network)에서 출석 이미지를 입력 받아 컨볼루션 연산 및 풀링 연산을 거친 후 풀리 커넥티드 레이어를 통하여 얼굴 이미지가 인식된 되면, 각 얼굴 이미지는 얼굴 판단부로 송신되고, 얼굴 판단부는 수신된 얼굴 이미지를 동일 카테고리인지 여부를 결정하는 얼굴 이미지의 분류를 할 수 있다.
얼굴 인식부와 얼굴 판단부의 기능은 별개의 기능부로 기재되어 있지만, 이는 본 발명의 일 실시 예 이므로, 얼굴 인식부 및 얼굴 판단부가 통합되어 하나의 통합 기능부로 기능할 수도 있다. 얼굴 인식부 및 얼굴 판단부가 통합 기능부로 작용할 경우, 통합 기능부는 입력된 출석 이미지에서 기 학습된 수강생의 얼굴 이미지를 컨볼루션 신경망(CNN; Convolutional Neural Network)의 1이상의 컨볼루션 레이어(Convolution Layer), 1이상의 풀링 레이어(Pooling Layer) 및 1이상의 풀리 커넥티드 레이어(Fully Connected Layer)를 이용하여 수강생들의 얼굴 이미지가 포함되어 있는지 여부를 판단할 수 있다.
출석 확인부는 상기 얼굴 판단부에서 판단된 일치 여부 데이터를 수신하여 출석 여부를 확인할 수 있다(S140). 보다 자세하게, 출석 확인부는 얼굴 판단부에서 인식된 얼굴 이미지와 일치하는 얼굴 이미지에 해당하는 수강생 ID를 수신하여 출석 여부를 판단할 수 있다. 출석 여부는 출석 이미지에 포함된 날짜(DATE), 시각(TIME) 및 강의(LECTURE) 정보를 이용하여 해당 강의에 해당 수강생이 출석하였는지 판단하고 기록할 수 있다. 그리고, 한 강의에 2 이상의 출석 이미지를 입력 받는 경우에, 출석 여부뿐만 아니라 각 출석 이미지에 포함된 시각 정보를 이용하여 수강생의 지각 또는 조퇴 여부도 확인할 수 있다.
도 2는 본 발명의 일 실시 예에 의한 출석 확인 시스템을 도시한 도면이다.
도 2를 참조하여, 본 발명의 일 실시 예에 의한 출석 확인 시스템을 보다 자세하게 설명하면, 출석 확인 시스템은 송수신부, 얼굴 인식부, 얼굴 판단부, 데이터 베이스 및 출석 확인부를 포함할 수 있다.
송수신부는 외부 촬영 장치를 포함하는 기기로부터 출석 이미지를 수신하고, 수신된 출석 이미지에 날짜(DATE), 시각(TIME) 및 강의(LECTURE) 정보를 입력할 수 있으며, 상기 출석 이미지를 얼굴 인식부로 송신할 수 있다. 상기 날짜(DATE), 시각(TIME) 및 강의(LECTURE) 정보는 수신된 출석 이미지에 이미 포함되어 있을 수 있고, 사용자로부터 입력 받을 수도 있다.
얼굴 인식부는 상기 송수신부로부터 출석 이미지를 수신할 수 있고, 상기 수신된 출석 이미지에 포함된 얼굴 이미지를 인식할 수 있다. 보다 자세하게, 얼굴 인식부는 딥러닝 모델을 이용하여 상기 출석 이미지에 포함된 얼굴 이미지를 인식할 수 있다. 상기 딥러닝 모델은 컨볼루션 신경망(CNN; Convolutional Neural Network)일 수 있고, 상기 컨볼루션 신경망(CNN; Convolutional Neural Network)은 1이상의 컨볼루션 레이어(Convolution Layer), 1이상의 풀링 레이어(Pooling Layer) 및 1이상의 풀리 커넥티드 레이어(Fully Connected Layer)를 포함할 수 있다.
얼굴 인식부는 많은 양의 얼굴 데이터를 이용하여 컨볼루션 신경망을 통하여 특정 이미지에 포함된 얼굴 이미지 패턴을 학습하여, 특정 이미지에 포함된 얼굴 이미지를 찾는 모델로 학습될 수 있다. 이러한 모델을 이용하여 얼굴 인식부는 송수신부로부터 출석 이미지를 수신한 후, 상기 수신된 출석 이미지에 포함된 얼굴 이미지를 인식할 수 있다.
데이터 베이스는 강의 정보 및 수강생 정보를 저장할 수 있다. 보다 자세하게, 데이터 베이스는 강의 시간, 각 강의 별 수강생 정보, 전체 수강생 ID, 전체 수강생 성명 및 전체 수강생 얼굴 이미지 등을 저장할 수 있다. 데이터 베이스의 정보는 주기적으로 업데이트 될 수 있다. 그리고, 데이터 베이스에 상기 송수신부가 수신한 출석 이미지가 저장될 수 있다.
얼굴 판단부는 상기 얼굴 인식부로부터 인식된 얼굴 이미지를 수신하여 인식된 얼굴 이미지를 상기 데이터 베이스에 기 저장된 수강생 ID에 대응하는 얼굴 이미지와 비교하여 일치 여부를 판단할 수 있다. 보다 자세하게, 얼굴 판단부는 얼굴 인식부로부터 출석 이미지에 포함되고 인식된 얼굴 이미지를 수신할 수 있고, 얼굴 판단부는 상기 인식된 얼굴 이미지를 수신하여 데이터 베이스에 기 저장된 수강생 ID 별 얼굴 이미지와 비교하여 동일한 인물인지 판단할 수 있다. 얼굴 이미지를 비교하여 동일한 인물인지 판단하는 방법으로는 이미지 매칭 기술이 사용될 수 있다. 얼굴 판단부는 상기 얼굴 인식부로부터 수신한 인식된 얼굴 이미지와 데이터 베이스에 기 저장된 수강생 ID에 대응하는 얼굴 이미지들을 1:1로 비교하여 동일한 카테고리인지 여부를 판단하는 방법으로 얼굴 이미지 일치 여부를 판단할 수 있다.
출석 확인부는 상기 얼굴 판단부에서 판단된 얼굴 이미지 일치 여부 데이터를 수신하여 수강생 출석 여부를 확인할 수 있다. 보다 자세하게, 출석 확인부는 얼굴 판단부에서 인식된 얼굴 이미지와 일치하는 얼굴 이미지에 해당하는 수강생 ID를 수신하여 출석 여부를 판단할 수 있다. 출석 여부는 출석 이미지에 포함된 날짜(DATE), 시각(TIME) 및 강의(LECTURE) 정보를 이용하여 해당 강의에 해당 수강생이 출석하였는지 판단하고 기록할 수 있다. 그리고, 한 강의에 2 이상의 출석 이미지를 입력 받는 경우에, 출석 여부뿐만 아니라 각 출석 이미지에 포함된 시각 정보를 이용하여 수강생의 지각 또는 조퇴 여부도 확인할 수 있다.
본 발명의 일 실시 예에 의한 출석 확인 시스템은 스마트폰과 같은 간단한 촬영 장치를 포함하는 기기와 출석 이미지를 처리하기 위한 서버만 있으면 되므로 출석 확인 시스템 구축 비용을 절감할 수 있는 효과가 있다.
본 발명의 일 실시 예에 의한 출석 확인 시스템은 일일히 수강생의 이름을 부르지 않고 한 장의 이미지로 손쉽게 출석 체크가 가능하므로 출석 확인 시간을 단축할 수 있는 효과가 있다.
본 발명의 일 실시 예에 의한 출석 확인 시스템은 출석 이미지가 데이터 베이스에 저장되어 기록에 남으므로, 출석 확인의 공정성과 편의성을 모두 확보할 수 있는 효과가 있다.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있음은 당업자에게 자명하다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한, 상기 컴퓨터는 단말기의 제어부(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
200: 출석 확인 시스템
210: 송수신부
220: 얼굴 인식부
230: 얼굴 판단부
240: 데이터 베이스
250: 출석 확인부
260: 촬영 장치를 포함하는 기기

Claims (12)

  1. 얼굴 인식부가 수신된 출석 이미지에 포함된 얼굴 이미지를 인식하는 단계;
    얼굴 판단부가 상기 얼굴 인식부로부터 인식된 얼굴 이미지를 수신하여 인식된 얼굴 이미지를 데이터 베이스에 기 저장된 수강생 ID에 대응하는 얼굴 이미지와 비교하여 일치 여부를 판단하는 단계; 및
    출석 확인부가 상기 얼굴 판단부에서 판단된 일치 여부 데이터를 수신하여 출석 여부를 확인하는 단계;
    를 포함하는 출석 확인 방법.
  2. 제1항에 있어서,
    상기 출석 이미지는 날짜(DATE) 및 시각(TIME) 정보를 포함하는 것을 특징으로 하는 출석 확인 방법.
  3. 제1항에 있어서,
    상기 얼굴 인식부는 딥러닝 모델을 이용하여 상기 출석 이미지에 포함된 얼굴 이미지를 인식하는 것을 특징으로 하는 출석 확인 방법.
  4. 제3항에 있어서,
    상기 딥러닝 모델은 컨볼루션 신경망(CNN; Convolutional Neural Network)인 것을 특징으로 하는 출석 확인 방법.
  5. 제4항에 있어서,
    상기 컨볼루션 신경망(CNN; Convolutional Neural Network)은 컨볼루션 레이어(Convolution Layer), 풀링 레이어(Pooling Layer) 및 풀리 커넥티드 레이어(Fully Connected Layer)를 포함하는 것을 특징으로 하는 출석 확인 방법.
  6. 제1항에 있어서,
    상기 데이터 베이스는 강의 정보 및 수강생 정보를 포함하는 것을 특징으로 하는 출석 확인 방법.
  7. 제6항에 있어서,
    상기 수강생 정보는 수강생 성명, 수강생 ID, 수강생 얼굴 이미지를 포함하는 것을 특징으로 하는 출석 확인 방법.
  8. 제1항에 있어서,
    상기 얼굴 판단부는 상기 얼굴 인식부로부터 수신한 인식된 얼굴 이미지와 데이터 베이스에 기 저장된 수강생 ID에 대응하는 얼굴 이미지를 비교하여 동일한 카테고리인지 여부를 판단하는 방법으로 얼굴 이미지 일치 여부를 판단하는 것을 특징으로 하는 출석 확인 방법.
  9. 제1항에 있어서,
    송수신부가 출석 이미지를 수신하여 얼굴 인식부로 송신하는 단계를 더 포함하는 것을 특징으로 하는 출석 확인 방법.
  10. 외부 촬영 장치를 포함하는 기기로부터 출석 이미지를 수신하고, 수신된 출석 이미지를 얼굴 인식부로 송신하는 송수신부;
    상기 송수신부로부터 수신된 출석 이미지에 포함된 얼굴 이미지를 인식하는 얼굴 인식부;
    강의 정보 및 수강생 정보를 저장하는 데이터 베이스;
    상기 얼굴 인식부로부터 인식된 얼굴 이미지를 수신하여 인식된 얼굴 이미지를 상기 데이터 베이스에 기 저장된 수강생 ID에 대응하는 얼굴 이미지와 비교하여 일치 여부를 판단하는 얼굴 판단부; 및
    상기 얼굴 판단부에서 판단된 얼굴 이미지 일치 여부 데이터를 수신하여 수강생 출석 여부를 확인하는 출석 확인부;
    를 포함하는 출석 확인 시스템.
  11. 제10항에 있어서,
    상기 얼굴 인식부는 딥러닝 모델을 이용하여 상기 출석 이미지에 포함된 얼굴 이미지를 인식하는 것을 특징으로 하는 출석 확인 시스템.
  12. 제11항에 있어서,
    상기 딥러닝 모델은 컨볼루션 신경망(CNN; Convolutional Neural Network)인 것을 특징으로 하는 출석 확인 시스템.
KR1020180063499A 2018-06-01 2018-06-01 출석 확인 시스템 및 방법 KR20190137384A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180063499A KR20190137384A (ko) 2018-06-01 2018-06-01 출석 확인 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180063499A KR20190137384A (ko) 2018-06-01 2018-06-01 출석 확인 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20190137384A true KR20190137384A (ko) 2019-12-11

Family

ID=69003664

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180063499A KR20190137384A (ko) 2018-06-01 2018-06-01 출석 확인 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20190137384A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241926A (zh) * 2019-12-30 2020-06-05 新大陆数字技术股份有限公司 考勤与学情分析方法、系统、设备及可读存储介质
CN111753798A (zh) * 2020-07-03 2020-10-09 重庆智者炎麒科技有限公司 一种基于图像处理的教学辅助系统及其方法
CN112395950A (zh) * 2020-10-22 2021-02-23 浙江蓝鸽科技有限公司 教室智能考勤方法及系统
CN113160442A (zh) * 2021-02-26 2021-07-23 逸兴泰辰技术有限公司 一种用于现场教育的管理方法及系统
KR20210099990A (ko) 2020-02-05 2021-08-13 박예진 출결 확인 및 촬영 기능이 연동되는 정보 관리 시스템 및 방법
CN114613058A (zh) * 2022-03-25 2022-06-10 中国农业银行股份有限公司 一种具有考勤功能的门禁系统、考勤方法和相关装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241926A (zh) * 2019-12-30 2020-06-05 新大陆数字技术股份有限公司 考勤与学情分析方法、系统、设备及可读存储介质
KR20210099990A (ko) 2020-02-05 2021-08-13 박예진 출결 확인 및 촬영 기능이 연동되는 정보 관리 시스템 및 방법
CN111753798A (zh) * 2020-07-03 2020-10-09 重庆智者炎麒科技有限公司 一种基于图像处理的教学辅助系统及其方法
CN112395950A (zh) * 2020-10-22 2021-02-23 浙江蓝鸽科技有限公司 教室智能考勤方法及系统
CN112395950B (zh) * 2020-10-22 2023-12-19 浙江蓝鸽科技有限公司 教室智能考勤方法及系统
CN113160442A (zh) * 2021-02-26 2021-07-23 逸兴泰辰技术有限公司 一种用于现场教育的管理方法及系统
CN114613058A (zh) * 2022-03-25 2022-06-10 中国农业银行股份有限公司 一种具有考勤功能的门禁系统、考勤方法和相关装置
CN114613058B (zh) * 2022-03-25 2024-06-11 中国农业银行股份有限公司 一种具有考勤功能的门禁系统、考勤方法和相关装置

Similar Documents

Publication Publication Date Title
KR20190137384A (ko) 출석 확인 시스템 및 방법
US9721156B2 (en) Gift card recognition using a camera
US10429944B2 (en) System and method for deep learning based hand gesture recognition in first person view
CN109284733B (zh) 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法
US9098888B1 (en) Collaborative text detection and recognition
US20210064871A1 (en) Apparatus and method for recognition of text information
US11126835B2 (en) Hand detection in first person view
CN109919244B (zh) 用于生成场景识别模型的方法和装置
CN105590097A (zh) 暗视觉条件下双摄像头协同实时人脸识别安防系统及方法
CN107832662A (zh) 一种获取图片标注数据的方法和系统
CN107766403B (zh) 一种相册处理方法、移动终端以及计算机可读存储介质
WO2016032692A1 (en) Systems and methods for object classification, object detection and memory management
TW202030683A (zh) 理賠資訊提取方法和裝置、電子設備
CN107679457A (zh) 用户身份校验方法及装置
CN110084289A (zh) 图像标注方法、装置、电子设备及存储介质
CN210199605U (zh) 一种基于多因子认证登录的高校档案查询一体机
CN210199759U (zh) 企业管理系统
CN107784482A (zh) 招聘方法、电子装置及可读存储介质
EP3885934A1 (en) Video search method and apparatus, computer device, and storage medium
CN115700845B (zh) 人脸识别模型训练方法、人脸识别方法、装置及相关设备
CN108830217B (zh) 一种基于模糊均值哈希学习的签名自动判别方法
CN114419514B (zh) 一种数据处理方法、装置、计算机设备及存储介质
CN109933679A (zh) 图像中的对象类型识别方法、装置和设备
KR102388909B1 (ko) 외국어 학습자의 어휘 실력 예측과 향상을 위한 딥러닝 기반의 단어 추천 시스템
US20220318561A1 (en) Method and system for identifying products using digital fingerprints

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X601 Decision of rejection after re-examination