CN107491713A - 一种教师上课考勤监控方法、***及装置 - Google Patents

一种教师上课考勤监控方法、***及装置 Download PDF

Info

Publication number
CN107491713A
CN107491713A CN201610409161.5A CN201610409161A CN107491713A CN 107491713 A CN107491713 A CN 107491713A CN 201610409161 A CN201610409161 A CN 201610409161A CN 107491713 A CN107491713 A CN 107491713A
Authority
CN
China
Prior art keywords
teacher
classroom
image
period
work attendance
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
Application number
CN201610409161.5A
Other languages
English (en)
Inventor
陈登杭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Hikvision Digital Technology Co Ltd
Hangzhou Hikvision System Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital Technology Co Ltd
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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201610409161.5A priority Critical patent/CN107491713A/zh
Priority to US16/309,079 priority patent/US11113512B2/en
Priority to PCT/CN2017/078781 priority patent/WO2017215315A1/zh
Priority to EP17812429.3A priority patent/EP3471014A4/en
Publication of CN107491713A publication Critical patent/CN107491713A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V40/167—Detection; Localisation; Normalisation using comparisons between temporally consecutive images
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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
    • 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
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Technology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种教师上课考勤监控方法、***及装置，用以简化教师考勤监控的流程，并保证获取教师考勤的准确性及高效性。该方法包括：在任一课时的至少一个时间段内，获取教室中安装的图像采集设备采集的所述讲台区域的图像；判断所述图像中是否包含人脸图像；如果是，通过所述图像采集设备获取至少一张图片；针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤结果；根据每个时间段该教室对应的教师的考勤结果，确定该课时内该教室对应的教师的考勤结果。

Description

一种教师上课考勤监控方法、***及装置
技术领域
本发明涉及图像处理技术领域，特别涉及一种教师上课考勤监控方法、***及装置。
背景技术
考勤***是企业、学校等单位的人力资源管理的核心工具。对于企业来讲，考勤***的应用往往和人员绩效和薪资挂钩，因为受到各级管理者的高度重视，而对于学校来讲，考勤数据对学生和教师都非常的重要，是对学生和教师评价的重要依据。
现有技术中，在对教师进行考勤监控时，一般在每个教室安装图像采集设备，通过图像采集设备获取教室内的图像。监控人员如果想对A教师的考勤进行监控，则需要确定该教师当前在哪个教室上课，从而调出该教室的图像，根据图像中是否存在教师，当存在教师时，还需要判断该教师是否为A教师，才能对教师上课考勤进行监控。
通过监控人员手动操作并确定教师考勤的方式操作较繁琐；另外，由于视频盲角以及图像采集的偶然性的问题，调出的图像中可能没有教师的画面，从而导致判断错误；或者因为图像采集设备的清晰度不够，只有放大才能分辨是否是正确的教师在上课。同时上述监控方案中还需要监控人员认识每个教师，才能判断出是否是正确的教师在上课，并且需要对每个教师相关课程信息都比较了解，可操作性较差，并且对监控人员的要求也比较高，无法有效的兼顾监控的准确性和监控效率。
发明内容
本发明实施例公开了一种教师上课考勤监控方法、***及装置，用以简化教师考勤监控的流程，并保证获取教师考勤的准确性及高效性。
第一方面，本发明实施例公开了一种教师上课考勤监控方法，教室中安装有图像采集设备，所述图像采集设备的图像采集区域包括教室的讲台区域，所述教室对应的任一课时被划分为多个时间段，所述方法包括：
在该课时的至少一个时间段内，获取所述教室中安装的图像采集设备采集的所述讲台区域的图像；
判断所述图像中是否包含人脸图像；如果是，通过所述图像采集设备获取至少一张图片；针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤结果；
根据每个时间段该教室对应的教师的考勤结果，确定该课时内该教室对应的教师的考勤结果。
可选地，所述针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤结果包括：
获取人脸对比数据库中该课时该教室被排课的教师的图像；
针对每张图片，判断该图片中待识别的人脸图像与获取的图像的相似度是否大于预定的相似度阈值，如果是，则将记录的图片的数量加1；
判断记录的图片的数量是否大于设定的数量阈值，如果是，则确定该时间段该教室对应的教师的考勤正常，否则，确定该时间段该教室对应的教师的考勤异常。
可选地，所述针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤结果包括：
获取人脸对比数据库中该课时该教室被排课的教师的图像；
确定每张图片中待识别的人脸图像与获取的图像的相似度，并识别所述相似度的最大值；
判断所述相似度的最大值是否大于预定的相似度阈值，如果是，确定该时间段该教室对应的教师的考勤正常，否则，确定该时间段该教室对应的教师的考勤异常。
可选地，所述获取人脸对比数据库中该课时该教室被排课的教师的图像包括：
调取预先保存的该教室的课程信息，其中该课程信息中记录有每个课时被排课的教师的名字或编号；
根据调取的所述该教室该课时的排课教师的名字或编号，在人脸对比数据库中获取对应的该排课教师的图像。
可选地，所述方法还包括：
当确定该时间段或该课时该教室对应的教师的考勤异常，且该时间段或该课时该教室对应的教师的考勤结果被矫正时，调低所述相似度阈值；
当确定该时间段或该课时该教室对应的教师的考勤正常，且该时间段或该课时该教室对应的教师的考勤结果被矫反，或者，每张图片中待识别的人脸图像与获取的图像的相似度均大于所述相似度阈值时，调高所述相似度阈值。
可选地，所述调低所述相似度阈值包括：
按照设定的第一比例系数调低所述相似度阈值；
判断调低后的相似度阈值是否低于预设最低阈值，如果是，则将所述相似度阈值调整为所述最低阈值；或
识别每张所述图片中待识别的人脸图像与该课时该教室被排课的教师的图像的相似度的最小值；判断所述最小值是否低于预设最低阈值，如果否，则将所述相似度阈值调整为所述最小值；
所述调高所述相似度阈值包括：
按照设定的第二比例系数调高所述相似度阈值；
判断调高后的相似度阈值是否大于预设最高阈值，如果是，则将所述相似度阈值调整为所述最高阈值；或
识别每张所述图片中待识别的人脸图像与该课时该教室被排课的教师的图像的相似度的最小值；判断所述最小值是否高于预设最高阈值，如果是，则将所述相似度阈值调整为所述最小值。
可选地，所述根据每个时间段该教室对应的教师的考勤结果，确定该课时内该教室对应的教师的考勤结果包括：
判断是否存在考勤异常的时间段；
如果不存在，则确定该课时内该教室对应的教师的考勤正常；如果存在，则根据考勤异常对应的时间段，确定该课时内该教室对应的教师的考勤异常的类型。
可选地，所述根据考勤异常对应的时间段，确定该课时内该教室对应的教师的考勤异常的类型包括：
当考勤异常对应的时间段为该课时内的第一个时间段时，则确定考勤异常的类型为未按时上课；
当考勤异常对应的时间段为该课时内的最后一个时间段时，则确定考勤异常的类型为提前下课；
当考勤异常对应的时间段既不是该课时内的第一个时间段，也不是最后一个时间段时，则确定考勤异常的类型为中途离开。
可选地，当针对任一时间段，首轮确定该时间段该教室对应的教师的考勤异常时，所述方法还包括：重复执行一次或多次以下步骤，并判断该时间段内考勤结果为异常的次数是否大于预设阈值，如果是，则最终确定该时间段该教室对应的教师的考勤异常：
在该时间段内，再次获取所述图像采集设备采集的图像，判断该图像中是否包含人脸图像；如果是，通过所述图像采集设备获取至少一张图片；针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤是否正常。
可选地，当所述图像采集设备为跟踪球时，所述方法还包括：
在每个时间段开始时，判断所述跟踪球的状态是否为静止状态，如果是，则获取采集的图像。
第二方面，本发明实施例公开了一种教师上课考勤监控装置，教室中安装有图像采集设备，所述图像采集设备的图像采集区域包括教室的讲台区域，所述教室对应的任一课时被划分为多个时间段，所述装置包括：
获取模块，用于在该课时的至少一个时间段内，获取所述教室中安装的图像采集设备采集的所述讲台区域的图像；
处理模块，用于判断所述图像中是否包含人脸图像；如果是，通过所述图像采集设备获取至少一张图片；针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤结果；
确定模块，用于根据每个时间段该教室对应的教师的考勤结果，确定该课时内该教室对应的教师的考勤结果。
可选地，所述处理模块包括：
获取子模块，用于获取人脸对比数据库中该课时该教室被排课的教师的图像；
处理子模块，用于针对每张图片，判断该图片中待识别的人脸图像与获取的图像的相似度是否大于预定的相似度阈值，如果是，则将记录的图片的数量加1；
第一确定子模块，用于判断记录的图片的数量是否大于设定的数量阈值，如果是，则确定该时间段该教室对应的教师的考勤正常，否则，确定该时间段该教室对应的教师的考勤异常。
可选地，所述处理模块包括：
获取子模块，用于获取人脸对比数据库中该课时该教室被排课的教师的图像；
识别子模块，用于确定每张图片中待识别的人脸图像与获取的图像的相似度，并识别所述相似度的最大值；
第二确定子模块，用于判断所述相似度的最大值是否大于预定的相似度阈值，如果是，确定该时间段该教室对应的教师的考勤正常，否则，确定该时间段该教室对应的教师的考勤异常。
可选地，所述获取子模块，具体用于调取预先保存的该教室的课程信息，其中该课程信息中记录有每个课时被排课的教师的名字或编号；根据调取的所述该教室该课时的排课教师的名字或编号，在人脸对比数据库中获取对应的该排课教师的图像。
可选地，所述装置还包括：
调低模块，用于当确定该时间段或该课时该教室对应的教师的考勤异常，且该时间段或该课时该教室对应的教师的考勤结果被矫正时，调低所述相似度阈值；
调高模块，用于当确定该时间段或该课时该教室对应的教师的考勤正常，且该时间段或该课时该教室对应的教师的考勤结果被矫反，或者，每张图片中待识别的人脸图像与获取的图像的相似度均大于所述相似度阈值时，调高所述相似度阈值。
可选地，所述调低模块，具体用于按照设定的第一比例系数调低所述相似度阈值；判断调低后的相似度阈值是否低于预设最低阈值，如果是，则将所述相似度阈值调整为所述最低阈值；或
识别每张所述图片中待识别的人脸图像与该课时该教室被排课的教师的图像的相似度的最小值；判断所述最小值是否低于预设最低阈值，如果否，则将所述相似度阈值调整为所述最小值；
所述调高模块，具体用于按照设定的第二比例系数调高所述相似度阈值；
判断调高后的相似度阈值是否大于预设最高阈值，如果是，则将所述相似度阈值调整为所述最高阈值；或
识别每张所述图片中待识别的人脸图像与该课时该教室被排课的教师的图像的相似度的最小值；判断所述最小值是否高于预设最高阈值，如果是，则将所述相似度阈值调整为所述最小值。
可选地，所述确定模块，包括：
判断子模块，用于判断是否存在考勤异常的时间段；
确定子模块，用于当所述判断子模块判断结果为否时，确定该课时内该教室对应的教师的考勤正常；当所述判断子模块判断结果为是时，根据考勤异常对应的时间段，确定该课时内该教室对应的教师的考勤异常的类型。
可选地，所述确定子模块，具体用于当考勤异常对应的时间段为该课时内的第一个时间段时，则确定考勤异常的类型为未按时上课；当考勤异常对应的时间段为该课时内的最后一个时间段时，则确定考勤异常的类型为提前下课；当考勤异常对应的时间段既不是该课时内的第一个时间段，也不是最后一个时间段时，则确定考勤异常的类型为中途离开。
可选地，所述装置还包括：
执行模块，用于当针对任一时间段，首轮确定该时间段该教室对应的教师的考勤异常时，重复执行一次或多次以下步骤，并判断该时间段内考勤结果为异常的次数是否大于预设阈值，如果是，则最终确定该时间段该教室对应的教师的考勤异常：
在该时间段内，再次获取所述图像采集设备采集的图像，判断该图像中是否包含人脸图像；如果是，通过所述图像采集设备获取至少一张图片；针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤是否正常。
可选地，当所述图像采集设备为跟踪球时，所述处理模块还用于在每个时间段开始时，判断所述跟踪球的状态是否为静止状态，如果是，则获取采集的图像。
第三方面，本发明实施例公开了一种教师上课考勤监控***，所述***包括安装在教室的图像采集设备，及如上述第二方面所述的教师上课考勤监控装置。
本发明实施例提供了一种教师上课考勤监控方法、***及装置，教室中安装有图像采集设备，该图像采集设备的图像采集区域包括教室的讲台区域，该教室对应的任一课时被划分为多个时间段，该方法包括：在该课时的至少一个时间段内，获取所述教室中安装的图像采集设备采集的所述讲台区域的图像；判断所述图像中是否包含人脸图像；如果是，通过所述图像采集设备获取至少一张图片；针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤结果；根据每个时间段该教室对应的教师的考勤结果，确定该课时内该教室对应的教师的考勤结果。由于本发明实施例中在教室中安装了图像采集设备，并且该图像采集设备的图像采集区域包括教室的讲台区域，在图像采集设备采集的图像中包含人脸图像时，获取至少一张图片，保证一定能够采集到教师的人脸图像，保证后续考勤判断的正确性，在具体判断时根据该至少一张图片中包含的人脸图像与人脸对比数据库中该课时该教室上课的教师的图像的相似度，判断该课时该教室上课的教师的考勤是否正常，从而可以进一步保证对教师考勤监控的准确性，由于通过电子设备主动识别，无需有经验的工作人员人工识别，因此有效提高了考勤监控的效率，并简化了考勤监控操作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种教师上课考勤监控方法流程图；
图2为本发明实施例提供的一种教师上课考勤监控装置结构示意图；
图3为本发明实施例提供的一种教师上课考勤监控***结构示意图。
具体实施方式
为了简化教师考勤监控操作，提高教师考勤监控的效率及准确性，本发明实施例提供了一种教师上课考勤监控方法、***及装置。
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，所描述的实施例仅仅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。
图1为本发明实施例提供的一种教师上课考勤监控方法流程图，该方法可以包括：
S101：在该课时的至少一个时间段内，获取教室中安装的图像采集设备采集的所述讲台区域的图像。
本发明实施例可以应用于电子设备，该电子设备可以是任意具有识别监控功能的设备，例如可以为服务器等。
为了实现对教师的考勤进行监控，在本发明实施例中，在教室中安装有图像采集设备，该图像采集设备的图像采集区域包括教室的讲台区域。并且，该图像采集设备与电子设备之间通过有线或无线方式连接。
需要说明的是，在本发明实施例中，可以以电子设备监控任一教室，任一课时为例，来说明本发明实施例的教师上课考勤监控方法。在实际应用中，可以采用本发明实施例提供的方法，通过电子设备来监控每个教室每个课时的教师考勤情况。
因为对于学校而言，其上课时间、下课时间是固定的，因此每个课时对应的时间段也是确定的。为了准确的确定教师在任一课时内的考勤，在本发明实施例中将该课时划分为了多个时间段，例如可以划分为3个、4个或者5个等时间段。通过对该课时的每个时间段内该教室的考勤进行监控，确定该课时内该教室对应的教师的考勤结果。
在采用本发明提供的方法监控每个课时的教师考勤情况时，每个课时划分的时间段的数量可以相同也可以不同，每个时间段的长度可以相同，也可以不同。较佳地，为了减少划分的工作量，可以将每个课时划分为相同的多个时间段，例如将每个课时等分为4个时间段。
在本发明实施例中，在该课时的至少一个时间段内，电子设备可以获取教室中安装的图像采集设备采集的讲台区域的图像。
S102：判断所述图像中是否包含人脸图像；如果是，进行步骤S103，如果否，则返回执行步骤S101中获取所述教室中安装的图像采集设备采集的所述讲台区域的图像的步骤。
其中，在采集的图像中判断是否包含人脸图像的过程可以采用现有技术，本发明实施例对此过程不进行赘述。
S103：通过所述图像采集设备获取至少一张图片；针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤结果。
人脸对比数据库存储在电子设备本地，人脸对比数据库中保存有每个教师的人脸图片。在本发明实施例中为了进一步保证对教师考勤监控的准确性，在每个时刻，通过图像采集设备获取了至少一张图片，例如可以是3张、5张图片等，确定每张图片中待识别的人脸图像与人脸对比数据库中对应教师的图像的相似度，如果某一张图片中待识别的人脸图像与人脸对比数据库中该课时该教室上课的教师的图像的相似度大于设定的相似度阈值，则确定该图片中记录的教师考勤正常。如果该时刻获取的至少一张图片中，记录教师考勤正常的图片的数量大于设定的数量阈值时，则确定该图片中记录的教师考勤正常。
S104：根据每个时间段该教室对应的教师的考勤结果，确定该课时内该教室对应的教师的考勤结果。
一个课时包括多个时间段，在确定该课时该教室上课的教师的考勤结果时，可以根据每个时间段该教室对应的教师的考勤结果，确定该课时内该教室对应的教师的考勤结果。
例如，可以判断考勤正常的时间段的数量是否大于预定阈值，如果是，可以确定该课时内该教室对应的教师的考勤正常；否则，确定该课时内该教室对应的教师的考勤异常。
由于本发明实施例中在教室中安装了图像采集设备，并且该图像采集设备的图像采集区域包括教室的讲台区域，在图像采集设备采集的图像中包含人脸图像时，获取至少一张图片，保证一定能够采集到教师的人脸图像，保证后续考勤判断的正确性，在具体判断时根据该至少一张图片中包含的人脸图像与人脸对比数据库中该课时该教室上课的教师的图像的相似度，返回相似度信息及教师信息，电子设备根据该教室的课程信息判断该课时该教室上课的教师的考勤是否正常，从而可以进一步保证对教师考勤监控的准确性，由于通过电子设备主动识别，无需有经验的工作人员人工识别，因此有效提高了考勤监控的效率，并简化了考勤监控操作。
为了实现对教师的考勤的监控，可以在每个教室安装图像采集设备，在电子设备中保存有每个图像采集设备的标识信息，并记录有每个标识信息的图像采集设备所在的教室，即在电子设备中保存有图像采集设备的标识信息与其所安装的教室的对应关系。
另外，电子设备还获取了课程信息，该课程信息中记录有每个教室哪个课时对应的时间范围中哪个教师上课。当然如果因为某些原因出现了课程信息的更改，例如某一教室的某个课程调整到了另一教室，或者某个课时上课的教师A更换为了教师B，这些课程信息的更改也需要及时的同步到电子设备中，以保证对相应教师考勤监控的准确性。
电子设备中存储有人脸对比数据库，在该人脸对比数据库中保存有大量的包含有教师人脸图像的图片，可以认为人脸对比数据库中保存有所有的人脸数据。为了实现对教师考勤的监控，在本发明实施例中针对人脸对比数据库中的保存的每张图片，根据该图片中包含的教师人脸图像，记录有该图片对应的教师的信息。该教师的信息可以是教师的名称，也可以是教师的工号、编号等唯一确定该教师的信息。
在本发明实施例的一种可选实施方式中，当电子设备获取了多张图片时，其针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤结果时，可以获取人脸对比数据库中该课时该教室被排课的教师的图像；然后可以针对每张图片，判断该图片中待识别的人脸图像与获取的图像的相似度是否大于预定的相似度阈值，如果是，则将记录的图片的数量加1；最后判断记录的图片的数量是否大于设定的数量阈值，如果是，则确定该时间段该教室对应的教师的考勤正常，否则，确定该时间段该教室对应的教师的考勤异常。
在本发明的上述实施例中，当记录的图片的数量大于设定的数量阈值时，说明当前时刻获取的至少一张图片中待识别的人脸图像为该课时该教室上课的教师的图像，则确定该时刻教师的考勤正常。
例如，当电子设备获取4张图片时，其可以相应的，将数据阈值设置为2。当针对每张图片，判断该图片中待识别的人脸图像与获取的图像的相似度大于预定的相似度阈值时，将记录的图片的数量加1，当每张图片均比对完成后，可以判断记录的图片的数量是否大于数量阈值，如果是，则确定该时间段该教室对应的教师的考勤正常。
在本发明实施例的另一种可选实施方式中，针对每张图片，电子设备根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤结果时，可以获取人脸对比数据库中该课时该教室被排课的教师的图像；然后确定每张图片中待识别的人脸图像与获取的图像的相似度，并识别所述相似度的最大值；最后判断所述相似度的最大值是否大于预定的相似度阈值，如果是，确定该时间段该教室对应的教师的考勤正常，否则，确定该时间段该教室对应的教师的考勤异常。
在本发明的上述实施例中，当相似度的最大值大于预定的相似度阈值时，说明当前时刻获取的至少一张图片中待识别的人脸图像为该课时该教室上课的教师的图像，则确定该时刻教师的考勤正常。
其中，上述实施例中，电子设备在获取人脸对比数据库中该课时该教室被排课的教师的图像时，可以首先调取预先保存的该教室的课程信息，其中该课程信息中记录有每个课时被排课的教师的名字或编号；然后可以根据调取的该教室该课时的排课教师的名字或编号，在人脸对比数据库中获取对应的该排课教师的图像。
在本发明实施例中，针对人脸对比数据库中的保存的每张图片，根据该图片中包含的教师人脸图像，记录有该图片对应的教师的信息。该教师的信息可以是教师的名称，也可以是教师的工号、编号等唯一确定该教师的信息。因此，当得知该课时该教室上课的教师的名字或编号后，可以在人脸对比数据库中获取对应的教师的图像，即为该课时该教室上课的教师的图像。
可以理解，有些情况下，由于人脸对比数据库中保存的各教师的图像的清晰度不同，或其他原因，图像采集设备采集的图片中待识别的人脸图像与获取的图像的相似度值可能差别较大。如，针对部分教师，图像采集设备采集的该教师的图片与人脸对比数据库中该教师的图像的相似度可能均比较大；针对部分教师，图像采集设备采集的该教师的图片与人脸对比数据库中该教师的图像的相似度可能均比较小。
因此，当基于各教师的图片与人脸对比数据库中该教师的图像的相似度，确定教师的考勤结果时，可能出现考勤结果判定不准确的情况。
当出现考勤结果判定不准确时，可以由教务工作人员根据实际情况，对考勤结果进行矫正。这种情况下，为了提高后续的考勤结果的准确性，电子设备可以根据各教师的考勤结果是否被矫正，调整该教师对应的相似度阈值。
例如，当确定该时间段或该课时该教室对应的教师的考勤异常，且该时间段或该课时该教室对应的教师的考勤结果被矫正时，表明图像采集设备采集的该教师的图片与人脸对比数据库中该教师的图像的相似度均比较低，这种情况下，可以调低该相似度阈值。
当确定该时间段或该课时该教室对应的教师的考勤正常，且该时间段或该课时该教室对应的教师的考勤结果被矫反，或者，每张图片中待识别的人脸图像与获取的图像的相似度均大于所述相似度阈值时，表明图像采集设备采集的该教师的图片与人脸对比数据库中该教师的图像的相似度均比较高，这种情况下，可以调高该相似度阈值。
具体地，调低该相似度阈值可以包括：按照设定的第一比例系数，如2％、3％、5％等，调低该相似度阈值；或判断调低后的相似度阈值是否低于预设最低阈值，如60％、55％、50％等，如果是，则将该相似度阈值调整为该最低阈值；或识别每张所述图片中待识别的人脸图像与该课时该教室被排课的教师的图像的相似度的最小值；判断该最小值是否低于预设最低阈值，如果否，则将该相似度阈值调整为该最小值。
调高该相似度阈值可以包括：按照设定的第二比例系数，如2％、4％、5％等，调高该相似度阈值；或判断调高后的相似度阈值是否大于预设最高阈值，如80％、85％、90％等，如果是，则将该相似度阈值调整为该最高阈值；或识别每张所述图片中待识别的人脸图像与该课时该教室被排课的教师的图像的相似度的最小值；判断该最小值是否高于预设最高阈值，如果是，则将该相似度阈值调整为该最小值。
作为本发明实施例的一种实施方式，根据每个时间段该教室对应的教师的考勤结果，确定该课时内该教室对应的教师的考勤结果可以包括：判断是否存在考勤异常的时间段；如果不存在，则确定该课时内该教室对应的教师的考勤正常；如果存在，则根据考勤异常对应的时间段，确定该课时内该教室对应的教师的考勤异常的类型。
其中，根据考勤异常对应的时间段，确定该课时内该教室对应的教师的考勤异常的类型包括：当考勤异常对应的时间段为该课时内的第一个时间段时，则确定考勤异常的类型为未按时上课；当考勤异常对应的时间段为该课时内的最后一个时间段时，则确定考勤异常的类型为提前下课；当考勤异常对应的时间段既不是该课时内的第一个时间段，也不是最后一个时间段时，则确定考勤异常的类型为中途离开。
作为本发明实施例的一种实施方式，为了提高考勤结果的准确性，当针对任一时间段，首轮确定该时间段该教室对应的教师的考勤异常时，电子设备还可以重复执行一次或多次以下步骤，并判断该时间段内考勤结果为异常的次数是否大于预设阈值，如3、4、5等，如果是，则最终确定该时间段该教室对应的教师的考勤异常：在该时间段内，再次获取所述图像采集设备采集的图像，判断该图像中是否包含人脸图像；如果是，通过所述图像采集设备获取至少一张图片；针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤是否正常。
作为本发明实施例的一种实施方式，上述图像采集设备可以为跟踪球。并且，当图像采集设备为跟踪球时，为了保证采集的图像的清晰度，在每个时间段开始时，电子设备可以判断跟踪球的状态是否为静止状态，如果是，则获取采集的图像。
图2为本发明实施例提供的一种教师上课考勤监控装置结构示意图，教室中安装有图像采集设备，所述图像采集设备的图像采集区域包括教室的讲台区域，所述教室对应的任一课时被划分为多个时间段，所述装置包括：
获取模块210，用于在该课时的至少一个时间段内，获取所述教室中安装的图像采集设备采集的所述讲台区域的图像；
处理模块220，用于判断所述图像中是否包含人脸图像；如果是，通过所述图像采集设备获取至少一张图片；针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤结果；
确定模块230，用于根据每个时间段该教室对应的教师的考勤结果，确定该课时内该教室对应的教师的考勤结果。
本发明实施例提供的教师上课考勤监控装置，由于在教室中安装了图像采集设备，并且该图像采集设备的图像采集区域包括教室的讲台区域，在图像采集设备采集的图像中包含人脸图像时，获取至少一张图片，保证一定能够采集到教师的人脸图像，保证后续考勤判断的正确性，在具体判断时根据该至少一张图片中包含的人脸图像与人脸对比数据库中该课时该教室上课的教师的图像的相似度，判断该课时该教室上课的教师的考勤是否正常，从而可以进一步保证对教师考勤监控的准确性，由于通过电子设备主动识别，无需有经验的工作人员人工识别，因此有效提高了考勤监控的效率，并简化了考勤监控操作。
作为本发明实施例的一种实施方式，所述处理模块220包括：
获取子模块(图中未示出)，用于获取人脸对比数据库中该课时该教室被排课的教师的图像；
处理子模块(图中未示出)，用于针对每张图片，判断该图片中待识别的人脸图像与获取的图像的相似度是否大于预定的相似度阈值，如果是，则将记录的图片的数量加1；
第一确定子模块(图中未示出)，用于判断记录的图片的数量是否大于设定的数量阈值，如果是，则确定该时间段该教室对应的教师的考勤正常，否则，确定该时间段该教室对应的教师的考勤异常。
作为本发明实施例的一种实施方式，所述处理模块220包括：
获取子模块(图中未示出)，用于获取人脸对比数据库中该课时该教室被排课的教师的图像；
识别子模块(图中未示出)，用于确定每张图片中待识别的人脸图像与获取的图像的相似度，并识别所述相似度的最大值；
第二确定子模块(图中未示出)，用于判断所述相似度的最大值是否大于预定的相似度阈值，如果是，确定该时间段该教室对应的教师的考勤正常，否则，确定该时间段该教室对应的教师的考勤异常。
作为本发明实施例的一种实施方式，所述获取子模块，具体用于调取预先保存的该教室的课程信息，其中该课程信息中记录有每个课时被排课的教师的名字或编号；根据调取的所述该教室该课时的排课教师的名字或编号，在人脸对比数据库中获取对应的该排课教师的图像。
作为本发明实施例的一种实施方式，所述装置还包括：
调低模块(图中未示出)，用于当确定该时间段或该课时该教室对应的教师的考勤异常，且该时间段或该课时该教室对应的教师的考勤结果被矫正时，调低所述相似度阈值；
调高模块(图中未示出)，用于当确定该时间段或该课时该教室对应的教师的考勤正常，且该时间段或该课时该教室对应的教师的考勤结果被矫反，或者，每张图片中待识别的人脸图像与获取的图像的相似度均大于所述相似度阈值时，调高所述相似度阈值。
作为本发明实施例的一种实施方式，所述调低模块，具体用于按照设定的第一比例系数调低所述相似度阈值；判断调低后的相似度阈值是否低于预设最低阈值，如果是，则将所述相似度阈值调整为所述最低阈值；或
识别每张所述图片中待识别的人脸图像与该课时该教室被排课的教师的图像的相似度的最小值；判断所述最小值是否低于预设最低阈值，如果否，则将所述相似度阈值调整为所述最小值；
所述调高模块，具体用于按照设定的第二比例系数调高所述相似度阈值；
判断调高后的相似度阈值是否大于预设最高阈值，如果是，则将所述相似度阈值调整为所述最高阈值；或
识别每张所述图片中待识别的人脸图像与该课时该教室被排课的教师的图像的相似度的最小值；判断所述最小值是否高于预设最高阈值，如果是，则将所述相似度阈值调整为所述最小值。
作为本发明实施例的一种实施方式，所述确定模块230，包括：
判断子模块(图中未示出)，用于判断是否存在考勤异常的时间段；
确定子模块(图中未示出)，用于当所述判断子模块判断结果为否时，确定该课时内该教室对应的教师的考勤正常；当所述判断子模块判断结果为是时，根据考勤异常对应的时间段，确定该课时内该教室对应的教师的考勤异常的类型。
作为本发明实施例的一种实施方式，所述确定子模块，具体用于当考勤异常对应的时间段为该课时内的第一个时间段时，则确定考勤异常的类型为未按时上课；当考勤异常对应的时间段为该课时内的最后一个时间段时，则确定考勤异常的类型为提前下课；当考勤异常对应的时间段既不是该课时内的第一个时间段，也不是最后一个时间段时，则确定考勤异常的类型为中途离开。
作为本发明实施例的一种实施方式，所述装置还包括：
执行模块(图中未示出)，用于当针对任一时间段，首轮确定该时间段该教室对应的教师的考勤异常时，重复执行一次或多次以下步骤，并判断该时间段内考勤结果为异常的次数是否大于预设阈值，如果是，则最终确定该时间段该教室对应的教师的考勤异常：
在该时间段内，再次获取所述图像采集设备采集的图像，判断该图像中是否包含人脸图像；如果是，通过所述图像采集设备获取至少一张图片；针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤是否正常。
作为本发明实施例的一种实施方式，当所述图像采集设备为跟踪球时，所述处理模块还用于在每个时间段开始时，判断所述跟踪球的状态是否为静止状态，如果是，则获取采集的图像。
图3为本发明实施例提供的一种教师上课考勤监控***结构示意图，所述***包括安装在教室的图像采集设备310，及位于电子设备320中的图2所示的教师上课考勤监控装置。
本发明实施例提供的教师上课考勤监控***，由于在教室中安装了图像采集设备，并且该图像采集设备的图像采集区域包括教室的讲台区域，在图像采集设备采集的图像中包含人脸图像时，获取至少一张图片，保证一定能够采集到教师的人脸图像，保证后续考勤判断的正确性，在具体判断时根据该至少一张图片中包含的人脸图像与人脸对比数据库中该课时该教室上课的教师的图像的相似度，判断该课时该教室上课的教师的考勤是否正常，从而可以进一步保证对教师考勤监控的准确性，由于通过电子设备主动识别，无需有经验的工作人员人工识别，因此有效提高了考勤监控的效率，并简化了考勤监控操作。
对于***/装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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”、“包含”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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (21)

1.一种教师上课考勤监控方法，其特征在于，教室中安装有图像采集设备，所述图像采集设备的图像采集区域包括教室的讲台区域，所述教室对应的任一课时被划分为多个时间段，所述方法包括：
在该课时的至少一个时间段内，获取所述教室中安装的图像采集设备采集的所述讲台区域的图像；
判断所述图像中是否包含人脸图像；如果是，通过所述图像采集设备获取至少一张图片；针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤结果；
根据每个时间段该教室对应的教师的考勤结果，确定该课时内该教室对应的教师的考勤结果。
2.根据权利要求1所述的方法，其特征在于，所述针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤结果包括：
获取人脸对比数据库中该课时该教室被排课的教师的图像；
针对每张图片，判断该图片中待识别的人脸图像与获取的图像的相似度是否大于预定的相似度阈值，如果是，则将记录的图片的数量加1；
判断记录的图片的数量是否大于设定的数量阈值，如果是，则确定该时间段该教室对应的教师的考勤正常，否则，确定该时间段该教室对应的教师的考勤异常。
3.根据权利要求1所述的方法，其特征在于，所述针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤结果包括：
获取人脸对比数据库中该课时该教室被排课的教师的图像；
确定每张图片中待识别的人脸图像与获取的图像的相似度，并识别所述相似度的最大值；
判断所述相似度的最大值是否大于预定的相似度阈值，如果是，确定该时间段该教室对应的教师的考勤正常，否则，确定该时间段该教室对应的教师的考勤异常。
4.根据权利要求2或3任一项所述的方法，其特征在于，所述获取人脸对比数据库中该课时该教室被排课的教师的图像包括：
调取预先保存的该教室的课程信息，其中该课程信息中记录有每个课时被排课的教师的名字或编号；
根据调取的所述该教室该课时的排课教师的名字或编号，在人脸对比数据库中获取对应的该排课教师的图像。
5.根据权利要求2或3任一项所述的方法，其特征在于，所述方法还包括：
当确定该时间段或该课时该教室对应的教师的考勤异常，且该时间段或该课时该教室对应的教师的考勤结果被矫正时，调低所述相似度阈值；
当确定该时间段或该课时该教室对应的教师的考勤正常，且该时间段或该课时该教室对应的教师的考勤结果被矫反，或者，每张图片中待识别的人脸图像与获取的图像的相似度均大于所述相似度阈值时，调高所述相似度阈值。
6.根据权利要求5所述的方法，其特征在于，所述调低所述相似度阈值包括：
按照设定的第一比例系数调低所述相似度阈值；
判断调低后的相似度阈值是否低于预设最低阈值，如果是，则将所述相似度阈值调整为所述最低阈值；或
识别每张所述图片中待识别的人脸图像与该课时该教室被排课的教师的图像的相似度的最小值；判断所述最小值是否低于预设最低阈值，如果否，则将所述相似度阈值调整为所述最小值；
所述调高所述相似度阈值包括：
按照设定的第二比例系数调高所述相似度阈值；
判断调高后的相似度阈值是否大于预设最高阈值，如果是，则将所述相似度阈值调整为所述最高阈值；或
识别每张所述图片中待识别的人脸图像与该课时该教室被排课的教师的图像的相似度的最小值；判断所述最小值是否高于预设最高阈值，如果是，则将所述相似度阈值调整为所述最小值。
7.根据权利要求2或3任一项所述的方法，其特征在于，所述根据每个时间段该教室对应的教师的考勤结果，确定该课时内该教室对应的教师的考勤结果包括：
判断是否存在考勤异常的时间段；
如果不存在，则确定该课时内该教室对应的教师的考勤正常；如果存在，则根据考勤异常对应的时间段，确定该课时内该教室对应的教师的考勤异常的类型。
8.根据权利要求7所述的方法，其特征在于，所述根据考勤异常对应的时间段，确定该课时内该教室对应的教师的考勤异常的类型包括：
当考勤异常对应的时间段为该课时内的第一个时间段时，则确定考勤异常的类型为未按时上课；
当考勤异常对应的时间段为该课时内的最后一个时间段时，则确定考勤异常的类型为提前下课；
当考勤异常对应的时间段既不是该课时内的第一个时间段，也不是最后一个时间段时，则确定考勤异常的类型为中途离开。
9.根据权利要求1所述的方法，其特征在于，当针对任一时间段，首轮确定该时间段该教室对应的教师的考勤异常时，所述方法还包括：重复执行一次或多次以下步骤，并判断该时间段内考勤结果为异常的次数是否大于预设阈值，如果是，则最终确定该时间段该教室对应的教师的考勤异常：
在该时间段内，再次获取所述图像采集设备采集的图像，判断该图像中是否包含人脸图像；如果是，通过所述图像采集设备获取至少一张图片；针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤是否正常。
10.根据权利要求1所述的方法，其特征在于，当所述图像采集设备为跟踪球时，所述方法还包括：
在每个时间段开始时，判断所述跟踪球的状态是否为静止状态，如果是，则获取采集的图像。
11.一种教师上课考勤监控装置，其特征在于，教室中安装有图像采集设备，所述图像采集设备的图像采集区域包括教室的讲台区域，所述教室对应的任一课时被划分为多个时间段，所述装置包括：
获取模块，用于在该课时的至少一个时间段内，获取所述教室中安装的图像采集设备采集的所述讲台区域的图像；
处理模块，用于判断所述图像中是否包含人脸图像；如果是，通过所述图像采集设备获取至少一张图片；针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤结果；
确定模块，用于根据每个时间段该教室对应的教师的考勤结果，确定该课时内该教室对应的教师的考勤结果。
12.根据权利要求11所述的装置，其特征在于，所述处理模块包括：
获取子模块，用于获取人脸对比数据库中该课时该教室被排课的教师的图像；
处理子模块，用于针对每张图片，判断该图片中待识别的人脸图像与获取的图像的相似度是否大于预定的相似度阈值，如果是，则将记录的图片的数量加1；
第一确定子模块，用于判断记录的图片的数量是否大于设定的数量阈值，如果是，则确定该时间段该教室对应的教师的考勤正常，否则，确定该时间段该教室对应的教师的考勤异常。
13.根据权利要求11所述的装置，其特征在于，所述处理模块包括：
获取子模块，用于获取人脸对比数据库中该课时该教室被排课的教师的图像；
识别子模块，用于确定每张图片中待识别的人脸图像与获取的图像的相似度，并识别所述相似度的最大值；
第二确定子模块，用于判断所述相似度的最大值是否大于预定的相似度阈值，如果是，确定该时间段该教室对应的教师的考勤正常，否则，确定该时间段该教室对应的教师的考勤异常。
14.根据权利要求12或13任一项所述的装置，其特征在于，所述获取子模块，具体用于调取预先保存的该教室的课程信息，其中该课程信息中记录有每个课时被排课的教师的名字或编号；根据调取的所述该教室该课时的排课教师的名字或编号，在人脸对比数据库中获取对应的该排课教师的图像。
15.根据权利要求12或13任一项所述的装置，其特征在于，所述装置还包括：
调低模块，用于当确定该时间段或该课时该教室对应的教师的考勤异常，且该时间段或该课时该教室对应的教师的考勤结果被矫正时，调低所述相似度阈值；
调高模块，用于当确定该时间段或该课时该教室对应的教师的考勤正常，且该时间段或该课时该教室对应的教师的考勤结果被矫反，或者，每张图片中待识别的人脸图像与获取的图像的相似度均大于所述相似度阈值时，调高所述相似度阈值。
16.根据权利要求15所述的装置，其特征在于，所述调低模块，具体用于按照设定的第一比例系数调低所述相似度阈值；判断调低后的相似度阈值是否低于预设最低阈值，如果是，则将所述相似度阈值调整为所述最低阈值；或
识别每张所述图片中待识别的人脸图像与该课时该教室被排课的教师的图像的相似度的最小值；判断所述最小值是否低于预设最低阈值，如果否，则将所述相似度阈值调整为所述最小值；
所述调高模块，具体用于按照设定的第二比例系数调高所述相似度阈值；
判断调高后的相似度阈值是否大于预设最高阈值，如果是，则将所述相似度阈值调整为所述最高阈值；或
识别每张所述图片中待识别的人脸图像与该课时该教室被排课的教师的图像的相似度的最小值；判断所述最小值是否高于预设最高阈值，如果是，则将所述相似度阈值调整为所述最小值。
17.根据权利要求12或13任一项所述的装置，其特征在于，所述确定模块，包括：
判断子模块，用于判断是否存在考勤异常的时间段；
确定子模块，用于当所述判断子模块判断结果为否时，确定该课时内该教室对应的教师的考勤正常；当所述判断子模块判断结果为是时，根据考勤异常对应的时间段，确定该课时内该教室对应的教师的考勤异常的类型。
18.根据权利要求17所述的装置，其特征在于，所述确定子模块，具体用于当考勤异常对应的时间段为该课时内的第一个时间段时，则确定考勤异常的类型为未按时上课；当考勤异常对应的时间段为该课时内的最后一个时间段时，则确定考勤异常的类型为提前下课；当考勤异常对应的时间段既不是该课时内的第一个时间段，也不是最后一个时间段时，则确定考勤异常的类型为中途离开。
19.根据权利要求11所述的装置，其特征在于，所述装置还包括：
执行模块，用于当针对任一时间段，首轮确定该时间段该教室对应的教师的考勤异常时，重复执行一次或多次以下步骤，并判断该时间段内考勤结果为异常的次数是否大于预设阈值，如果是，则最终确定该时间段该教室对应的教师的考勤异常：
在该时间段内，再次获取所述图像采集设备采集的图像，判断该图像中是否包含人脸图像；如果是，通过所述图像采集设备获取至少一张图片；针对每张图片，根据该图片中待识别的人脸图像与人脸对比数据库中的图像的相似度，确定该时间段该教室对应的教师的考勤是否正常。
20.根据权利要求11所述的装置，其特征在于，当所述图像采集设备为跟踪球时，所述处理模块还用于在每个时间段开始时，判断所述跟踪球的状态是否为静止状态，如果是，则获取采集的图像。
21.一种教师上课考勤监控***，其特征在于，所述***包括安装在教室的图像采集设备，及权利要求11-20任一项所述的教师上课考勤监控装置。
CN201610409161.5A 2016-06-12 2016-06-12 一种教师上课考勤监控方法、***及装置 Pending CN107491713A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201610409161.5A CN107491713A (zh) 2016-06-12 2016-06-12 一种教师上课考勤监控方法、***及装置
US16/309,079 US11113512B2 (en) 2016-06-12 2017-03-30 Attendance monitoring method, system and apparatus for teacher during class
PCT/CN2017/078781 WO2017215315A1 (zh) 2016-06-12 2017-03-30 一种教师上课考勤监控方法、***及装置
EP17812429.3A EP3471014A4 (en) 2016-06-12 2017-03-30 METHOD, SYSTEM AND APPARATUS FOR PRESENCE MONITORING FOR A TEACHER DURING A COURSE

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610409161.5A CN107491713A (zh) 2016-06-12 2016-06-12 一种教师上课考勤监控方法、***及装置

Publications (1)

Publication Number Publication Date
CN107491713A true CN107491713A (zh) 2017-12-19

Family

ID=60641900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610409161.5A Pending CN107491713A (zh) 2016-06-12 2016-06-12 一种教师上课考勤监控方法、***及装置

Country Status (4)

Country Link
US (1) US11113512B2 (zh)
EP (1) EP3471014A4 (zh)
CN (1) CN107491713A (zh)
WO (1) WO2017215315A1 (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108122442A (zh) * 2018-01-05 2018-06-05 哈尔滨学院 一种基于数据存储的智能教学方法及其***
CN108664947A (zh) * 2018-05-21 2018-10-16 五邑大学 一种基于表情识别的疲劳驾驶预警方法
CN108805774A (zh) * 2018-08-14 2018-11-13 广东校园卫士网络科技有限责任公司 一种校园电子班牌及走班排课***及方法
CN108881462A (zh) * 2018-07-03 2018-11-23 刘彪 一种基于班班通的教学功能室使用情况监控***
CN109685043A (zh) * 2019-02-10 2019-04-26 北京工商大学 基于教室多媒体设备的大学生课堂状态实时监测***
CN109784210A (zh) * 2018-12-26 2019-05-21 佛山科学技术学院 一种调度用定位识别方法、***、终端设备及介质
CN109960969A (zh) * 2017-12-22 2019-07-02 杭州海康威视数字技术股份有限公司 移动路线生成的方法、装置及***
CN110675291A (zh) * 2019-09-17 2020-01-10 智教源清(北京)科技有限公司 学生疲劳用眼时间的获取方法、服务器及可读存储介质
CN110765953A (zh) * 2019-10-24 2020-02-07 山东师范大学 一种多媒体教学教师签到监控方法及***
CN110853170A (zh) * 2018-08-21 2020-02-28 杭州海康威视***技术有限公司 一种巡更检测方法、***及装置
CN111062232A (zh) * 2018-10-17 2020-04-24 深圳市鸿合创新信息技术有限责任公司 一种课程信息识别方法及装置、电子设备
CN111476121A (zh) * 2020-03-26 2020-07-31 威比网络科技(上海)有限公司 在线教育的智能教学监督方法、***、设备及存储介质
CN111739181A (zh) * 2020-05-19 2020-10-02 深圳市商汤科技有限公司 考勤方法及装置、电子设备及存储介质
CN112153341A (zh) * 2020-09-24 2020-12-29 杭州海康威视数字技术股份有限公司 一种任务监督方法、装置、***、电子设备及存储介质
CN113095967A (zh) * 2019-12-23 2021-07-09 北京北科怀亮科技有限公司 基于多媒体和人像识别的教育巡查管控***及方法
CN113158849A (zh) * 2021-04-07 2021-07-23 东华工程科技股份有限公司 一种基于5g的工业设备通信微处理器以及方法
CN113443427A (zh) * 2021-07-05 2021-09-28 四川航佳生物科技有限公司 一种火锅底料加工辅助用夹持装置
CN114580878A (zh) * 2022-02-25 2022-06-03 北京碧云数创科技有限公司 一种巡课方法、存储介质和计算机设备

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11288635B2 (en) * 2017-06-28 2022-03-29 Microsoft Technology Licensing, Llc Adjusting calendars of interest on a per-user basis
CN111382633A (zh) * 2018-12-29 2020-07-07 中国科学院长春光学精密机械与物理研究所 课堂出勤管理方法、装置、终端及计算机可读存储介质
CN110363312A (zh) * 2019-06-19 2019-10-22 北京大米科技有限公司 一种约课方法、装置、存储介质及服务器
JP7189097B2 (ja) * 2019-07-22 2022-12-13 ｉ－ＰＲＯ株式会社 出席状況管理システム、出席状況管理方法、およびプログラム
CN111445592A (zh) * 2020-03-24 2020-07-24 张卫红 一种教学管理用的教学考勤***
CN111862372B (zh) * 2020-05-29 2021-12-28 杭州优云软件有限公司 一种考勤方法及***
CN112541986B (zh) * 2020-12-31 2022-01-07 盐城欢创科技有限公司 一种通软交互式智慧教室信息终端
CN112907408A (zh) * 2021-03-01 2021-06-04 北京安博创赢教育科技有限责任公司 一种评价学生学习效果的方法、装置、介质和电子设备
CN113450369B (zh) * 2021-04-20 2023-08-04 广州铁路职业技术学院（广州铁路机械学校） 一种基于人脸识别技术的课堂分析***及方法
CN113963453B (zh) * 2021-09-03 2024-04-05 福建星网物联信息***有限公司 一种基于双摄像头人脸识别技术的课堂考勤方法及***
CN116152943B (zh) * 2023-02-23 2024-01-09 广州乐庚信息科技有限公司 一种校园课堂智能考勤的无感知识别方法以及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101685554A (zh) * 2008-09-25 2010-03-31 银河港(北京)技术有限公司 基于网络的人脸识别考勤方法及***
CN101819687A (zh) * 2010-04-16 2010-09-01 阜新力兴科技有限责任公司 一种人脸识别学生考勤装置及方法
CN104282049A (zh) * 2013-07-04 2015-01-14 姜羚 面部识别考勤终端与考勤过程认证***及认证方法
CN104732601A (zh) * 2014-11-19 2015-06-24 东北大学 一种基于人脸识别技术的高识别率自动考勤装置及方法
CN105139470A (zh) * 2015-09-30 2015-12-09 杭州海康威视数字技术股份有限公司 基于人脸识别的考勤方法、装置及***
CN105373981A (zh) * 2015-12-14 2016-03-02 南京师范大学泰州学院 一种课堂考勤***及方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8353705B2 (en) * 2004-08-16 2013-01-15 Incom Corporation Attendance tracking system
KR100703693B1 (ko) 2005-01-13 2007-04-05 삼성전자주식회사 얼굴 인식 시스템 및 방법
KR100989142B1 (ko) * 2009-10-21 2010-10-20 디브이에스 코리아 주식회사 전자학습 컨텐츠 제공 시스템 및 방법
JP2012043389A (ja) * 2010-08-12 2012-03-01 Clinet Co Ltd 顔認証による出席管理装置
JP2013029954A (ja) * 2011-07-28 2013-02-07 Ricoh Co Ltd 受講状態改善支援システム、装置、方法、プログラム並びに記録媒体
US9596398B2 (en) * 2011-09-02 2017-03-14 Microsoft Technology Licensing, Llc Automatic image capture
US20130326613A1 (en) * 2012-05-31 2013-12-05 Gregory Peter Kochanski Dynamic control of device unlocking security level
US20150120362A1 (en) * 2013-10-31 2015-04-30 Core Principle, Inc. System and method for monitoring class attendance
WO2015103615A1 (en) * 2014-01-06 2015-07-09 Yyesit, Llc Method and apparatus of surveillance system
US9524418B2 (en) * 2014-06-05 2016-12-20 Promethean Limited Systems and methods for detecting, identifying and tracking objects and events over time
CN105336011A (zh) * 2014-08-06 2016-02-17 王鹏飞 一种基于人脸识别的考勤方法
CN104517102B (zh) * 2014-12-26 2017-09-29 华中师范大学 学生课堂注意力检测方法及***
CN105205646A (zh) * 2015-08-07 2015-12-30 江苏诚创信息技术研发有限公司 自动点名***及实现自动点名***的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101685554A (zh) * 2008-09-25 2010-03-31 银河港(北京)技术有限公司 基于网络的人脸识别考勤方法及***
CN101819687A (zh) * 2010-04-16 2010-09-01 阜新力兴科技有限责任公司 一种人脸识别学生考勤装置及方法
CN104282049A (zh) * 2013-07-04 2015-01-14 姜羚 面部识别考勤终端与考勤过程认证***及认证方法
CN104732601A (zh) * 2014-11-19 2015-06-24 东北大学 一种基于人脸识别技术的高识别率自动考勤装置及方法
CN105139470A (zh) * 2015-09-30 2015-12-09 杭州海康威视数字技术股份有限公司 基于人脸识别的考勤方法、装置及***
CN105139470B (zh) * 2015-09-30 2018-02-16 杭州海康威视数字技术股份有限公司 基于人脸识别的考勤方法、装置及***
CN105373981A (zh) * 2015-12-14 2016-03-02 南京师范大学泰州学院 一种课堂考勤***及方法

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109960969A (zh) * 2017-12-22 2019-07-02 杭州海康威视数字技术股份有限公司 移动路线生成的方法、装置及***
CN109960969B (zh) * 2017-12-22 2021-08-17 杭州海康威视数字技术股份有限公司 移动路线生成的方法、装置及***
CN108122442A (zh) * 2018-01-05 2018-06-05 哈尔滨学院 一种基于数据存储的智能教学方法及其***
CN108664947A (zh) * 2018-05-21 2018-10-16 五邑大学 一种基于表情识别的疲劳驾驶预警方法
CN108881462B (zh) * 2018-07-03 2020-10-23 刘彪 一种基于班班通的教学功能室使用情况监控***
CN108881462A (zh) * 2018-07-03 2018-11-23 刘彪 一种基于班班通的教学功能室使用情况监控***
CN108805774A (zh) * 2018-08-14 2018-11-13 广东校园卫士网络科技有限责任公司 一种校园电子班牌及走班排课***及方法
CN108805774B8 (zh) * 2018-08-14 2024-03-29 广东校园卫士网络科技有限责任公司 一种校园电子班牌及走班排课***及方法
CN108805774B (zh) * 2018-08-14 2023-08-15 浙江毅飞信息科技有限公司 一种校园电子班牌及走班排课***及方法
CN110853170A (zh) * 2018-08-21 2020-02-28 杭州海康威视***技术有限公司 一种巡更检测方法、***及装置
CN111062232A (zh) * 2018-10-17 2020-04-24 深圳市鸿合创新信息技术有限责任公司 一种课程信息识别方法及装置、电子设备
CN109784210A (zh) * 2018-12-26 2019-05-21 佛山科学技术学院 一种调度用定位识别方法、***、终端设备及介质
CN109685043A (zh) * 2019-02-10 2019-04-26 北京工商大学 基于教室多媒体设备的大学生课堂状态实时监测***
CN110675291A (zh) * 2019-09-17 2020-01-10 智教源清(北京)科技有限公司 学生疲劳用眼时间的获取方法、服务器及可读存储介质
CN110765953A (zh) * 2019-10-24 2020-02-07 山东师范大学 一种多媒体教学教师签到监控方法及***
CN113095967A (zh) * 2019-12-23 2021-07-09 北京北科怀亮科技有限公司 基于多媒体和人像识别的教育巡查管控***及方法
CN111476121A (zh) * 2020-03-26 2020-07-31 威比网络科技(上海)有限公司 在线教育的智能教学监督方法、***、设备及存储介质
CN111739181A (zh) * 2020-05-19 2020-10-02 深圳市商汤科技有限公司 考勤方法及装置、电子设备及存储介质
CN112153341A (zh) * 2020-09-24 2020-12-29 杭州海康威视数字技术股份有限公司 一种任务监督方法、装置、***、电子设备及存储介质
CN113158849A (zh) * 2021-04-07 2021-07-23 东华工程科技股份有限公司 一种基于5g的工业设备通信微处理器以及方法
CN113443427A (zh) * 2021-07-05 2021-09-28 四川航佳生物科技有限公司 一种火锅底料加工辅助用夹持装置
CN114580878A (zh) * 2022-02-25 2022-06-03 北京碧云数创科技有限公司 一种巡课方法、存储介质和计算机设备

Also Published As

Publication number Publication date
WO2017215315A1 (zh) 2017-12-21
EP3471014A4 (en) 2019-05-29
EP3471014A8 (en) 2019-07-31
EP3471014A1 (en) 2019-04-17
US11113512B2 (en) 2021-09-07
US20190130174A1 (en) 2019-05-02

Similar Documents

Publication Publication Date Title
CN107491713A (zh) 一种教师上课考勤监控方法、***及装置
CN109657529A (zh) 基于面部表情识别的课堂教学效果评价***
CN108154304A (zh) 具有教学质量评估功能的服务器
CN108009754A (zh) 教学质量评估方法
CN111507283A (zh) 基于课堂场景的学生行为识别方法及***
Chang Smart classroom roll caller system with IOT architecture
Talaviya et al. Wireless fingerprint based college attendance system using Zigbee technology
CN110502999B (zh) 校园管理***及方法
CN108171414A (zh) 教学质量评估***
CN110837795A (zh) 基于课堂监控视频的教学情况智能监测方法、装置及设备
CN109034036A (zh) 一种视频分析方法、教学质量评估方法及***、计算机可读存储介质
CN108182649A (zh) 用于教学质量评估的智能机器人
AU2012204061B2 (en) Methods and systems for object based data management
WO2019054894A1 (ru) Способ мониторинга поведения пользователя при взаимодействии с контентом и система для его осуществления
CN110740298A (zh) 分布式教室违纪行为检测***、方法及介质
CN110097283A (zh) 基于人脸识别的教学管理***及方法
CN110110958A (zh) 一种学情分析方法、电子设备及存储介质
CN107659370B (zh) 大学生课堂综合管理***及方法
CN109903410A (zh) 基于人脸识别的点名签到方法、装置、设备和存储介质
JP2015170033A (ja) 教育支援装置、教育支援処理プログラムおよび教育支援処理方法
CN111091343B (zh) 一种教学资源检测方法及计算机存储介质
CN116611964A (zh) 一种智能教室排课及分配方法和***
CN110675291A (zh) 学生疲劳用眼时间的获取方法、服务器及可读存储介质
CN113591796B (zh) 一种用于校园的人脸识别***
CN115529439A (zh) 教育资源处理方法、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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171219

RJ01 Rejection of invention patent application after publication