CN109064578A - 一种基于云服务的考勤***及方法 - Google Patents
一种基于云服务的考勤***及方法 Download PDFInfo
- Publication number
- CN109064578A CN109064578A CN201811062469.2A CN201811062469A CN109064578A CN 109064578 A CN109064578 A CN 109064578A CN 201811062469 A CN201811062469 A CN 201811062469A CN 109064578 A CN109064578 A CN 109064578A
- Authority
- CN
- China
- Prior art keywords
- image
- cloud
- cloud service
- information
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于云服务的考勤***及方法,属于图像识别技术领域;考勤***包括图像采集***、云分析***、信息存储***、统计***;本方法通过预设的神经网络学习人脸图像到欧式空间上点的映射,然后利用欧式距离差定义候选集,并计算每个候选集差异度累加和,通过累加和判断识别结果;本发明改进识别效率,新定义的差异度λ(x)用来有效度量类内或类间的相似程度,可有效提高图像识别的清晰度和准确度,不会受到因光照、复杂背景等的因素影响,充分利用现有的云存储及云分析技术,实现智能考勤,自动统计;本装置结构简单,共享且存储效率高,采用云存储架构,安全可靠。
Description
技术领域
本发明属于图像识别技术领域,特别涉及基于云服务采用图像识别技术的一种考勤***及方法。
背景技术
传统的考勤工作主要是通过人工的方式进行,这种方式易出错、效率低,冒名顶替和代考勤现象严重。近年来,随着机器学习及深度学习技术的发展,出现了一些基于人脸识别的考勤***,此类方法直接使用CNN网络来提取人脸特征,然后利用SVM等方法进行分类,容易受光照变化、复杂背景等因素影响,导致识别率不高的问题,且重复存储现象严重,浪费大量存储空间,很难有效的满足实际需求。尤其是对于人数较多的考勤工作,存在的问题就更佳突出。
发明内容
本发明针对现有技术存在的问题,提供了一种基于云服务的考勤***及方法。尤其对于人数较多的考勤记录情况更为快捷方便准确。
为实现上述目的,本发明所采用的技术方案为:
一种基于云服务的考勤***,包括:图像采集***、云分析***、信息存储***、统计***;所述的图像采集***、信息存储***、统计***分别与所述云分析***相连;所述的图像采集***用于获取人脸数据;所述的信息存储***用于采集人脸信息,建立图像信息数据库;所述的云分析***用于接收并处理所述图像采集***发送过来的信息;所述的统计***用于接收并处理所述云分析***发送的信息。
进一步,还包括图表展现***,所述的图表展现***与所述统计***相连接,所述的图表展现***用于图形化直观展示所述统计***发送的信息。
进一步的,所述的图像采集***包括图像获取、人脸检测、图像预处理;图像获取用于通过摄像头等设施获取抓拍图像;人脸检测用于从图像中检测出人脸;所述的图像预处理用于人脸样本标准化。
一种基于云服务的考勤方法,包括以下步骤:
步骤1:采集现场图像,并进行人脸检测及数据预处理,得到标准的人脸样本。
步骤2:根据预设的神经网络,直接学习人脸图像到欧式空间上点的映射,使之同一个人所计算的欧式距离小于某个阈值,不同的人之间计算的欧式距离大于该阈值。
步骤3:对步骤2中训练出的网络,扫描信息库,计算当前输入人脸特征欧式距离,依据距离差,将结果分为两组:当欧式距离大于阈值ξ,定义为不同图像候选集,当欧式距离小于阈值 ξ,定义为相同图像候选集 ;
步骤4:对步骤3中候选集,计算与对应候选集中每个对象的差异度 λ(x)
λ(x)= | d(x)- ξ| * d(x)
步骤5:当候选集个数大于1,计算每个候选集差异度累加和,选择差异和较小的候选标签作为本次识别的结果;当候选集个数等于1时,直接选取该候选标签作为本次识别的结果。
学习待识别人脸与所述信息存储***人脸特征欧式距离,依据欧式距离差,将结果分为两组:当欧式距离大于阈值ξ,定义为不同图像候选集,当欧式距离小于阈值 ξ,定义为相同图像候选集 ,对每个候选集,计算其对象的差异度 λ(x)= | d(x)- ξ| * d(x),依据λ(x)输出识别结果。
本发明所述的差异度 λ(x)用来有效度量类内或类间的相似程度,在同一类别空间中,λ(x)越大,表明越不相似,反之,表明越相似,提出了通过预设的神经网络学习人脸图像到欧式空间上点的映射,然后利用距离差定义候选集,并计算每个候选集差异度累加和,通过累加和判断识别结果。
优选的,还包括以下步骤:利用统计***分析人员出勤情况,并利用所述的图表展现***以图表形式展现。所述的图表展现***接收并处理考勤统计***发送过来的信息,并将结果转换成图表,管理人员即可清晰明了地看到人员的出勤状况。
优选的,所述的基于云服务的考勤方法采用mysql数据库,所述的数据库中包括人员姓名、性别、记录时间、图像信息。在实际应用中,为满足对考勤的查询统计需求,通过在用户界面上设置不同的查询条件,如编号、姓名等,方便管理人员根据自身需求进行个性化的查询。同时,为了满足对数据的分析需求,***在实现时,还设置了“导出”功能,用户可以将统计到的结果以 Excel的形式成功导出到本地。
与现有技术相比本发明具有以下有益效果:
本发明重新定义图像的识别方式,改进识别效率,新定义的差异度 λ(x)用来有效度量类内或类间的相似程度,在同一类别空间中,λ(x)越大,表明越不相似,反之,表明越相似,通过本方法,可有效提高图像识别的清晰度和准确度,不会受到因光照、复杂背景等的因素影响。
本发明充分利用现有的云存储及云分析技术,管理人员即可清晰明了地看到人员的出勤状况,实现智能考勤,自动统计考勤信息。此外,还可以实现在随机抓拍,并再次分析,当人员提前离开时可即时发觉。
本装置结构简单,共享且存储效率高,可同时为多个***提供考勤服务。采用云存储架构,所有的存储及统计分析工作都在云端,安全可靠。
附图说明
图1为本发明一种基于云服务的考勤***结构图。
图2为本发明一种基于云服务的考勤人脸图像识别流程图。
其中,1为图像采集***,2为云分析***,3为信息存储***,4为统计***,5为图表展现***。
具体实施方式
下面结合实施例详细说明本发明的技术方案,但保护范围不被此限制。
一种基于云服务的学生课堂考勤***,包括:图像采集***1、云分析***2、信息存储***3、统计***4;图像采集***1、信息存储***3、统计***4分别与云分析***2相连;图像采集***1用于获取人脸数据;信息存储***3用于采集人脸信息,建立图像信息数据库;云分析***2用于接收并处理所述图像采集***1发送过来的信息;统计***4用于接收并处理云分析***2发送的信息。还包括图表展现***5,图表展现***5与统计***4相连接,图表展现***5用于图形化直观展示统计***4发送的信息。其中,图像采集***1包括图像获取、人脸检测、图像预处理;所述的图像预处理用于人脸样本标准化。
一种基于云服务的学生课堂考勤方法:包括以下步骤:
步骤1:任课教师输入当前课程名称,学生的信息存储***3以课程为组,获取对应班级的学生信息。
步骤2:通过图像采集***1采集现场图像,并进行人脸检测及数据预处理,得到标准的人脸样本。
步骤3:利用云分析***2,根据预设的神经网络,直接学习人脸图像到欧式空间上点的映射,使之同一个人所计算的欧式距离小于某个阈值,不同的人之间计算的欧式距离大于该阈值。
步骤4:对步骤3中训练出的网络,扫描班级信息库,计算当前输入人脸特征欧式距离,依据距离差,将结果分为两组:当欧式距离大于阈值ξ,定义为不同图像候选集C1,当欧式距离小于阈值 ξ,定义为相同图像候选集C2。
步骤5:对步骤4中候选集,计算与对应候选集中每个对象的差异度 λ(x)
λ(x)= | d(x)- ξ| * d(x)
步骤6:当候选集个数大于1,计算每个候选集差异度累加和,选择差异和较小的候选标签作为本次识别的结果;当候选集个数等于1时,直接选取该候选标签作为本次识别的结果。学生身份为候选集中d(x)最小值对应的图像。
步骤7:利用考勤统计***4分析学生的到课情况,并利用图表展现***5以图表形式展现。
所述的样本特征欧式距离表及分析见表1:
表1 样本特征欧式距离表
在表1中,d(x)表示样本图像x对应的特征欧式距离,假设网络学习的阈值ξ为1.1,很快可以计算λ(x)与定义候选集,此次识别中,候选集包含两个,分别为C1、C2,其中C1的差异度累加和为2.21,C2的差异度累加和为0.64,依据步骤6)可快速输出识别结果。另外,若出现外班学生旁听,***将只有一个候选集,且差异度累加和很大,表明该学生不属于考勤人员,不会对考勤***产生影响。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为硬盘、ROM、RAM等。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定专利保护范围。
Claims (6)
1.一种基于云服务的考勤***,其特征在于,包括:图像采集***(1)、云分析***(2)、信息存储***(3)、统计***(4);所述的图像采集***(1)、信息存储***(3)、统计***(4)分别与所述云分析***(2)相连;所述的图像采集***(1)用于获取人脸数据;所述的信息存储***(3)用于采集人脸信息,建立图像信息数据库;所述的云分析***(2)用于接收并处理所述图像采集***(1)发送过来的信息;所述的统计***(4)用于接收并处理所述云分析***(2)发送的信息。
2.根据权利要求1所述的一种基于云服务的考勤***,其特征在于,还包括图表展现***(5),所述的图表展现***(5)与所述统计***(4)相连接,所述的图表展现***(5)用于图形化直观展示所述统计***(4)发送的信息。
3.根据权利要求1所述的一种基于云服务的考勤***,其特征在于,所述的图像采集***(1)包括图像获取、人脸检测、图像预处理;所述的图像预处理用于人脸样本标准化。
4.如权利要求1所述的一种基于云服务的考勤方法,其特征在于,包括以下步骤:
1) 采集现场图像,并进行人脸检测及数据预处理,得到标准的人脸样本;
2) 学习待识别人脸与所述信息存储***(3)人脸特征欧式距离,依据欧式距离差,将结果分为两组:当欧式距离大于阈值ξ,定义为不同图像候选集,当欧式距离小于阈值 ξ,定义为相同图像候选集 ,对每个候选集,计算其对象的差异度 λ(x)= | d(x)- ξ| * d(x),依据λ(x)输出识别结果。
5.根据权利要求4所述的一种基于云服务的考勤方法,其特征在于,还包括以下步骤:利用统计***(4)分析人员出勤情况,并利用所述的图表展现***(5)以图表形式展现。
6.根据权利要求4所述的一种基于云服务的考勤方法,其特征在于,所述的基于云服务的考勤方法采用mysql数据库,所述的数据库中包括人员姓名、性别、记录时间、图像信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811062469.2A CN109064578B (zh) | 2018-09-12 | 2018-09-12 | 一种基于云服务的考勤***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811062469.2A CN109064578B (zh) | 2018-09-12 | 2018-09-12 | 一种基于云服务的考勤***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109064578A true CN109064578A (zh) | 2018-12-21 |
CN109064578B CN109064578B (zh) | 2020-11-03 |
Family
ID=64761459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811062469.2A Active CN109064578B (zh) | 2018-09-12 | 2018-09-12 | 一种基于云服务的考勤***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064578B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211252A (zh) * | 2019-06-06 | 2019-09-06 | 重庆两江新区管理委员会 | 一种基于云服务的人脸识别考勤管理方法及*** |
CN112037406A (zh) * | 2020-08-27 | 2020-12-04 | 江门明浩电力工程监理有限公司 | 一种智慧工地门禁方法、***及设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521591A (zh) * | 2011-11-29 | 2012-06-27 | 北京航空航天大学 | 一种复杂背景下小目标快速识别方法 |
CN103745463A (zh) * | 2013-12-26 | 2014-04-23 | 大连理工大学 | 基于梯度信息的新颖多源图像快速配准方法 |
JP2014102622A (ja) * | 2012-11-19 | 2014-06-05 | Keiyo System Kk | タイムレコーダ |
CN104077560A (zh) * | 2014-01-13 | 2014-10-01 | 北京市公安局刑事侦查总队 | 指纹比对方法 |
CN104183029A (zh) * | 2014-09-02 | 2014-12-03 | 济南大学 | 一种便携式快速人群考勤方法 |
CN105184879A (zh) * | 2015-04-30 | 2015-12-23 | 北京天诚盛业科技有限公司 | 生物识别考勤的方法、装置和*** |
CN106023329A (zh) * | 2016-05-18 | 2016-10-12 | 常州市武进金阳光电子有限公司 | 一种学生考勤用分布式监控*** |
CN106204780A (zh) * | 2016-07-04 | 2016-12-07 | 武汉理工大学 | 一种基于深度学习和云服务的人脸识别考勤***及方法 |
CN106485186A (zh) * | 2015-08-26 | 2017-03-08 | 阿里巴巴集团控股有限公司 | 图像特征提取方法、装置、终端设备及*** |
CN106780814A (zh) * | 2016-12-27 | 2017-05-31 | 浙江海洋大学 | 一种教室内使用的全程自动考勤*** |
CN107507289A (zh) * | 2017-09-30 | 2017-12-22 | 四川长虹电器股份有限公司 | 一种移动端人脸识别考勤方法及*** |
CN108198262A (zh) * | 2018-02-08 | 2018-06-22 | 南京信息工程大学 | 一种考勤***及实现方法 |
-
2018
- 2018-09-12 CN CN201811062469.2A patent/CN109064578B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521591A (zh) * | 2011-11-29 | 2012-06-27 | 北京航空航天大学 | 一种复杂背景下小目标快速识别方法 |
JP2014102622A (ja) * | 2012-11-19 | 2014-06-05 | Keiyo System Kk | タイムレコーダ |
CN103745463A (zh) * | 2013-12-26 | 2014-04-23 | 大连理工大学 | 基于梯度信息的新颖多源图像快速配准方法 |
CN104077560A (zh) * | 2014-01-13 | 2014-10-01 | 北京市公安局刑事侦查总队 | 指纹比对方法 |
CN104183029A (zh) * | 2014-09-02 | 2014-12-03 | 济南大学 | 一种便携式快速人群考勤方法 |
CN105184879A (zh) * | 2015-04-30 | 2015-12-23 | 北京天诚盛业科技有限公司 | 生物识别考勤的方法、装置和*** |
CN106485186A (zh) * | 2015-08-26 | 2017-03-08 | 阿里巴巴集团控股有限公司 | 图像特征提取方法、装置、终端设备及*** |
CN106023329A (zh) * | 2016-05-18 | 2016-10-12 | 常州市武进金阳光电子有限公司 | 一种学生考勤用分布式监控*** |
CN106204780A (zh) * | 2016-07-04 | 2016-12-07 | 武汉理工大学 | 一种基于深度学习和云服务的人脸识别考勤***及方法 |
CN106780814A (zh) * | 2016-12-27 | 2017-05-31 | 浙江海洋大学 | 一种教室内使用的全程自动考勤*** |
CN107507289A (zh) * | 2017-09-30 | 2017-12-22 | 四川长虹电器股份有限公司 | 一种移动端人脸识别考勤方法及*** |
CN108198262A (zh) * | 2018-02-08 | 2018-06-22 | 南京信息工程大学 | 一种考勤***及实现方法 |
Non-Patent Citations (2)
Title |
---|
何威: "基于多通道Gabor滤波和2DPCA的虹膜识别算法", 《实验室研究与探索》 * |
李新龙: "基于ZigBee技术的智能教室考勤***设计", 《电子技术与软件工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211252A (zh) * | 2019-06-06 | 2019-09-06 | 重庆两江新区管理委员会 | 一种基于云服务的人脸识别考勤管理方法及*** |
CN110211252B (zh) * | 2019-06-06 | 2022-02-08 | 重庆两江新区管理委员会 | 一种基于云服务的人脸识别考勤管理方法及*** |
CN112037406A (zh) * | 2020-08-27 | 2020-12-04 | 江门明浩电力工程监理有限公司 | 一种智慧工地门禁方法、***及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109064578B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Person re-identification in the wild | |
CN110598535B (zh) | 一种监控视频数据中使用的人脸识别分析方法 | |
CN104008395B (zh) | 一种基于人脸检索的不良视频智能检测方法 | |
CN103325122B (zh) | 基于双向排序的行人检索方法 | |
CN105303152B (zh) | 一种人体再识别方法 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN109376637A (zh) | 基于视频监控图像处理的人数统计*** | |
CN105335726B (zh) | 人脸识别置信度获取方法和*** | |
CN106203490A (zh) | 一种安卓平台下基于属性学习和交互反馈的图像在线识别、检索方法 | |
CN103310200B (zh) | 人脸识别方法 | |
CN110490238A (zh) | 一种图像处理方法、装置及存储介质 | |
CN105893947B (zh) | 基于多局部相关特征学习的两视角人脸识别方法 | |
CN111126122B (zh) | 人脸识别算法评估方法及装置 | |
CN109145717A (zh) | 一种在线学习的人脸识别方法 | |
CN105740808B (zh) | 人脸识别方法和装置 | |
CN109214280A (zh) | 基于街景的店铺识别方法、装置、电子设备及存储介质 | |
CN102682309A (zh) | 一种基于模板学习的人脸注册方法及装置 | |
CN104778470A (zh) | 基于组件树和霍夫森林的文字检测和识别方法 | |
CN103413145A (zh) | 基于深度图像的关节点定位方法 | |
CN106845513A (zh) | 基于条件随机森林的人手检测器及方法 | |
CN104616002A (zh) | 用于年龄段判断的面部识别设备 | |
CN110008828A (zh) | 基于差异正则化的成对约束成分分析度量优化方法 | |
CN103971106A (zh) | 多视角人脸图像性别识别方法及装置 | |
CN110163567A (zh) | 基于多任务级联卷积神经网络的课堂点名*** | |
CN109582773A (zh) | 智能问答匹配方法及装置 |
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 | ||
CP02 | Change in the address of a patent holder |
Address after: No. 34, Zhongchuang space, ruice company, 12 / F, block a, Ruijie science and technology center, No. 251 Changzhi Road, Taiyuan Xuefu Park, Shanxi comprehensive reform demonstration zone, Taiyuan City, Shanxi Province, 030032 Patentee after: SHANXI JUBO TIANHAO TECHNOLOGY Co.,Ltd. Address before: 030001 No.8, building 2, no.381, Shuangta West Street, Yingze District, Taiyuan City, Shanxi Province Patentee before: SHANXI JUBO TIANHAO TECHNOLOGY Co.,Ltd. |
|
CP02 | Change in the address of a patent holder |