CN112001219B - 一种多角度多人脸识别考勤方法及*** - Google Patents

一种多角度多人脸识别考勤方法及*** Download PDF

Info

Publication number
CN112001219B
CN112001219B CN202010565170.XA CN202010565170A CN112001219B CN 112001219 B CN112001219 B CN 112001219B CN 202010565170 A CN202010565170 A CN 202010565170A CN 112001219 B CN112001219 B CN 112001219B
Authority
CN
China
Prior art keywords
face
attendance
image
feature
angle
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
Application number
CN202010565170.XA
Other languages
English (en)
Other versions
CN112001219A (zh
Inventor
房冉
赵衍恒
王乃玉
王文明
安丰彩
张凯
石展
石文华
宋春晓
柳广鹏
王明霞
于航
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.)
State Grid Corp of China SGCC
State Grid of China Technology College
Shandong Electric Power College
Original Assignee
State Grid Corp of China SGCC
State Grid of China Technology College
Shandong Electric Power College
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 State Grid Corp of China SGCC, State Grid of China Technology College, Shandong Electric Power College filed Critical State Grid Corp of China SGCC
Priority to CN202010565170.XA priority Critical patent/CN112001219B/zh
Publication of CN112001219A publication Critical patent/CN112001219A/zh
Application granted granted Critical
Publication of CN112001219B publication Critical patent/CN112001219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Library & Information Science (AREA)
  • Multimedia (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Computer Interaction (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)

Abstract

本发明属于人脸识别考勤领域，提供了一种多角度多人脸识别考勤方法及***。其中，多角度多人脸识别考勤方法包括：接收多个人脸图像，其中每个人脸至少从两个角度拍摄；使用FaceBoxes人脸检测器检测多人脸图像，得到相应人脸框图像；在特征点附近随机选择点学习人脸框图像中的LBP特征和DAISY特征，将两特征进行融合后，输入至基于cascade级联的随机森林模型作全局线性回归，检测出人脸关键点并给出相应特征描述；将人脸关键点的特征描述与考勤数据库中的人脸匹配，选取欧式距离计算的最小值作为识别结果，完成相应人脸的考勤签到。

Description

一种多角度多人脸识别考勤方法及***
技术领域
本发明属于人脸识别考勤领域，尤其涉及一种多角度多人脸识别考勤方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
传统的考勤主要是由人力完成，比如课堂考勤，无论是教师点名还是纸质版签到，不仅无法对学生起到良好的监督作用，而且占用过多的课堂时间，一定程度上影响课堂秩序。发明人发现，在复杂背景下，由于距离不同，对人脸进行多尺度检测时存在检测框的密度不一致的问题，会因为图像模糊、光照变化或视角旋转的原因，延长人脸检测的时间，影响人脸以及非人脸的分类的准确性。
发明内容
为了解决上述问题，本发明提供一种多角度多人脸识别考勤方法及***，其对使用FaceBoxes人脸检测器对多角度多人脸图像进行检测，并且基于cascade级联的随机森林模型对LBP与DAISY融合的特征作全局线性回归，能够同时缩短人脸检测时间以及提供人脸识别准确性。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种多角度多人脸识别考勤方法。
一种多角度多人脸识别考勤方法，包括：
接收多个人脸图像，其中每个人脸至少从两个角度拍摄；
使用FaceBoxes人脸检测器检测多人脸图像，得到相应人脸框图像；
在特征点附近随机选择点来学习人脸框图像中的LBP特征和DAISY特征，进行融合后输入至基于cascade级联的随机森林模型作全局线性回归，检测出人脸关键点并给出相应特征描述；
将人脸关键点的特征描述与考勤数据库中的人脸匹配，选取欧式距离计算的最小值作为识别结果，完成相应人脸的考勤签到。
本发明的第二个方面提供一种多角度多人脸识别考勤***。
本发明提供的一种多角度多人脸识别考勤***，包括：
图像接收模块，其用于接收多个人脸图像，其中每个人脸至少从两个角度拍摄；
人脸框检测模块，其用于使用FaceBoxes人脸检测器检测多人脸图像，得到相应人脸框图像；
关键点检测模块，将学习到的人脸框图像中的LBP特征和DAISY特征，进行融合后，输入至基于cascade级联的随机森林模型作全局线性回归，检测出人脸关键点并给出相应特征描述；
识别考勤模块，其用于将人脸关键点的特征描述与考勤数据库中的人脸匹配，选取欧式距离计算的最小值作为识别结果，完成相应人脸的考勤签到。
本发明提供的另一种多角度多人脸识别考勤***，其包括：
图像采集装置，其被配置为采集多个人脸图像，其中每个人脸至少从两个角度拍摄；
人脸识别考勤服务器，其被配置为：
接收多个人脸图像，其中每个人脸至少从两个角度拍摄；
使用FaceBoxes人脸检测器检测多人脸图像，得到相应人脸框图像；
在特征点附近随机选择点来学习人脸框图像中的LBP特征和DAISY特征，将两种特征融合后，输入至基于cascade级联的随机森林模型作全局线性回归，检测出人脸关键点并给出相应特征描述；
将人脸关键点的特征描述与考勤数据库中的人脸匹配，选取欧式距离计算的最小值作为识别结果，完成相应人脸的考勤签到。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的多角度多人脸识别考勤方法中的步骤。
本发明的第四个方面提供一种计算机设备。
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程序，所述处理器执行所述程序时实现如上述所述的多角度多人脸识别考勤方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明利用FaceBoxes检测器检测多角度多人脸图像，提供了较大的搜索空间和人脸尺寸进一步提高了时间效率，解决了多尺度检测时检测框的密度不一致的问题；而且在人脸关键点检测阶段，在特征点附近随机选择的点来学习的LBP特征和DAISY特征，融合后，输入至基于cascade级联的随机森林模型作全局线性回归，检测出人脸关键点并给出相应特征描述，保证了旋转不变的前提下又增加了方向信息；本发明有效的缩短了人脸检测的检测时间，在面对图像模糊、光照变化、视角旋转问题上，具有较好的匹配结果。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的一种多角度多人脸识别考勤方法原理图；
图2是本发明实施例的一种多角度多人脸识别考勤方法具体示例；
图3是本发明应用于课堂考勤的教室摄像头布置示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释：
LBP(Local Binary Pattern，局部二值模式)是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T.Ojala,和D.Harwood在1994年提出，用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征。
DAISY是面向稠密特征提取的可快速计算的局部图像特征描述子，它本质思想和SIFT是一样的：分块统计梯度方向直方图，不同的是，DAISY在分块策略上进行了改进，利用高斯卷积来进行梯度方向直方图的分块汇聚，这样利用高斯卷积的可快速计算性就可以快速稠密地进行特征描述子的提取。比较巧合的是，DAISY这种特征汇聚策略被一些研究者(Matthen Brown，Gang Hua，Simon Winder)通过机器学习的方法证明相对于其他几种特征汇聚策略(卡迪尔坐标下分块、极坐标下分块)是最优的。
实施例一
图1给出了本发明实施例的多角度多人脸识别考勤方法原理图，具体包括：
S101：接收多个人脸图像，其中每个人脸至少从两个角度拍摄；
S102：使用FaceBoxes人脸检测器检测多人脸图像，得到相应人脸框图像；
S103：在特征点附近随机选择点来学习人脸框图像中的LBP特征和DAISY特征，进行特征融合后，输入至基于cascade级联的随机森林模型作全局线性回归，检测出人脸关键点并给出相应特征描述；
S104：将人脸关键点的特征描述与考勤数据库中的人脸匹配，选取欧式距离计算的最小值作为识别结果，完成相应人脸的考勤签到。
在实际应用中，多角度多人脸识别考勤方法可应用于教室，计算机房，实验室等环境。
下面以教室考勤为例来详细说明：
具体地，在步骤S101中，接收的多人脸图像可以是任意角度，包括正脸图像，左旋转30°图像，右旋转30°图像，上仰30°图像，低头30°图像。
可以理解的是，多人脸图像也可选择其他角度的图像。
在步骤S102中，FaceBoxes人脸检测器，由快速消化的卷积层(RDCL)和多尺度卷积层(MSCL)组成，仅包含一个完全卷积的神经网络。
具体地，将获取的图片输入到已经训练好的网络模型中，在RDCL层中配合原图尺度降低，卷积核选择合适的尺度来获取更多的图片特征信息，并使用激活函数C.ReLU进行加速；在MSCL层处理不同尺度的信息，得到人脸框图像。
在复杂背景下，人脸视角大的变化需要人脸检测器精准的解决复杂人脸和非人脸的分类问题，FaceBoxes检测器方法基于目标检测方法改进，较大的搜索空间和人脸尺寸进一步提高了时间效率，解决了多尺度检测时检测框的密度不一致的问题。在关键点对齐阶段中使用LBP特征和DAISY特征融合后作为特征描述符，保证旋转不变的前提下又增加了方向信息。
在步骤S104中，考勤数据库预先存储有确定人脸标签的正脸图像，左旋转30°图像，右旋转30°图像，上仰30°图像以及低头30°图像。
以教室考勤为例：
如图2所示，考勤数据库中存储有每张人脸图像与学员信息的匹配关系，摄像机与教室的对应关系，课程与班级的排课关系。其中，摄像机用于采集步骤S101中接收的图像。其中，在录入学员信息时，必须包含学号、班级与人脸图像信息；摄像机序号与教室唯一绑定；待课表上传至数据库后，班级与上课教室对应关系建立完成。
考勤记录班级每位学员第一次匹配成功的时间，即为签到时间。未完成考勤签到，需要基于两种情况进行判断：检测的人脸数量与班级人数相同；检测的人脸数量小于班级人数。无论人脸数量与班级人数之间存在何种大小关系，都需要根据数据库中的匹配结果和具体的请假情况，判断是否出现迟到、旷课早退或者被替课情况。
实施例二
本实施例的一种多角度多人脸识别考勤***，包括：
(1)图像接收模块，其用于接收多个人脸图像，其中每个人脸至少从两个角度拍摄。其中，接收的多人脸图像可为任意角度的脸。
(2)人脸框检测模块，其用于使用FaceBoxes人脸检测器检测多人脸图像，得到相应人脸框图像。
FaceBoxes人脸检测器，由快速消化的卷积层(RDCL)和多尺度卷积层(MSCL)组成，仅包含一个完全卷积的神经网络。
具体地，将获取的图片输入到已经训练好的网络模型中，在RDCL层中配合原图尺度降低，卷积核选择合适的尺度来获取更多的图片特征信息，并使用激活函数C.ReLU进行加速；在MSCL层处理不同尺度的信息，得到人脸框图像。
(3)关键点检测模块，在特征点附近随机选择点来学习人脸框图像中的LBP特征和DAISY特征，将两者融合后，输入至基于cascade级联的随机森林模型作全局线性回归，检测出人脸关键点并给出相应特征描述。
在复杂背景下，人脸视角大的变化需要人脸检测器精准的解决复杂人脸和非人脸的分类问题，FaceBoxes检测器方法基于目标检测方法改进，较大的搜索空间和人脸尺寸进一步提高了时间效率，解决了多尺度检测时检测框的密度不一致的问题。在关键点对齐阶段中使用LBP特征和DAISY特征融合作为特征描述符，保证旋转不变的前提下又增加了方向信息。
(4)识别考勤模块，其用于将人脸关键点的特征描述与考勤数据库中的人脸匹配，选取欧式距离计算的最小值作为识别结果，完成相应人脸的考勤签到。
考勤数据库预先存储有确定人脸标签的正脸图像，左旋转30°图像，右旋转30°图像，上仰30°图像以及低头30°图像。
在其他实施例中，提供了一种多角度多人脸识别考勤***，包括：
(1)图像采集装置，其被配置为采集多个人脸图像，其中每个人脸至少从两个角度拍摄。
以教室考勤且图像采集装置采用摄像头为例：
教室内安装一组摄像机(例如：三个)，摄像机为高清可变焦摄像机。1号摄像机(作为主摄像机)放置在教室内黑板正上方，用于采集全部座位上的学员正脸。若仅采用1号摄像机存在两个问题：教室前后距离大，导致与摄像机对面最后一排的学员人脸在采集的图片中分辨率过小，特征重叠，易遗漏；采集的角度单一，图片中会存在学生间相互遮挡，极端姿态或者桌面、电脑隔板等物品的遮挡，难以识别。为解决以上问题，将2号摄像机(作为辅摄像机)放置在前后门测墙面天花板的中间位置，主要用于弥补1号摄像机对后排学生拍摄不清晰的缺陷；3号摄像机(作为辅摄像机)放在教室讲台远离前门的一侧，主要用于弥补1号摄像机采集时出现的遮挡问题。1号、2号、3号摄像机互相补充单独采集时的不足，增大了摄像头的摄取范围，减少了出现极端姿态的情况，确保采集到的图片包含全部在座学员的可识别的人脸。
(2)人脸识别考勤服务器，其被配置为：
接收多个人脸图像，其中每个人脸至少从两个角度拍摄；
使用FaceBoxes人脸检测器检测多人脸图像，得到相应人脸框图像；
在特征点附近随机选择点来学习人脸框图像中的LBP特征和DAISY特征，进行特征融合后输入至基于cascade级联的随机森林模型作全局线性回归，检测出人脸关键点并给出相应特征描述；
将人脸关键点的特征描述与考勤数据库中的人脸匹配，选取欧式距离计算的最小值作为识别结果，完成相应人脸的考勤签到。
以教室考勤为例：
如图2所示，考勤数据库中存储有每张人脸图像与学员信息的匹配关系，摄像机与教室的对应关系，课程与班级的排课关系。其中，摄像机用于采集步骤S101中接收的图像。其中，在录入学员信息时，必须包含学号、班级与人脸图像信息；摄像机序号与教室唯一绑定；待课表上传至数据库后，班级与上课教室对应关系建立完成。
考勤记录班级每位学员第一次匹配成功的时间，即为签到时间。未完成考勤签到，需要基于两种情况进行判断：检测的人脸数量与班级人数相同；检测的人脸数量小于班级人数。无论人脸数量与班级人数之间存在何种大小关系，都需要根据数据库中的匹配结果和具体的请假情况，判断是否出现迟到、旷课早退或者被替课情况。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一所述的多角度多人脸识别考勤方法中的步骤。
实施例四
本实施例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程序，所述处理器执行所述程序时实现如实施例一所述的多角度多人脸识别考勤方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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一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磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。

Claims (8)

1.一种多角度多人脸识别考勤方法，其特征在于，包括：
接收多个人脸图像，其中每个人脸至少从两个角度拍摄；
使用FaceBoxes人脸检测器检测多人脸图像，得到相应人脸框图像；所述FaceBoxes人脸检测器由快速消化的卷积层和多尺度卷积层组成，仅包含一个完全卷积的神经网络；具体的，将获取的图片输入到已经训练好的网络模型中，在RDCL层中配合原图尺度降低，卷积核选择合适的尺度来获取更多的图片特征信息，并使用激活函数C.ReLU进行加速；在MSCL层处理不同尺度的信息，得到人脸框图像；
在特征点附近随机选择点学习人脸框图像中的LBP特征和DAISY特征，进行特征融合后，输入至基于cascade级联的随机森林模型作全局线性回归，检测出人脸关键点并给出相应特征描述；
将人脸关键点的特征描述与考勤数据库中的人脸匹配，选取欧式距离计算的最小值作为识别结果，完成相应人脸的考勤签到。
2.如权利要求1所述的多角度多人脸识别考勤方法，其特征在于，在快速消化的卷积层中，使用激活函数C.ReLU进行加速卷积运算。
3.如权利要求1所述的多角度多人脸识别考勤方法，其特征在于，多人脸图像中至少存在正脸图像。
4.一种多角度多人脸识别考勤***，其特征在于，包括：
图像接收模块，其用于接收多个人脸图像，其中每个人脸至少从两个角度拍摄；
人脸框检测模块，其用于使用FaceBoxes人脸检测器检测多人脸图像，得到相应人脸框图像；所述FaceBoxes人脸检测器由快速消化的卷积层和多尺度卷积层组成，仅包含一个完全卷积的神经网络；具体的，将获取的图片输入到已经训练好的网络模型中，在RDCL层中配合原图尺度降低，卷积核选择合适的尺度来获取更多的图片特征信息，并使用激活函数C.ReLU进行加速；在MSCL层处理不同尺度的信息，得到人脸框图像；
关键点检测模块，其用于在特征点附近随机选择点学习人脸框图像中的LBP特征和DAISY特征，进行特征融合后输入至基于cascade级联的随机森林模型作全局线性回归，检测出人脸关键点并给出相应特征描述；
识别考勤模块，其用于将人脸关键点的特征描述与考勤数据库中的人脸匹配，选取欧式距离计算的最小值作为识别结果，完成相应人脸的考勤签到。
5.如权利要求4所述的多角度多人脸识别考勤***，其特征在于，多人脸图像中至少存在正脸图像。
6.一种多角度多人脸识别考勤***，其特征在于，包括：
图像采集装置，其被配置为采集多个人脸图像，其中每个人脸至少从两个角度拍摄；
人脸识别考勤服务器，其被配置为：
接收多个人脸图像，其中每个人脸至少从两个角度拍摄；
使用FaceBoxes人脸检测器检测多人脸图像，得到相应人脸框图像；所述FaceBoxes人脸检测器由快速消化的卷积层和多尺度卷积层组成，仅包含一个完全卷积的神经网络；具体的，将获取的图片输入到已经训练好的网络模型中，在RDCL层中配合原图尺度降低，卷积核选择合适的尺度来获取更多的图片特征信息，并使用激活函数C.ReLU进行加速；在MSCL层处理不同尺度的信息，得到人脸框图像；
在特征点附近随机选择点学习人脸框图像中的LBP特征和DAISY特征，进行特征融合后输入至基于cascade级联的随机森林模型作全局线性回归，检测出人脸关键点并给出相应特征描述；
将人脸关键点的特征描述与考勤数据库中的人脸匹配，选取欧式距离计算的最小值作为识别结果，完成相应人脸的考勤签到。
7.一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，该程序被处理器执行时实现如权利要求1-3中任一项所述的多角度多人脸识别考勤方法中的步骤。
8.一种计算机设备，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程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3中任一项所述的多角度多人脸识别考勤方法中的步骤。
CN202010565170.XA 2020-06-19 2020-06-19 一种多角度多人脸识别考勤方法及*** Active CN112001219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010565170.XA CN112001219B (zh) 2020-06-19 2020-06-19 一种多角度多人脸识别考勤方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010565170.XA CN112001219B (zh) 2020-06-19 2020-06-19 一种多角度多人脸识别考勤方法及***

Publications (2)

Publication Number Publication Date
CN112001219A CN112001219A (zh) 2020-11-27
CN112001219B true CN112001219B (zh) 2024-02-09

Family

ID=73467865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010565170.XA Active CN112001219B (zh) 2020-06-19 2020-06-19 一种多角度多人脸识别考勤方法及***

Country Status (1)

Country Link
CN (1) CN112001219B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668480B (zh) * 2020-12-29 2023-08-04 上海高德威智能交通***有限公司 头部姿态角检测方法、装置、电子设备及存储介质
CN113870453A (zh) * 2021-09-15 2021-12-31 温州大学大数据与信息技术研究院 一种基于人脸识别的学生考勤管理设备
CN114241590B (zh) * 2022-02-28 2022-07-22 深圳前海清正科技有限公司 一种自学习式人脸识别终端
CN114898480A (zh) * 2022-04-12 2022-08-12 广东职业技术学院 一种基于物联网的考勤方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984941A (zh) * 2014-06-10 2014-08-13 深圳市赛为智能股份有限公司 人脸识别考勤方法及其装置
WO2016110005A1 (zh) * 2015-01-07 2016-07-14 深圳市唯特视科技有限公司 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法
CN109543648A (zh) * 2018-11-30 2019-03-29 公安部交通管理科学研究所 一种过车图片中人脸提取方法
CN109740501A (zh) * 2018-12-28 2019-05-10 广东亿迅科技有限公司 一种人脸识别的考勤方法和装置
CN109903412A (zh) * 2019-02-01 2019-06-18 北京清帆科技有限公司 一种基于人脸识别技术的智能课堂考勤***
CN110119673A (zh) * 2019-03-27 2019-08-13 广州杰赛科技股份有限公司 无感人脸考勤方法、装置、设备及存储介质
CN110443577A (zh) * 2019-07-31 2019-11-12 世纪海航(厦门)科技有限公司 一种基于人脸识别的校园考勤***
CN110852704A (zh) * 2019-10-22 2020-02-28 佛山科学技术学院 基于密集微小人脸识别的考勤方法、***、设备及介质
CN110852703A (zh) * 2019-10-22 2020-02-28 佛山科学技术学院 基于侧脸多特征融合人脸识别的考勤方法、***、设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514432B (zh) * 2012-06-25 2017-09-01 诺基亚技术有限公司 人脸特征提取方法、设备和计算机程序产品

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984941A (zh) * 2014-06-10 2014-08-13 深圳市赛为智能股份有限公司 人脸识别考勤方法及其装置
WO2016110005A1 (zh) * 2015-01-07 2016-07-14 深圳市唯特视科技有限公司 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法
CN109543648A (zh) * 2018-11-30 2019-03-29 公安部交通管理科学研究所 一种过车图片中人脸提取方法
CN109740501A (zh) * 2018-12-28 2019-05-10 广东亿迅科技有限公司 一种人脸识别的考勤方法和装置
CN109903412A (zh) * 2019-02-01 2019-06-18 北京清帆科技有限公司 一种基于人脸识别技术的智能课堂考勤***
CN110119673A (zh) * 2019-03-27 2019-08-13 广州杰赛科技股份有限公司 无感人脸考勤方法、装置、设备及存储介质
CN110443577A (zh) * 2019-07-31 2019-11-12 世纪海航(厦门)科技有限公司 一种基于人脸识别的校园考勤***
CN110852704A (zh) * 2019-10-22 2020-02-28 佛山科学技术学院 基于密集微小人脸识别的考勤方法、***、设备及介质
CN110852703A (zh) * 2019-10-22 2020-02-28 佛山科学技术学院 基于侧脸多特征融合人脸识别的考勤方法、***、设备及介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
基于MTCNN和Facenet的人脸识别;刘长伟;;邮电设计技术(第02期);全文 *
基于个性特征的实时人脸比对方法;王雄伟;詹永照;文传军;陈长军;;计算机工程与设计(16);全文 *
基于人脸识别技术的高校课堂自动考勤管理***;巫春玲;冯志文;钟沈豪;荆明;;智能建筑与智慧城市(第05期);全文 *
基于随机森林回归的人脸特征点定位;刘仁明;毛建旭;历艳琨;;电子测量与仪器学报(05);全文 *
多视角级联回归模型人脸特征点定位;贾项南;于凤芹;陈莹;;计算机工程与应用(第10期);第1-3节 *

Also Published As

Publication number Publication date
CN112001219A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN112001219B (zh) 一种多角度多人脸识别考勤方法及***
Bergmann et al. The MVTec anomaly detection dataset: a comprehensive real-world dataset for unsupervised anomaly detection
CN111104816B (zh) 一种目标物的姿态识别方法、装置及摄像机
Seguí et al. Learning to count with deep object features
CN109410168B (zh) 用于确定图像中的子图块类别的卷积神经网络的建模方法
CN109359539B (zh) 注意力评估方法、装置、终端设备及计算机可读存储介质
CN106951870B (zh) 主动视觉注意的监控视频显著事件智能检测预警方法
CN105574550A (zh) 一种车辆识别方法及装置
CN109829467A (zh) 图像标注方法、电子装置及非暂态电脑可读取储存媒体
CN105590099B (zh) 一种基于改进卷积神经网络的多人行为识别方法
CN108986075A (zh) 一种优选图像的判断方法及装置
Yang et al. MGC-VSLAM: A meshing-based and geometric constraint VSLAM for dynamic indoor environments
CN104636749A (zh) 目标对象检测方法及装置
CN109544592A (zh) 针对相机移动的运动目标检测算法
CN109919223B (zh) 基于深度神经网络的目标检测方法及装置
CN103065163B (zh) 一种基于静态图片的快速目标检测识别***及方法
CN110765814A (zh) 一种黑板书写行为识别方法、装置及摄像机
Zhou et al. Who are raising their hands? Hand-raiser seeking based on object detection and pose estimation
CN115147644A (zh) 图像描述模型的训练和描述方法、***、设备及存储介质
Wang et al. Yolov5 enhanced learning behavior recognition and analysis in smart classroom with multiple students
CN105631410B (zh) 一种基于智能视频处理技术的课堂检测方法
Ashwinkumar et al. Deep learning based approach for facilitating online proctoring using transfer learning
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法
CN110765953A (zh) 一种多媒体教学教师签到监控方法及***
Li et al. Multi-scale convolutional neural networks for natural scene license plate detection

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