CN117935341B - 一种基于人脸识别自动签到的方法 - Google Patents
一种基于人脸识别自动签到的方法 Download PDFInfo
- Publication number
- CN117935341B CN117935341B CN202410324872.7A CN202410324872A CN117935341B CN 117935341 B CN117935341 B CN 117935341B CN 202410324872 A CN202410324872 A CN 202410324872A CN 117935341 B CN117935341 B CN 117935341B
- Authority
- CN
- China
- Prior art keywords
- face
- recognition
- face recognition
- triangular
- characteristic points
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000001815 facial effect Effects 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Collating Specific Patterns (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明涉及电子签到技术领域,具体涉及一种基于人脸识别自动签到的方法,包括将需要被识别的人员信息进行录入,将被识别的人员的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系存入第一识别库中,将被识别的人员的姓名和脸部图像放入第二识别库中;提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点的三角关系与第一识别库中的三角关系进行对比,若对比成功,则再进行对应的脸部图像进行识别对比,比对成功则签到;本发明通过利用肩部宽度间距够大,容易识别的特点,结合鼻尖处形成三角关系,提高标定特征点的效率;再结合一个三角关系可能对应若干个人脸信息,无需比对整个第二识别库内的所有信息,进而提升识别的准确性和速度。
Description
技术领域
本发明涉及电子签到技术领域,具体涉及一种基于人脸识别自动签到的方法。
背景技术
随着各类电子化产品的应用和普及,电子签到在会议签到、员工上班签到、学生上课签到等领域得到了广泛应用。
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关技术,通常也叫做人像识别、面部识别。
在大学院校等开放式学府中,老师在上课的时候都会点名来确认学生的出勤情况,传统的点名方式既浪费了上课的时间,且很多冒认点名的学生让老师无法正确的统计学生的出勤率,尤其是学生较多的大课。现有技术的教室签到机结构单一,功能单一;当学生集中的时候,一般教室签到机无法满足使用需求,签到速度过慢,导致很多学生来不及在课前完成签到而影响出勤率;而签到速度过慢的原因包括摄像头的识别精度不高,需要学生在固定的区间内才能识别,同时现有的人脸识别是采用68个特征点进行定位识别,而这68个点都集中在人脸上,导致识别困难,同时对摄像头精度要求高,如果不清晰,则需要重新识别,造成识别速度慢;并且现有的摄像头会把肩部一起拍进去,而现有的人脸识别则需要剔除肩膀后提取人脸再进行识别,导致识别速度慢;因此需要一种新的识别方法来提升识别速度。
发明内容
本发明所要解决的技术问题是:提供一种通过重新规划特征点进行定位识别的基于人脸识别自动签到的方法。
为了解决上述技术问题,本发明采用的技术方案为:一种基于人脸识别自动签到的方法,包括:
建立识别库,将需要被识别的人员信息进行录入,人员信息包括姓名和人像,所述人像包括脸部和肩部,所述脸部具有满足人脸识别的多个特征点,所述特征点包括鼻尖特征点,所述肩部最外两侧具有左肩特征点和右肩特征点;
将被识别的人员的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系存入第一识别库中,将被识别的人员的姓名和脸部图像放入第二识别库中,同时对三角关系、脸部图像和姓名建立联系;每一所述三角关系对应若干脸部图像信息;
人脸识别,抓取在现场动态抓取到的视频帧并实时检测视频中的人脸,若不存在人脸则不动作,若存在人脸,则判断视频帧的图像中是否包含可识别的左肩特征点和右肩特征点,若否则直接提取人脸的特征点与第二识别库内的脸部进行识别对比,比对成功则提取姓名,否则重新进行人脸识别;若存在可识别的左肩特征点和右肩特征点,则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系与第一识别库中的三角关系进行对比,若对比成功,则对该三角关系对应的第二识别库内的若干脸部图像进行识别对比,比对成功则提取姓名,否则重新进行人脸识别;
自动签到,对被提取姓名的人员进行签到成功显示,并形成签到记录。
优选地,所述三角关系为三角面积或者鼻尖特征点与左肩特征点和右肩特征点三者形成的夹角。
优选地,所述三角关系为三角面积时,则人脸识别中的“则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系与第一识别库中的三角关系进行对比”进一步包括:
则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系,并对该三角关系形成三角面积±5%的区间与第一识别库中的三角关系进行对比,若第一识别库中的三角关系形成的面积值在区间内,则认定对比成功。
优选地,所述三角关系为鼻尖特征点与左肩特征点和右肩特征点三者形成的夹角,则人脸识别中的“则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系与第一识别库中的三角关系进行对比”进一步包括:
则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系,并对该三角关系形成夹角角度±2°的区间与第一识别库中的三角关系进行对比,若第一识别库中的三角关系形成的夹角值在区间内,则认定对比成功。
从上述描述可知,通过三角面积±5%的区间、夹角角度±2°的区间,二者为长期测试获得的经验值,在这两种情况下判断的准确率最高。
优选地,“抓取在现场动态抓取到的视频帧并实时检测视频中的人脸”进一步包括:
抓取在现场动态抓取到的视频帧并实时检测视频中的人脸从视频帧中获取的N张人脸进行人脸形状识别,选择多张具有人脸形状的照片,进行同步人脸识别。
优选地,人脸识别时若视频帧中出现多张人脸,则按照图像占比从大到小排序进行人脸识别。
优选地,排序进行人脸识别的过程中,若存在现场动态抓取到的视频帧并实时检测视频中的人脸,则实时检测到的人脸优先进行人脸识别。
优选地,提取姓名后判断姓名是否在签到记录内,若是则终止,若否则继续。
优选地,重新进行人脸识别的次数为一次,第二次则认定为签到失败,并将视频帧的图像进行同步保存,等待工作人员核实该人员身份。
优选地,签到记录自动计算签到成功的人数,同时记录签到失败的人数,以及签到成功和签到失败的总人数。
本发明的有益效果在于:通过利用肩部宽度间距够大,容易识别的特点,结合鼻尖处形成三角关系,这三个的特征点明显,容易在图像中进行提取,能够提高标定特征点的效率,避免的传统的人脸识别是对图像进行所有标点后再逐一识别,甚至会出现摄像头分辨率不够而导致标定特征点失败继而导致识别失败情况,由于三者位置比较固定,不容易受到表情变化的影响;再结合一个三角关系可能对应若干个人脸信息,进而是进行人脸识别时比对的人脸信息只有几个,无需比对整个第二识别库内的所有信息,进而提升识别的准确性和速度,实现提升自动签到的速度;同时抓取的视频帧图像可以直接对比第一识别库和第二识别库,只要能够满足其中一种情况就可以进行识别,克服现有技术中需要额外剔除肩部的要求,由于节省的剔除步骤,也能够在识别的速度上进行提升,继而进一步提升自动签到的速度。
附图说明
图1为本发明具体实施方式的一种基于人脸识别自动签到的方法的基本逻辑示意图;
图2为本发明具体实施例一的一种基于人脸识别自动签到的方法的特征点分布以及识别方式的示意图;
图3为本发明具体实施例二的一种基于人脸识别自动签到的方法的特征点分布以及识别方式的示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
请参照图1至图3,一种基于人脸识别自动签到的方法,包括:
建立识别库,将需要被识别的人员信息进行录入,人员信息包括姓名和人像,所述人像包括脸部和肩部,所述脸部具有满足人脸识别的多个特征点,所述特征点包括鼻尖特征点,所述肩部最外两侧具有左肩特征点和右肩特征点;
将被识别的人员的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系存入第一识别库中,将被识别的人员的姓名和脸部图像放入第二识别库中,同时对三角关系、脸部图像和姓名建立联系;每一所述三角关系对应若干脸部图像信息;
人脸识别,抓取在现场动态抓取到的视频帧并实时检测视频中的人脸,若不存在人脸则不动作,若存在人脸,则判断视频帧的图像中是否包含可识别的左肩特征点和右肩特征点,若否则直接提取人脸的特征点与第二识别库内的脸部进行识别对比,比对成功则提取姓名,否则重新进行人脸识别;若存在可识别的左肩特征点和右肩特征点,则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系与第一识别库中的三角关系进行对比,若对比成功,则对该三角关系对应的第二识别库内的若干脸部图像进行识别对比,比对成功则提取姓名,否则重新进行人脸识别;
自动签到,对被提取姓名的人员进行签到成功显示,并形成签到记录。
从上述描述可知,通过利用肩部宽度间距够大,容易识别的特点,结合鼻尖处形成三角关系,这三个的特征点明显,容易在图像中进行提取,能够提高标定特征点的效率,避免的传统的人脸识别是对图像进行所有标点后再逐一识别,甚至会出现摄像头分辨率不够而导致标定特征点失败继而导致识别失败情况,由于三者位置比较固定,不容易受到表情变化的影响;再结合一个三角关系可能对应若干个人脸信息,进而是进行人脸识别时比对的人脸信息只有几个,无需比对整个第二识别库内的所有信息,进而提升识别的准确性和速度;同时抓取的视频帧图像可以直接对比第一识别库和第二识别库,只要能够满足其中一种情况就可以进行识别,克服现有技术中需要额外剔除肩部的要求,由于节省的剔除步骤,也能够在识别的速度上进行提升。
进一步的,所述三角关系为三角面积或者鼻尖特征点与左肩特征点和右肩特征点三者形成的夹角。
进一步的,所述三角关系为三角面积时,则人脸识别中的“则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系与第一识别库中的三角关系进行对比”进一步包括:
则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系,并对该三角关系形成三角面积±5%的区间与第一识别库中的三角关系进行对比,若第一识别库中的三角关系形成的面积值在区间内,则认定对比成功。
进一步的,所述三角关系为鼻尖特征点与左肩特征点和右肩特征点三者形成的夹角,则人脸识别中的“则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系与第一识别库中的三角关系进行对比”进一步包括:
则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系,并对该三角关系形成夹角角度±2°的区间与第一识别库中的三角关系进行对比,若第一识别库中的三角关系形成的夹角值在区间内,则认定对比成功。
从上述描述可知,通过三角面积±5%的区间、夹角角度±2°的区间,二者为长期测试获得的经验值,在这两种情况下判断的准确率最高。
进一步的,“抓取在现场动态抓取到的视频帧并实时检测视频中的人脸”进一步包括:
抓取在现场动态抓取到的视频帧并实时检测视频中的人脸从视频帧中获取的N张人脸进行人脸形状识别,选择多张具有人脸形状的照片,进行同步人脸识别。
从上述描述可知,通过多张人脸进行同步识别,能够提升识别的效率和准确度,避免每次只获取一张照片而造成识别不清的问题。
进一步的,人脸识别时若视频帧中出现多张人脸,则按照图像占比从大到小排序进行人脸识别。
从上述描述可知,通过选择占比从大到小的筛选人脸的方式,能够方便,方便识别人员的人脸识别。
进一步的,排序进行人脸识别的过程中,若存在现场动态抓取到的视频帧并实时检测视频中的人脸,则实时检测到的人脸优先进行人脸识别。
从上述描述可知,通过排队的关系,利用间隔等待时间或者进行人脸识别,而不影响正常的人脸识别进程,能够提升效率。
进一步的,提取姓名后判断姓名是否在签到记录内,若是则终止,若否则继续。
从上述描述可知,通过增加一个判定,避免重复签到的问题。
进一步的,重新进行人脸识别的次数为一次,第二次则认定为签到失败,并将视频帧的图像进行同步保存,等待工作人员核实该人员身份。
从上述描述可知,通过仅有一次的人脸识别失败的次数,在第二次失败了就进行人工核验,能够提升效率,避免单个人员总是失败的而导致一直重复识别而造成其他人员无法识别的问题。
进一步的,签到记录自动计算签到成功的人数,同时记录签到失败的人数,以及签到成功和签到失败的总人数。
从上述描述可知,通过计算总人数、成功人数和失败人数,能够方便工作人员一目了然,提升效率。
实施例一
一种基于人脸识别自动签到的方法,包括:
建立识别库,将需要被识别的人员信息进行录入,人员信息包括姓名和人像,所述人像包括脸部和肩部,所述脸部具有满足人脸识别的多个特征点,所述特征点包括鼻尖特征点,所述肩部最外两侧具有左肩特征点和右肩特征点;
将被识别的人员的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系存入第一识别库中,将被识别的人员的姓名和脸部图像放入第二识别库中,同时对三角关系、脸部图像和姓名建立联系;每一所述三角关系对应若干脸部图像信息;
人脸识别,抓取在现场动态抓取到的视频帧并实时检测视频中的人脸,若不存在人脸则不动作,若存在人脸,则判断视频帧的图像中是否包含可识别的左肩特征点和右肩特征点,若否则直接提取人脸的特征点与第二识别库内的脸部进行识别对比,比对成功则提取姓名,否则重新进行人脸识别;若存在可识别的左肩特征点和右肩特征点,则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系与第一识别库中的三角关系进行对比,若对比成功,则对该三角关系对应的第二识别库内的若干脸部图像进行识别对比,比对成功则提取姓名,否则重新进行人脸识别;
自动签到,对被提取姓名的人员进行签到成功显示,并形成签到记录。
其中,
“脸部具有满足人脸识别的多个特征点”进一步包括:
该项特征为现有技术中常用的68特征点进行识别,参见图2脸部上68个点;同时鼻尖特征点为30号点,左肩特征点和右肩特征点可以设定为68号和69号点(现有的序号起始从0号开始),除点30、68、69,其他的点未在图中进行标注;鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系(三角面积)如图2所示。
所述三角关系为三角面积时,则人脸识别中的“则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系与第一识别库中的三角关系进行对比”进一步包括:
则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系,并对该三角关系形成三角面积±5%的区间与第一识别库中的三角关系进行对比,若第一识别库中的三角关系形成的面积值在区间内,则认定对比成功。
“抓取在现场动态抓取到的视频帧并实时检测视频中的人脸”进一步包括:
抓取在现场动态抓取到的视频帧并实时检测视频中的人脸从视频帧中获取的N(N>0)张人脸进行人脸形状识别,选择多张具有人脸形状的照片,进行同步人脸识别。
人脸识别时若视频帧中出现多张人脸,则按照图像占比从大到小排序进行人脸识别。
排序进行人脸识别的过程中,若存在现场动态抓取到的视频帧并实时检测视频中的人脸,则实时检测到的人脸优先进行人脸识别。
提取姓名后判断姓名是否在签到记录内,若是则终止,若否则继续。
重新进行人脸识别的次数为一次,第二次则认定为签到失败,并将视频帧的图像进行同步保存,等待工作人员核实该人员身份。
签到记录自动计算签到成功的人数,同时记录签到失败的人数,以及签到成功和签到失败的总人数。
实施例二
一种基于人脸识别自动签到的方法,与实施例一相同之处不再赘述,其中,
“脸部具有满足人脸识别的多个特征点”进一步包括:
该项特征为现有技术中常用的68特征点进行识别,参见图3脸部上68个点;同时鼻尖特征点为30号点,左肩特征点和右肩特征点可以设定为68号和69号点(现有的序号起始从0号开始),除点30、68、69,其他的点未在图中进行标注;鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系(夹角)如图3所示。
所述三角关系为鼻尖特征点与左肩特征点和右肩特征点三者形成的夹角,则人脸识别中的“则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系与第一识别库中的三角关系进行对比”进一步包括:
则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系,并对该三角关系形成夹角角度±2°的区间与第一识别库中的三角关系进行对比,若第一识别库中的三角关系形成的夹角值在区间内,则认定对比成功。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于人脸识别自动签到的方法,其特征在于,包括:
建立识别库,将需要被识别的人员信息进行录入,人员信息包括姓名和人像,所述人像包括脸部和肩部,所述脸部具有满足人脸识别的多个特征点,所述特征点包括鼻尖特征点,所述肩部最外两侧具有左肩特征点和右肩特征点;
将被识别的人员的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系存入第一识别库中,将被识别的人员的姓名和脸部图像放入第二识别库中,同时对三角关系、脸部图像和姓名建立联系;每一所述三角关系对应若干脸部图像信息;
人脸识别,抓取在现场动态抓取到的视频帧并实时检测视频中的人脸,若不存在人脸则不动作,若存在人脸,则判断视频帧的图像中是否包含可识别的左肩特征点和右肩特征点,若否则直接提取人脸的特征点与第二识别库内的脸部进行识别对比,比对成功则提取姓名,否则重新进行人脸识别;若存在可识别的左肩特征点和右肩特征点,则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系与第一识别库中的三角关系进行对比,若对比成功,则对该三角关系对应的第二识别库内的若干脸部图像进行识别对比,比对成功则提取姓名,否则重新进行人脸识别;
自动签到,对被提取姓名的人员进行签到成功显示,并形成签到记录。
2.根据权利要求1所述的基于人脸识别自动签到的方法,其特征在于,所述三角关系为三角面积或者鼻尖特征点与左肩特征点和右肩特征点三者形成的夹角。
3.根据权利要求2所述的基于人脸识别自动签到的方法,其特征在于,所述三角关系为三角面积时,则人脸识别中的“则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系与第一识别库中的三角关系进行对比”进一步包括:
则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系,并对该三角关系形成三角面积±5%的区间与第一识别库中的三角关系进行对比,若第一识别库中的三角关系形成的面积值在区间内,则认定对比成功。
4.根据权利要求2所述的基于人脸识别自动签到的方法,其特征在于,所述三角关系为鼻尖特征点与左肩特征点和右肩特征点三者形成的夹角,则人脸识别中的“则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系与第一识别库中的三角关系进行对比”进一步包括:
则提取图像中人脸的鼻尖特征点、左肩特征点和右肩特征点三者构建的三角关系,并对该三角关系形成夹角角度±2°的区间与第一识别库中的三角关系进行对比,若第一识别库中的三角关系形成的夹角值在区间内,则认定对比成功。
5.根据权利要求1所述的基于人脸识别自动签到的方法,其特征在于,“抓取在现场动态抓取到的视频帧并实时检测视频中的人脸”进一步包括:
抓取在现场动态抓取到的视频帧并实时检测视频中的人脸,从视频帧中获取的N张人脸进行人脸形状识别,选择多张具有人脸形状的照片,进行同步人脸识别。
6.根据权利要求1所述的基于人脸识别自动签到的方法,其特征在于,人脸识别时若视频帧中出现多张人脸,则按照图像占比从大到小排序进行人脸识别。
7.根据权利要求6所述的基于人脸识别自动签到的方法,其特征在于,排序进行人脸识别的过程中,若存在现场动态抓取到的视频帧并实时检测视频中的人脸,则实时检测到的人脸优先进行人脸识别。
8.根据权利要求1所述的基于人脸识别自动签到的方法,其特征在于,提取姓名后判断姓名是否在签到记录内,若是则终止,若否则继续。
9.根据权利要求1所述的基于人脸识别自动签到的方法,其特征在于,重新进行人脸识别的次数为一次,第二次则认定为签到失败,并将视频帧的图像进行同步保存,等待工作人员核实该人员身份。
10.根据权利要求9所述的基于人脸识别自动签到的方法,其特征在于,签到记录自动计算签到成功的人数,同时记录签到失败的人数,以及签到成功和签到失败的总人数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410324872.7A CN117935341B (zh) | 2024-03-21 | 2024-03-21 | 一种基于人脸识别自动签到的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410324872.7A CN117935341B (zh) | 2024-03-21 | 2024-03-21 | 一种基于人脸识别自动签到的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117935341A CN117935341A (zh) | 2024-04-26 |
CN117935341B true CN117935341B (zh) | 2024-06-04 |
Family
ID=90755943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410324872.7A Active CN117935341B (zh) | 2024-03-21 | 2024-03-21 | 一种基于人脸识别自动签到的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117935341B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780810A (zh) * | 2016-12-06 | 2017-05-31 | 浙江水马环保科技有限公司 | 基于***的考勤方法 |
CN109359625A (zh) * | 2018-11-16 | 2019-02-19 | 南京甄视智能科技有限公司 | 基于头肩检测和人脸识别技术判断顾客身份的方法和*** |
CN109685025A (zh) * | 2018-12-27 | 2019-04-26 | 中科院合肥技术创新工程院 | 肩部特征和坐姿行为识别方法 |
CN109872160A (zh) * | 2019-02-01 | 2019-06-11 | 广州逗号智能科技有限公司 | 电子支付方法及装置 |
CN109903410A (zh) * | 2019-01-23 | 2019-06-18 | 深圳壹账通智能科技有限公司 | 基于人脸识别的点名签到方法、装置、设备和存储介质 |
CN109979057A (zh) * | 2019-03-26 | 2019-07-05 | 国家电网有限公司 | 一种基于云计算的电力通信安防人脸智能识别*** |
CN110598647A (zh) * | 2019-09-17 | 2019-12-20 | 四川爱目视光智能科技有限公司 | 一种基于图像识别的头部姿态识别方法 |
CN110762411A (zh) * | 2019-11-05 | 2020-02-07 | 广东麒麟精工科技有限公司 | 一种基于机器识别的智能学习灯 |
CN111563452A (zh) * | 2020-05-06 | 2020-08-21 | 南京师范大学镇江创新发展研究院 | 一种基于实例分割的多人体姿态检测及状态判别方法 |
JP2021007028A (ja) * | 2020-09-24 | 2021-01-21 | 日本電気株式会社 | 情報処理システム、認証対象の管理方法、及びプログラム |
CN113537019A (zh) * | 2021-07-07 | 2021-10-22 | 智洋创新科技股份有限公司 | 基于关键点识别变电站人员安全帽佩戴的检测方法 |
-
2024
- 2024-03-21 CN CN202410324872.7A patent/CN117935341B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780810A (zh) * | 2016-12-06 | 2017-05-31 | 浙江水马环保科技有限公司 | 基于***的考勤方法 |
CN109359625A (zh) * | 2018-11-16 | 2019-02-19 | 南京甄视智能科技有限公司 | 基于头肩检测和人脸识别技术判断顾客身份的方法和*** |
CN109685025A (zh) * | 2018-12-27 | 2019-04-26 | 中科院合肥技术创新工程院 | 肩部特征和坐姿行为识别方法 |
CN109903410A (zh) * | 2019-01-23 | 2019-06-18 | 深圳壹账通智能科技有限公司 | 基于人脸识别的点名签到方法、装置、设备和存储介质 |
CN109872160A (zh) * | 2019-02-01 | 2019-06-11 | 广州逗号智能科技有限公司 | 电子支付方法及装置 |
CN109979057A (zh) * | 2019-03-26 | 2019-07-05 | 国家电网有限公司 | 一种基于云计算的电力通信安防人脸智能识别*** |
CN110598647A (zh) * | 2019-09-17 | 2019-12-20 | 四川爱目视光智能科技有限公司 | 一种基于图像识别的头部姿态识别方法 |
CN110762411A (zh) * | 2019-11-05 | 2020-02-07 | 广东麒麟精工科技有限公司 | 一种基于机器识别的智能学习灯 |
CN111563452A (zh) * | 2020-05-06 | 2020-08-21 | 南京师范大学镇江创新发展研究院 | 一种基于实例分割的多人体姿态检测及状态判别方法 |
JP2021007028A (ja) * | 2020-09-24 | 2021-01-21 | 日本電気株式会社 | 情報処理システム、認証対象の管理方法、及びプログラム |
CN113537019A (zh) * | 2021-07-07 | 2021-10-22 | 智洋创新科技股份有限公司 | 基于关键点识别变电站人员安全帽佩戴的检测方法 |
Non-Patent Citations (1)
Title |
---|
高清人像抓拍检索***的设计与实现;顾志松;沈春锋;姚文韬;董文生;;控制工程;20150720(第S1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117935341A (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105551104B (zh) | 一种基于监控图像座位判别的中小学课堂自动考勤*** | |
CN110267061B (zh) | 一种新闻拆条方法及*** | |
CN107481343A (zh) | 一种基于人脸识别技术的课堂考勤签到***及其工作方法 | |
CN109284733A (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 | |
CN109740501A (zh) | 一种人脸识别的考勤方法和装置 | |
CN109858371A (zh) | 人脸识别的方法及装置 | |
CN108154304A (zh) | 具有教学质量评估功能的服务器 | |
CN106250825A (zh) | 一种在医保应用中场景自适应的人脸识别*** | |
CN105989363B (zh) | 多角度人脸图片库的建立方法 | |
CN104183029A (zh) | 一种便携式快速人群考勤方法 | |
Chowdhury et al. | Development of an automatic class attendance system using cnn-based face recognition | |
CN102194106B (zh) | 一种用于门禁***中的人脸识别方法 | |
CN110827432A (zh) | 一种基于人脸识别的课堂考勤方法及*** | |
CN114760442B (zh) | 一种用于在线教育管理用监控*** | |
CN113269903A (zh) | 人脸识别课堂考勤*** | |
JP4374609B2 (ja) | 人数計数装置 | |
CN109345427B (zh) | 一种结合人脸识别和行人识别技术的教室视频点到方法 | |
CN111611854A (zh) | 一种基于模式识别的课堂情况评价方法 | |
CN109903410A (zh) | 基于人脸识别的点名签到方法、装置、设备和存储介质 | |
CN108229124A (zh) | 一种自助查询打印人证比对设备***及其工作方法 | |
CN117935341B (zh) | 一种基于人脸识别自动签到的方法 | |
CN117218756B (zh) | 一种基于人脸识别的智能安全接送***及方法 | |
CN111582195B (zh) | 一种汉语唇语单音节识别分类器构建方法 | |
CN115294630A (zh) | 一种会议***及会议管理方法 | |
CN113052100A (zh) | 通行识别方法及相关装置 |
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 |