System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人脸识别,特别涉及基于人脸识别的智能考勤系统及其统计方法。
技术介绍
1、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识别的一系列相关技术。目前,人脸识别技术作为身份识别手段已经广泛应用于各种场景。
2、现有的采用人脸识别技术的智能考勤系统在采集人员对象的面部信息时,会受到外界环境因素,如拍摄面部图像时的人脸与采集设备之间的距离、角度及拍摄时的光照情况等因素的影响,导致在识别过程中无法快速匹配人脸特征,使得出现识别速度慢、甚至无法识别的现象。为此,我们提出基于人脸识别的智能考勤系统及其统计方法。
技术实现思路
1、本专利技术的主要目的在于提供基于人脸识别的智能考勤系统及其统计方法,可以有效解决
技术介绍
中的问题。
2、为实现上述目的,本专利技术采取的技术方案为:
3、基于人脸识别的智能考勤系统,包括信息采集模块、特征提取模块、人脸图像数据库,还包括自学习单元、特征匹配模块、中心管理平台;
4、所述人脸图像数据库用于存储考勤对象的人脸参考图像;
5、所述信息采集模块通过组网连接的智能化采集设备采集待考勤对象的面部识别图像及影响因素参数;
6、所述特征提取模块与所述信息采集模块连接,用于提取信息采集模块获取的面部识别图像的图像识别特征数据及参数识别特征;
7、所述自学习单元
8、所述特征匹配模块与所述特征提取模块及所述自学习单元连接,用于将图像识别特征数据与图像参考特征数据进行匹配,输出特征匹配结果;
9、所述中心管理平台与所述特征匹配模块连接,用于根据特征匹配结果判定考勤结果。
10、进一步的,所述自学习单元包括图像纵深转换模块、图像尺寸转换模块、图像分辨率转换模块、图像颜色转换模块、图像干扰转换模块;
11、所述图像纵深转换模块用于对所述人脸参考图像的纵深进行转化,获取多组纵深条件下的人脸参考图像;
12、所述图像尺寸转换模块用于对所述人脸参考图像的尺寸进行转化,获取多组尺寸的人脸参考图像;
13、所述图像分辨率转换模块用于对所述人脸参考图像的分辨率进行转化,获取多组分辨率条件下的人脸参考图像;
14、所述图像颜色转换模块用于对所述人脸参考图像的像素值进行转化,获取多组像素值条件下的人脸参考图像;
15、所述图像干扰转换模块用于对所述人脸参考图像添加干扰因素,获取多组含有干扰因素条件下的人脸参考图像。
16、进一步的,所述系统还包括存储器、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。
17、进一步的,所述系统还包括显示模块,所述显示模块与所述中心管理平台连接,用于当考勤结果判定结束时,向考勤对象输出考勤结果。
18、所述系统的考勤统计方法步骤包括:
19、步骤s1,采集所有考勤对象的人脸图像存储与人脸图像数据库中;
20、步骤s2,将人脸参考图像进行多维变换,提取变换后的所述人脸参考图像的图像参考特征数据及参数参考数据为输入进行训练得到神经网络模型,根据训练结果和实际报警结果的误差调整模型的隐含层数量至准确率不低于设定的期望值时完成模型构建;
21、步骤s3,通过组网连接的智能化采集设备采集待考勤对象的面部识别图像及影响因素参数,包括在获取面部识别图像时的人脸与采集设备之间的距离值参数、拍摄角度值参数、拍摄面积值参数及采集时刻的光照强度值参数;
22、步骤s4,提取信息采集模块获取的面部识别图像的图像识别特征数据及参数识别特征;
23、步骤s5,根据神经网络模型输出具有相同影响因素参数时面部识别图像的图像参考特征数据;
24、步骤s6,将图像识别特征数据与图像参考特征数据进行匹配,输出特征匹配结果;
25、步骤s7,根据特征匹配结果判定考勤结果,判定原则为:
26、当输出的特征匹配结果为匹配时,判定考勤成功;
27、当输出的特征匹配结果为不匹配时,判定考勤失败,并进行结果告知。
28、本专利技术具有如下有益效果:
29、(1)与现有技术相比,本专利技术技术方案通过采集所有考勤对象的人脸图像存储与人脸图像数据库中,将人脸参考图像进行多维变换,提取变换后的所述人脸参考图像的图像参考特征数据及参数参考数据为输入进行训练得到神经网络模型,通过组网连接的智能化采集设备采集待考勤对象的面部识别图像及影响因素参数,包括在获取面部识别图像时的人脸与采集设备之间的距离值参数、拍摄角度值参数、拍摄面积值参数及采集时刻的光照强度值参数,提取信息采集模块获取的面部识别图像的图像识别特征数据及参数识别特征,根据神经网络模型输出具有相同影响因素参数时面部识别图像的图像参考特征数据,将图像识别特征数据与图像参考特征数据进行匹配,输出特征匹配结果,根据特征匹配结果判定考勤结果,并进行结果告知,可以解决当进行考勤操作时外界环境对于图像获取的影响问题,能够提高考勤过程的速度及考勤结果的准确率。
本文档来自技高网...【技术保护点】
1.基于人脸识别的智能考勤系统,包括信息采集模块、特征提取模块、人脸图像数据库,其特征在于,还包括自学习单元、特征匹配模块、中心管理平台;
2.根据权利要求1所述的基于人脸识别的智能考勤系统,其特征在于,所述自学习单元包括图像纵深转换模块、图像尺寸转换模块、图像分辨率转换模块、图像颜色转换模块、图像干扰转换模块;
3.根据权利要求1所述的基于人脸识别的智能考勤系统,其特征在于:影响因素参数包括距离值参数、光照强度值参数、拍摄角度值参数、拍摄面积值参数。
4.根据权利要求1所述的基于人脸识别的智能考勤系统,其特征在于,特征匹配结果的获取方法步骤为:
5.根据权利要求1所述的基于人脸识别的智能考勤系统,其特征在于,考勤结果的判定原则为:
6.根据权利要求1所述的基于人脸识别的智能考勤系统,其特征在于,所述智能化采集设备包括人像采集设备、距离传感器、倾角传感器、光传感器。
7.根据权利要求1所述的基于人脸识别的智能考勤系统,其特征在于,神经网络模型的期望值的计算公式为,
8.根据权利要求1所述的基于人脸
9.根据权利要求1所述的基于人脸识别的智能考勤系统,其特征在于,所述系统还包括显示模块,所述显示模块与所述中心管理平台连接,用于当考勤结果判定结束时,向考勤对象输出考勤结果。
10.根据权利要求1所述的基于人脸识别的智能考勤系统,其特征在于,所述系统的考勤统计方法步骤包括:
...【技术特征摘要】
1.基于人脸识别的智能考勤系统,包括信息采集模块、特征提取模块、人脸图像数据库,其特征在于,还包括自学习单元、特征匹配模块、中心管理平台;
2.根据权利要求1所述的基于人脸识别的智能考勤系统,其特征在于,所述自学习单元包括图像纵深转换模块、图像尺寸转换模块、图像分辨率转换模块、图像颜色转换模块、图像干扰转换模块;
3.根据权利要求1所述的基于人脸识别的智能考勤系统,其特征在于:影响因素参数包括距离值参数、光照强度值参数、拍摄角度值参数、拍摄面积值参数。
4.根据权利要求1所述的基于人脸识别的智能考勤系统,其特征在于,特征匹配结果的获取方法步骤为:
5.根据权利要求1所述的基于人脸识别的智能考勤系统,其特征在于,考勤结果的判定原则为:
6.根据权利要求1所述的基于人脸...
【专利技术属性】
技术研发人员:郭小龙,吴海阳,王保根,胡林杰,牛河山,刘涛,
申请(专利权)人:镇江竤图物联科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。