本发明专利技术公开了一种一种考勤率统计方法、装置及智能平板。其中，该方法包括：获取目标区域的目标区域图像，其中，图像中包括位于目标区域中的全部目标对象；确定目标区域图像中的目标图像的数量，并将目标图像的数量作为目标对象的数量，其中，目标图像为目标对象的头部图像；比较目标对象的数量和应到数量来确定考勤率，其中，考勤率等于目标对象的数量与应到数量的比值。本发明专利技术解决了由于采用人脸识别或刷卡的方式对目标对象进行身份识别需要目标对象排队签到造成的考勤统计效率低的技术问题。象排队签到造成的考勤统计效率低的技术问题。象排队签到造成的考勤统计效率低的技术问题。
【技术实现步骤摘要】
一种考勤率统计方法、装置及智能平板
[0001]本专利技术涉及图像识别领域，具体而言，涉及一种一种考勤率统计方法、装置及智能平板。
技术介绍
[0002]在多数大学或实行走班制的学校，由于每节课的需到课人数不同，故统计考勤率相对比较有难度，很多时候需要靠教师人工点名/数人数的方式实现，效率低，影响正常教学。目前市面上常用的解决方案有两种，一种是电子班牌，采用这种方式需要让学生进门前刷卡或者进行人脸识别，导致学生需要排队签到，效率比较低；另一种则是独立摄像头+AI算法，需要使用独立的摄像头，配合AI算法实现到课人员计数，获取当前到课人数，但是采用这种方式需要额外部署一套摄像头装置，部署成本较高，并且额外设备本身的费用也较高，另外一般的摄像头视场角较小，较难完全覆盖整个教室场景。
[0003]针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
[0004]本专利技术实施例提供了一种一种考勤率统计方法、装置及智能平板，以至少解决由于采用人脸识别或刷卡的方式对目标对象进行身份识别需要目标对象排队签到造成的考勤统计效率低的技术问题。
[0005]根据本专利技术实施例的一个方面，提供了一种考勤率统计方法，包括：获取目标区域的目标区域图像，其中，图像中包括位于目标区域中的全部目标对象；确定目标区域图像中的目标图像的数量，并将目标图像的数量作为目标对象的数量，其中，目标图像为目标对象的头部图像；比较目标对象的数量和应到数量来确定考勤率，其中，考勤率等于目标对象的数量与应到数量的比值。
[0006]可选地，确定目标区域图像中的目标图像的数量包括：将目标区域图像输入至目标卷积神经网络中，其中，目标卷积神经网络为用于识别任意图像中是否存在目标图像的图像特征，以及任意图像中图像特征对应的目标图像的数量；获取目标卷积神经网络输出的目标区域图像中目标图像的数量。
[0007]可选地，将目标区域图像输入至目标卷积神经网络之前，考勤率统计方法还包括：获取训练图集，其中，训练图集中包含多张训练图像，多张训练图像中的每张训练图像中均包含目标图像；将训练图集输入至预训练卷积神经网络中，对预训练卷积神经网络进行训练，得到目标卷积神经网络。
[0008]可选地，多张训练图像中的每个训练图像中包含的目标图像为目标对象在特定姿态和特定环境下的头部图像。
[0009]可选地，确定目标区域图像中的目标图像的数量包括：确定图像中的多个子区域，其中，多个子区域中的每个子区域均对应目标区域中的一个座位；确定子区域中是否具有目标图像，并将具有目标图像的子区域作为目标子区域；统计目标子区域的数量，并将目标
子区域的数量作为目标图像的数量。
[0010]可选地，比较全部人员的人数和应到人数来确定考勤率之前，考勤率统计方法还包括：确定目标区域的教室编号；确定当前时间点；依据教室编号和当前时间点在教务系统中查询目标区域对应的应到人数。
[0011]根据本专利技术实施例的另一方面，还提供了一种考勤率统计装置，包括：采集模块，用于获取目标区域的目标区域图像，其中，图像中包括位于目标区域中的全部目标对象；处理模块，用于确定目标区域图像中的目标图像的数量，并将目标图像的数量作为目标对象的数量，其中，目标图像为目标对象的头部图像；计算模块，用于比较目标对象的数量和应到数量来确定考勤率，其中，考勤率等于目标对象的数量与应到数量的比值。
[0012]根据本专利技术实施例的另一方面，还提供了一种智能平板，包括超广角摄像头，处理器，通讯装置，其中，超广角摄像头，用于获取目标区域的目标区域图像，其中，图像中包括位于目标区域中的全部目标对象；通讯装置，用于从教务系统中获取目标区域对应的应到人数；处理器，用于确定目标区域图像中的目标图像的数量，并将目标图像的数量作为目标对象的数量，其中，目标图像为目标对象的头部图像；比较目标对象的数量和应到数量来确定考勤率，其中，考勤率等于目标对象的数量与应到数量的比值。
[0013]根据本专利技术实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，在程序运行时控制非易失性存储介质所在设备执行考勤率统计方法。
[0014]根据本专利技术实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行考勤率统计方法。
[0015]在本专利技术实施例中，采用获取目标区域的目标区域图像，其中，图像中包括位于目标区域中的全部目标对象；确定目标区域图像中的目标图像的数量，并将目标图像的数量作为目标对象的数量，其中，目标图像为目标对象的头部图像；比较目标对象的数量和应到数量来确定考勤率，其中，考勤率等于目标对象的数量与应到数量的比值的方式，通过检测目标区域图像中的目标对象的头部图像的数量，并将头部图像的数量作为目标对象的数量，达到了在目标对象入座后依然可以统计考勤率的目的，从而实现了避免统计考勤率时需要目标对象排队的技术效果，进而解决了由于采用人脸识别或刷卡的方式对目标对象进行身份识别需要目标对象排队签到造成的考勤统计效率低技术问题。
附图说明
[0016]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0017]图1是根据本专利技术实施例的一种考勤统计方法的方法流程图；
[0018]图2是根据本专利技术实施例的一种考勤率统计装置的结构示意图；
[0019]图3是根据本专利技术实施例的一种智能平板的结构示意图。
具体实施方式
[0020]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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
本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0021]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0022]根据本专利技术实施例，提供了一种考勤率统计方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0023]图1是根据本专利技术实施例的考勤率统计方法，如图1所示，该方法包括如下步骤：
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种考勤率统计方法，其特征在于，包括：获取目标区域的目标区域图像，其中，所述图像中包括位于目标区域中的全部目标对象；确定所述目标区域图像中的目标图像的数量，并将所述目标图像的数量作为所述目标对象的数量，其中，所述目标图像为所述目标对象的头部图像；比较所述目标对象的数量和应到数量来确定考勤率，其中，所述考勤率等于所述目标对象的数量与所述应到数量的比值。2.根据权利要求1所述的考勤率统计方法，其特征在于，确定所述目标区域图像中的目标图像的数量包括：将所述目标区域图像输入至目标卷积神经网络中，其中，所述目标卷积神经网络为用于识别任意图像中是否存在所述目标图像的图像特征，以及所述任意图像中所述图像特征对应的所述目标图像的数量；获取所述目标卷积神经网络输出的所述目标区域图像中所述目标图像的数量。3.根据权利要求2述的考勤率统计方法，其特征在于，将所述目标区域图像输入至目标卷积神经网络之前，所述考勤率统计方法还包括：获取训练图集，其中，所述训练图集中包含多张训练图像，所述多张训练图像中的每张训练图像中均包含所述目标图像；将所述训练图集输入至预训练卷积神经网络中，对所述预训练卷积神经网络进行训练，得到所述目标卷积神经网络。4.根据权利要求3述的考勤率统计方法，其特征在于，所述多张训练图像中的每个所述训练图像中包含的所述目标图像为所述目标对象在特定姿态和特定环境下的头部图像。5.根据权利要求1述的考勤率统计方法，其特征在于，确定所述目标区域图像中的目标图像的数量包括：确定所述图像中的多个子区域，其中，所述多个子区域中的每个子区域均对应所述目标区域中的一个座位；确定所述子区域中是否具有所述目标图像，并将具有所述目标图像的子区域作为目标子区域；统计所述目标子区域的数量，并将所述目标子区...
【专利技术属性】
技术研发人员：马雪浩，朱建国，王凯，
申请(专利权)人：广州视源人工智能创新研究院有限公司，
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。