一种人员多维数据管理方法技术

本发明专利技术提供一种人员多维数据管理方法，包括：利用考勤系统、人行道闸系统、门禁系统、RFID系统和摄像系统构建人员管理系统；所述人员管理系统中设有服务器，所述服务器中设置有深度卷积人脸识别模块，以对检测到的人员进行识别和特征提取；针对不同人员在人员管理系统中设置不同的管理模式，针对第三方人员，所述管理模式是事前可审、事中可控和事后可追；针对访客，所述管理模式是访客信息管理、访客出入管控、人员追踪查询和非法逗留告警；针对员工，所述管理模式是工作监控、非法闯入和非法人员告警。本发明专利技术能提高人员管理的效率，提高人员监管的便捷性。人员监管的便捷性。人员监管的便捷性。

【技术实现步骤摘要】
一种人员多维数据管理方法


[0001]本专利技术涉及人员识别管理的
，尤其涉及一种人员多维数据管理方法。

技术介绍

[0002]当前企业的人员管理多数还是依靠监管人员进行现场管理，不仅耗费了监管人员的大量时间而且也不能从根本上解决监管每个人的问题。由于面临企业的成本压力，提高生产效率、降低运营成本,对于企业来说将至关重要，其中企业的人员管理是关键问题之一。效率就是金钱，如何提高管理效率，让每个人都能发挥最大的作用，是企业发展的关键。随着企业规模扩大，人员越来越多，且分散工作，随之而来的问题是如何管理好访客、第三方人员和企业员工。例如如何才能确认该人员是否按时到岗？如何知道当前人员的分布及分工情况？在遇到责任事故时，如何查看人员历史轨迹信息，为责任的判断提供依据？如何才能掌握到员工的实时工作信息等。因此，传统人员管理模式不仅在管理效率上较低，而且不能从根本上解决监管到每个人的问题。

技术实现思路

[0003]本专利技术提供一种人员多维数据管理方法，解决当前企业人员的活动易造成人员监管困难和不便捷的问题，能提高人员管理的效率，提高人员监管的便捷性。
[0004]为实现以下目的，本专利技术提供以下技术方案：
[0005]一种人员多维数据管理方法，包括：
[0006]利用考勤系统、人行道闸系统、门禁系统、RFID系统和摄像系统构建人员管理系统；
[0007]所述人员管理系统中设有服务器，所述服务器中设置有深度卷积人脸识别模块，以对检测到的人员进行识别和特征提取；
[0008]针对不同人员在人员管理系统中设置不同的管理模式，针对第三方人员，所述管理模式是事前可审、事中可控和事后可追；针对访客，所述管理模式是访客信息管理、访客出入管控、人员追踪查询和非法逗留告警；针对员工，所述管理模式是工作监控、非法闯入和非法人员告警。
[0009]优选的，还包括：
[0010]所述服务器中设置有眼部模块和嘴部模块，并利用拍摄的视频获取眼部EAR信息和嘴部MAR信息；
[0011]通过所述眼部EAR信息判断人员是否睡着，及通过所述嘴部MAR信息来判断人员是否疲劳。
[0012]优选的，还包括：所述利用拍摄的视频获取眼部EAR信息和嘴部MAR信息，包括：
[0013]所述服务器通过Dlib库的68特征点检测模型用于人脸的68个特征点的标注，人脸进行标定后，利用拍摄的视频获得眼部的6个特征点，通过对6个特征点的坐标进行计算，获得眼部的纵横比：
[0014][0015]式中：y1是左眼角特征点，y2是左上眼角特征点，y3是右上眼角特征点，y4是右眼角特征点，y5是右下眼角特征点，y6是左下眼角特征点，EAR是眼部的纵横比；
[0016]如果人员的EAR值突然迅速减小，并且小的达到设定阈值，然后再恢复正常的水平，则判断人员眨了一次眼睛；
[0017]如果人员的EAR一直保持在低于设定阈值的较小值，则认为人员已经闭眼睡着。
[0018]优选的，所述利用拍摄的视频获取眼部EAR信息和嘴部MAR信息，还包括：
[0019]所述服务器通过Dlib库的68特征点检测模型用于人脸的68个特征点的标注，人脸进行标定后，根据拍摄的视频获得嘴部的特征点，将左嘴角的特征点记为m1，并按顺时针方向依次将嘴部的特征点标记为m2～m12，进而根据嘴部的MAR计算公式进行计算：
[0020][0021]其中，MAR为嘴部的纵横比，当处于张嘴状态时，式中分母部分的值减少，分子部分的值增大，MAR也增大；处于闭嘴状态时，式中分母部分的值达到最大，分子部分的值达到最小，MAR的值也达到最小；
[0022]如果人员的MAR值先增大，再减小，而且MAR的值超过了设定阈值，并且保持持续一段时间，则可判断人员打了一次哈欠，根据一段时间内的人员打哈欠的次数来判断人员是发疲劳。
[0023]优选的，通过所述眼部EAR信息判断人员是否睡着，及通过所述嘴部MAR信息来判断人员是否疲劳，包括：
[0024]通过对一定时间内对嘴部打哈欠和正常说话时候的MAR数据逐帧分析，获得了具有一定参考价值的嘴部MAR逐帧变化图，根据逐帧对嘴部MAR的测试和统计，得出了嘴部疲劳特征MAR的阈值；
[0025]在人员的疲劳和睡着检测过程中，按照1分钟内闭眼时长或打哈欠次数进行疲劳程度分级；
[0026]当1分钟内EAR值时长大于30秒或打哈欠次数大于3次，认定为严重疲劳；
[0027]当1分钟内EAR值时长大于5
‑
30秒或打哈欠次数大于1次小于3次，认定位中度疲劳；
[0028]当1分钟内EAR值时长小于5秒或无打哈欠次数，认定位轻度疲劳或正常状态。
[0029]优选的，所述深度卷积人脸识别模块包括卷积网络模块、特征图处理模块、特征提取模块和识别模块；
[0030]所述卷积网络模块的输入为640
×
640的3通道图像，卷积网络模块输出包括：640
×
640的3通道图像经过特征提取后输出尺寸为80
×
80的64通道特征图的第一阶段，80
×
80的64通道特征图经过特征提取后输出尺寸为40
×
40的128通道特征图的第二阶段，以及40
×
40的128通道特征图经过特征提取后输出尺寸为20
×
20的256通道特征图的第三阶段；
[0031]所述特征图处理模块使用1
×
1卷积降低输入维度，然后将第二阶段的40
×
40的128通道特征图以及第三阶段的20
×
20的256通道特征图分别经过2倍上采样，使第二阶段的特征图与第一阶段特征图尺寸相同，第三阶段的特征图与第二阶段的特征图相同，得到融合后的特征图，将融合后的特征图经过3
×
3卷积，最后将输出的三个特征图分别输入对应的SSH检测模块；
[0032]所述特征提取模块通过一个3
×
3卷积和一个上下文模块加强特征提取，之后将不同通道数的特征进行拼接并输入激活函数，得到3个不同尺寸的特征图；
[0033]所述识别模块将多个不同尺寸的特征图经过1
×
1卷积及维度转换后得到三类通道和尺寸不同的特征图，再经过依次尺寸转换以及通道拼接得到计算人脸框定位损失和关键点标记损失的特征图。
[0034]优选的，所述深度卷积人脸识别模块的损失函数为：
[0035][0036]式中：表示人脸识别的分类损失，p
i
表示预测框中存在人脸的概率，表示预测框中存在人脸的真实值；N表示每批次输入样本数，N1为每批次图像中人脸关键点总数，λ1和λ2表示补偿损失的因子；
[0037]是人脸识别框回归损失，t
i
表示与正样本框对应预测框的位置，表示与正样本框对应真实框的位置；
[0038]为关键点回归损失，l本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人员多维数据管理方法，其特征在于，包括：利用考勤系统、人行道闸系统、门禁系统、RFID系统和摄像系统构建人员管理系统；所述人员管理系统中设有服务器，所述服务器中设置有深度卷积人脸识别模块，以对检测到的人员进行识别和特征提取；针对不同人员在人员管理系统中设置不同的管理模式，针对第三方人员，所述管理模式是事前可审、事中可控和事后可追；针对访客，所述管理模式是访客信息管理、访客出入管控、人员追踪查询和非法逗留告警；针对员工，所述管理模式是工作监控、非法闯入和非法人员告警。2.根据权利要求1所述的人员多维数据管理方法，其特征在于，还包括：所述服务器中设置有眼部模块和嘴部模块，并利用拍摄的视频获取眼部EAR信息和嘴部MAR信息；通过所述眼部EAR信息判断人员是否睡着，及通过所述嘴部MAR信息来判断人员是否疲劳。3.根据权利要求2所述的人员多维数据管理方法，其特征在于，还包括：所述利用拍摄的视频获取眼部EAR信息和嘴部MAR信息，包括：所述服务器通过Dlib库的68特征点检测模型用于人脸的68个特征点的标注，人脸进行标定后，利用拍摄的视频获得眼部的6个特征点，通过对6个特征点的坐标进行计算，获得眼部的纵横比：式中：y1是左眼角特征点，y2是左上眼角特征点，y3是右上眼角特征点，y4是右眼角特征点，y5是右下眼角特征点，y6是左下眼角特征点，EAR是眼部的纵横比；如果人员的EAR值突然迅速减小，并且小的达到设定阈值，然后再恢复正常的水平，则判断人员眨了一次眼睛；如果人员的EAR一直保持在低于设定阈值的较小值，则认为人员已经闭眼睡着。4.根据权利要求3所述的人员多维数据管理方法，其特征在于，所述利用拍摄的视频获取眼部EAR信息和嘴部MAR信息，还包括：所述服务器通过Dlib库的68特征点检测模型用于人脸的68个特征点的标注，人脸进行标定后，根据拍摄的视频获得嘴部的特征点，将左嘴角的特征点记为m1，并按顺时针方向依次将嘴部的特征点标记为m2～m12，进而根据嘴部的MAR计算公式进行计算：其中，MAR为嘴部的纵横比，当处于张嘴状态时，式中分母部分的值减少，分子部分的值增大，MAR也增大；处于闭嘴状态时，式中分母部分的值达到最大，分子部分的值达到最小，MAR的值也达到最小；如果人员的MAR值先增大，再减小，而且MAR的值超过了设定阈值，并且保持持续一段时
间，则可判断人员打了一次哈欠，根据一段时间内的人员打哈欠的次数来判断人员是发疲劳。5.根据权利要求4所述的人员多维数据管理方法，其特征在于，通过所述眼部EAR信息判断人员是否睡着，及通过所述嘴部MAR信息来判断人员是否疲劳，包括：通过对一定时间内对嘴部打哈欠和正常说话时候的MAR数据逐帧分析，获得了具有一定参考价值的嘴部MAR逐帧变化图，根据逐帧对嘴部MAR的测试和统计，得出了嘴部疲劳特征MAR的阈值；在人员的疲劳和睡着检测过程中，按照1分钟内闭眼时长或打哈欠次数进行疲劳程度分级；当1分钟内EAR值时长大于30秒或打哈欠次数大于3次，认定为严重疲劳；当1分钟内EAR值时长大于5
‑
30秒或打哈欠次数大于1次小于3次，认定位中度疲劳；当1分钟内EAR值时长小于5秒或无打哈欠次数，认定位轻度疲劳或正常状态。6.根据权利要求5所述的人员多维数据管理方法，其特征在于，所述深度卷积人脸识别模块包括卷积网络模块、特征图处理模块、特征提取模块和识别模块；所述卷积网络模块的输入为640
×
640的3通道图像，卷积网络模块输出包括：640
×
640的3通道图像经过特征提取后输出尺寸为80
×
80的64通道特征图的第一阶段，80
×
80的64通道特征图经过特征提取后输...

【专利技术属性】
技术研发人员：张成挺，钱杰，王文娟，周宏辉，邬江明，孙明超，倪烨灵，胡汉，
申请(专利权)人：浙江中烟工业有限责任公司，
类型：发明
国别省市：