May, 2024

人力资源中的考勤管理自动化：使用计算机视觉与人脸识别的设计科学方法

PDF
TL;DR基于 Haar 级联与 OpenCV2 的人脸检测系统可用于出勤追踪，通过使用简单的图像处理技术与边缘检测，结合精选的 Haar 特征和先进的边缘检测技术，实现高准确性和稳健性，节省资源并提高效率，适用于教育机构、企事业单位等各类场景，可民主化出勤管理技术，提升生产力和责任感。
haar cascadedeep learning algorithmsface detectionattendance trackingopencv2
发现论文，激发创造
  • AttenFace: 一個使用人臉識別的實時考勤系統

    AttenFace 是一种独立系统，使用人脸识别分析、跟踪和实时授予出勤情况，具有自动化、教育等方面的优点。

    Nov, 2022

  • 教育中的课堂出勤系统基于深度学习方法

    在这项研究中，使用了深度学习方法进行图像处理，设计并成功实施了一项能够通过图像识别对学生进出校门记录并进行课堂考勤的创新研究，该研究将在 2022-2023 学年在一所学校进行实际应用。

    Sep, 2023

  • 基于边缘网络服务的智能监控：从 Harr-Cascade、SVM 到轻量级 CNN

    使用边缘计算及轻量级卷积神经网络，能够在资源有限的情况下为实时人类监视提供可行的智能分析方案。

    Apr, 2018

  • 一种用于出勤监测的嵌入式智能系统

    本文提出了一种智能嵌入式系统，用于监测课堂出勤情况并将出勤名单发送到远程计算机。该系统由两部分组成：用于人脸识别的嵌入式设备（装备有树莓派和摄像头）和用于出勤管理的 Web 应用程序。该解决方案考虑到了不同的挑战：树莓派的资源有限、需调整人脸识别模型以及使用树莓派摄像头提供的图像实现可接受的性能。

    Jun, 2024

  • 基于混合模型的实时情绪识别与预测

    本研究提出了一种结合深度卷积神经网络（DCNN）和 Haar Cascade 深度学习架构的混合模型，用于将实时和数字面部图像分类到七种面部表情类别之一。实验结果表明，与其他模型相比，该架构在分类性能上具有显著优势，并且准确率高达 70％，执行时间短，为 2098.8 秒。

    Jun, 2022

  • 视频监控中的人体检测与跟踪 —— 认知科学方法

    通过采用方向梯度直方图、视觉显著性和深度多层网络的显著性预测模型，结合 k 均值算法，该研究提出了一种用于视频中检测人的方法，取得了 83.11％的检测精度、41.27％的召回率的效果，并比在普通图像上对人物进行分类的速度快 76.866 倍。

    Sep, 2017

  • 极端环境下的人脸检测：机器学习方法

    本文提出一种深层级联多任务框架，通过三层深度卷积神经网络的分级设计，在对人脸和人脸特征区域进行预测的粗到细的过程中，利用其中的内在相关性以提高人脸检测和特征点定位的性能，在学习过程中还采用一种新型的在线困难样本挖掘方法，能够自动提高性能而无需手动样本选择。

    Jan, 2022

  • 基于视频的无约束人脸识别自动化系统

    提出了一个用于多个挑战性情景的视频人脸识别的鲁棒且高效的系统，包括人脸 / 标志检测、人脸关联和人脸识别等模块，特别是针对多镜头视频设计了精心的人脸关联方法，采用一种基于无监督子空间学习方法和子空间到子空间相似度度量的人脸匹配器来识别人脸，广泛实验表明该系统可以准确地检测和关联未约束的视频中的人脸，并有效地学习到具有鲁棒性和区分性的特征用于识别。

    Dec, 2018

  • 一个实时面部分析系统

    本文介绍了一个基于深度学习的系统级实时面部 分析设计，使用神经网络进行物体检测、分类和回归，可以识别每个人的年龄、性别、面部表情和相似度。同时，文章提出了一种多任务网络来同时预测年龄、性别和面部表情，该系统达到了与现有先进方法相同的精度和实时性能要求。

    Sep, 2021

  • 计算机视觉和机器学习在增强安全监控中探索视频镜头中的人群模式和分类

    计算机视觉和机器学习在研究员、科学家和大众的感知力方面产生了革命性的转变。本文探讨了计算机视觉在安全监控方面的潜力，并提出了一种新颖的视频运动追踪方法，通过使用动态信息图像和块状主导运动数据将运动分类为弧形、车道、汇合 / 分散和随机 / 块状运动，并研究了不同的光流技术、CNN 模型和机器学习模型。通过取得有希望的准确性达到其目标，结果可以训练异常检测模型，基于运动提供行为洞察，并增强场景理解。

    Aug, 2023