自动点名用matlab怎么做,一种自动点名方法与流程

本发明涉及教育过程化监控领域，特别是涉及一种自动点名方法。

背景技术：

在日常的教学中，教师为统计学生的出席情况，会在课上对学生进行点名，以统计该节课的出席学生和缺席学生。这种方法一般通过直接点名确认学生的人数来进行点名，特别是在学生人数较多的时候，会浪费较多的教学时间，效率低，还存在替点名的情况存在。而采用考勤机进行打卡，则因为学生较多，部分学生可能打了卡直接走了，并未实际上课，考勤名存实亡。

技术实现要素：

本发明目的是提供一种自动点名方法，本发明通过自动识别听课人员的面部特征信息的方式，自动查找到学生相关信息，统计出席课堂的学生，解决点名时替答到的问题，达到自动点名的效果。

为了实现上述目的，本发明采用以下的技术方案。

一种自动点名方法，包括以下步骤；

通过人脸检测模型获取进入本教室人员的人脸特征信息；

通过面部特征提取模型获取该人的面部特征信息；

根据获取的面部特征信息查询对应学生信息；

识别成功的学生在系统中自动签到；

进一步的，通过人脸检测模型获取进入本教室人员的人脸特征信息，之前，还包括，基于深度学习框架和网络架构，训练得到人脸检测模型。

进一步的，通过面部特征提取模型获取该人的面部特征信息，之前，还包括，基于深度学习框架和网络架构，训练得到面部特征提取模型。

进一步的，根据获取的面部特征信息查询对应学生信息，之前，还包括，建立学生面部特征信息库。

进一步的，建立学生面部特征信息库，之后，还包括，建立学科对应学生信息库。

进一步的，识别成功的学生在系统中自动签到，之后，还包括，该学生对应听课次数自动加1。

进一步的，根据获取的面部特征信息查询对应学生信息，包括，首先从学科对应学生信息库中查询对应学生信息；对未识别到的学生再从学生面部特征信息库中查询对应学生信息。

进一步的，学生面部特征信息库未识别到的学生，对未识别原因进行分析；如果是面部特征信息不清晰，则通知教师；如果面部特征信息清晰，入未知人员信息库。

进一步的，教师收到未识别信息，通过提问等方式，让该学生面部特征更突出，进行再次识别。

进一步的，进行人脸识别时从一个及1个以上方向分别进行识别；并将各次识别结果进行比对。

与现有技术相比，本发明具有以下优点：

1、自动识别教室内学生面部特征，自动点名，节省时间，提高效率；

2、自动统计本学科该生出席次数，老师对该生平时成绩评定做参考；

3、多次识别，提高识别成功及准确比率。

附图说明

图1是本发明一种自动点名方法的流程示意图1；

图2是本发明一种自动点名方法的流程示意图2；

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

一种自动点名方法，包括以下步骤：

实施例1

请参考图1，图1为本发明一种自动点名方法的流程示意图；本实施例提供一种自动点名方法，包括以下步骤：

步骤S101，通过人脸检测模型获取进入本教室人员的人脸特征信息；

步骤S102，通过面部特征提取模型获取该人的面部特征信息；

步骤S103，根据获取的面部特征信息查询对应学生信息；

步骤S104，识别成功的学生在系统中自动签到。

实施例2

请参考图2，图2为是本发明一种自动点名方法的流程示意图2；本实施例提供另一种自动点名方法，包括以下步骤：

步骤S201，基于深度学习框架和网络架构，训练得到人脸检测模型；

人脸检测模型采用caffe深度学习框架和Faster-RCNN网络架构，但不限于使用此深度学习方法及此此网络架构；像加州伯克利分校的Caffe、蒙特利尔理工学院的Theano、瑞士人工智能实验室IDSIA的Brainstorm、是普林斯顿大学Marvin等任一都可以作为此深度学习的框架；像SSD、Faster-RCNN等可以作为此建模的一个网络架构。

步骤S202，基于深度学习框架和网络架构，训练得到面部特征提取模型；

人脸特征提取模型采用基于caffe深度学习框架和VGGFACE网络架构，但不限于使用此深度学习方法及此此网络架构；

提取多组不同场景下人脸图片，进行深度学习，输出各面部特征点；设置各项面部特征点，包括人员面部动态静态下人员面部特征信息，包括脸的形状、大小、皮肤、毛发颜色，面部的中心点信息和边界点信息以及人脸的边界点信息，还包括局部特征信息，如鼻子、嘴巴、左眼、右眼、左眉和右眉及相互距离。

步骤S203，建立学生面部特征信息库；

从学生学籍信息库中，根据人脸检测模型与面部特征提取模型，提取该生的面部特征信息，并与该生学生信息关联，建立学生面部特征信息库；

学生面部特征信息库中包括，学生姓名、学籍编号、面部特征信息。

步骤S204，建立学科对应学生信息库；

根据教务信息及学生信息，建立学科对应学生信息库。学科对应学生信息库包括，学生学籍编号、学科信息、面部特征信息。

步骤S205，通过人脸检测模型获取进入本教室人员的人脸特征信息；

通过人脸检测模型获取进入本教室人员的人脸特征信息；学生进入教室后，门口识别模块首先识别出人脸框图；进入教室后顶部识别模块识别出人脸框图；前后门均设置有识别模块。

步骤S206，通过面部特征提取模型获取该人的面部特征信息；

识别模块识别出人脸框图后，通过面部特征提取模型获取该人的面部特征信息；多个识别源识别到多组面部特征信息，将多组面部特征信息进行对比，组合成最符合的面部特征信息。

步骤S207，从学科对应学生信息库中查询对应学生信息；

根据获得的面部特征信息，将该信息与学科对应学生信息库中面部特征信息进行比对，获得对应学生学籍编号、学科信息；

步骤S208，判断是否查找到学生信息；

如果查到学生信息，则执行步骤S209，步骤S210，本次查询结束；否则进入步骤S211；

步骤S209，识别成功的学生在系统中自动签到；

如果从识别到学生，根据识别到的学生学籍编号、学科信息，在系统中进行自动的签到；

步骤S210，该学生对应听课次数自动加1；

如果从学生学科对应学生信息库识别学生成功，根据识别到的学生学籍编号、学科信息，在对应学科听课次数进行自动累加；

步骤S211，从学生面部特征信息库中查询对应学生信息；

如果从学科对应学生信息库中未识别到的学生，将获得的面部特征信息与学生面部特征信息库中面部特征信息进行比对，获得对应学生学籍编号、学科信息；

步骤S212，判断是否查找到学生信息；

如果查到学生信息，则执行步骤S209，步骤S210，本次查询结束；否则进入步骤S213。

步骤S213，对未识别原因进行分析；

如果从学生面部特征信息库仍未识别到的学生，那需要进行原因分析；分为学生面部特征信息不清晰和清晰两种。

步骤S214，判断面部特征信息是否不清晰；

如果学生面部特征信息不清晰，则执行步骤S215，步骤S216，如果学生面部特征信息清晰，则进入步骤S217；

步骤S215，通知教师未识别学生信息；

如果学生面部特征信息清晰，将未识别到的学生信息通知教师；通知信息包括，未识别到原因、坐位号等；

步骤S216，教师通过提问等方式，让该学生面部特征更突出

教师收到未识别信息，通过提问等方式，让该学生面部特征更突出，进入步骤S205进行再次识别；

步骤S217，未查到人员面部特征信息清晰，入未知人员信息库；

对于面部特征信息清晰仍未查找到的人员面部特征信息，做为不可识别人进入未知人员信息库。

对于多次识别，仍识别失败的人员面部特征信息入面部特征模糊信息库。

以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。