一种用于智能公司管理的员工面部兴奋度检测方法及系统与流程

1.本发明涉及面部检测技术领域，具体而言，涉及一种用于智能公司管理的员工面部兴奋度检测方法及系统。


背景技术：

2.随着社会的发展和科技的进步，公司越来越强调智慧管理，很多物联网技术深度应用于公司的管理过程中，显著提升了公司的运行效率。员工的精神状态作为一项重要的指标，深度影响着公司的合理运营和实际效益。如果公司人力资源部门、企业主管能够充分获取该信息，可以最大限度地实现公司资源合理配置，实现公司的智能化管理。现有技术中虽然公开了cn113205081a、cn110399821a以及cn108268838b，但是其都存在一定的缺陷。cn113205081a中是针对单幅图像利用显著性检测挑选训练样本，进而对工人疲劳进行判别，其存在无法对多个员工的兴奋度进行精准和充分检测的缺陷；cn110399821a是基于haar特征的adaboost人脸检测，将人脸检测及表情识别进行结合，但该方法的识别检测精度不高，无法满足精准识别的要求；cn108268838b是采用adaboost算法进行人脸检测，然后结合人脸对齐和特征点定位、特征提取以及表情分类等处理，进而提高表情识别的准确性，其处理运算数量大，识别速度慢，且采用adaboost算法进行人脸检测得到的数据本身也不够精准。
3.综上，传统的方法往往无法对员工的兴奋度进行精准和充分检测，无法最大限度地发挥员工的能力，降低了公司人力资源配置的合理性，无法充分利用物联网等技术对公司进行有效管理。因此，如何建立一种精准和鲁棒的员工兴奋度检测方法具有重要的实际应用价值。


技术实现要素：

4.为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种用于智能公司管理的员工面部兴奋度检测方法及系统，可对员工的兴奋度进行精准判别。
5.本发明的实施例是这样实现的：第一方面，本发明实施例提供一种用于智能公司管理的员工面部兴奋度检测方法，包括以下步骤：选取员工兴奋度面部图像样本并建立样本数据集，上述样本数据集包括正样本和负样本；利用训练样本优选方法对样本数据集中的正样本和负样本进行优化；利用svm模型对优化后的正样本和负样本进行训练，以得到兴奋度判别模型；获取并导入员工面部图像至兴奋度判别模型中，利用兴奋度判别模型对员工的兴奋度进行判别，生成员工兴奋度判别结果。
6.选取部分兴奋度较高的员工面部图像作为正样本，选取部分兴奋度较低的员工面部图像作为负样本；利用训练样本优选方法对正负样本进行优化；利用svm模型对正负样本
进行训练，得到兴奋度判别模型；早晨员工上班打卡过程中提取员工的面部图像，利用兴奋度判别模型对员工的兴奋度进行判别，若该员工面部图像的svm模型得分较高，直接认定该员工处于兴奋状态；若该员工面部图像的svm模型得分较低，直接认定该员工处于非兴奋状态。本发明利用svm判别模型对员工面部兴奋度进行判别，这个过程中也深度优化了样本，为svm模型充分发挥作用提供了直接支持，深度优化了训练样本，在更加充分利用svm模型的基础上减少了计算资源消耗，可对员工的兴奋度进行精准判别。
7.基于第一方面，在本发明的一些实施例中，上述选取员工兴奋度面部图像样本并建立样本数据集的方法包括以下步骤：选取多个员工兴奋度面部图像样本，采用ft显著性检测方法对选取的员工兴奋度面部图像样本进行筛选，以建立样本数据集。
8.基于第一方面，在本发明的一些实施例中，上述利用训练样本优选方法对样本数据集中的正样本和负样本进行优化的方法包括以下步骤：对样本数据集中的正样本和负样本进行深度自编码；分别计算并根据深度自编码后的各个正样本之间的欧式距离和各个负样本之间的欧式距离确定目标训练样本，完成样本优化。
9.基于第一方面，在本发明的一些实施例中，上述利用兴奋度判别模型对员工的兴奋度进行判别，生成员工兴奋度判别结果的方法包括以下步骤：利用兴奋度判别模型对员工的兴奋度进行判别计算，生成模型得分；判断模型得分是否超出预置的参考得分，如果是，则生成兴奋度高判别结果，确定该员工处于兴奋状态；如果否，则生成兴奋度低判别结果，确定该员工处于非兴奋状态。
10.基于第一方面，在本发明的一些实施例中，该用于智能公司管理的员工面部兴奋度检测方法还包括以下步骤：当员工兴奋度判别结果为边缘得分时，利用模板匹配的方式对员工兴奋度进行判别检测，生成判别检测结果，确定员工兴奋度状态。
11.基于第一方面，在本发明的一些实施例中，上述利用模板匹配的方式对员工兴奋度进行判别检测，生成判别检测结果，确定员工兴奋度状态的方法包括以下步骤：选取兴奋度图像模板，该兴奋度图像模板包括正模板和负模板；对正模板、负模板和员工面部图像中的待判别图像分别进行sift特征算子特征提取，并计算待识别图像与正模板的欧式距离，生成第一距离值，计算待识别图像与负模板的欧式距离，生成第二距离值；判断第一距离值是否小于第二距离值，如果是，则生成兴奋判别检测结果，确定该员工处于兴奋状态；如果否，则生成非兴奋判别检测结果，确定该员工处于非兴奋状态。
12.基于第一方面，在本发明的一些实施例中，该用于智能公司管理的员工面部兴奋度检测方法还包括以下步骤：获取并根据公司人力资源管理信息将员工兴奋度判别结果发送给对应的公司管理人员。
13.第二方面，本发明实施例提供一种用于智能公司管理的员工面部兴奋度检测系统，包括样本获取模块、样本优化模块、样本训练模块以及兴奋度判别模块，其中：样本获取模块，用于选取员工兴奋度面部图像样本并建立样本数据集，上述样本
数据集包括正样本和负样本；样本优化模块，用于利用训练样本优选方法对样本数据集中的正样本和负样本进行优化；样本训练模块，用于利用svm模型对优化后的正样本和负样本进行训练，以得到兴奋度判别模型；兴奋度判别模块，用于获取并导入员工面部图像至兴奋度判别模型中，利用兴奋度判别模型对员工的兴奋度进行判别，生成员工兴奋度判别结果。
14.通过样本获取模块选取部分兴奋度较高的员工面部图像作为正样本，选取部分兴奋度较低的员工面部图像作为负样本；通过样本优化模块利用训练样本优选方法对正负样本进行优化；然后样本训练模块利用svm模型对正负样本进行训练，得到兴奋度判别模型；早晨员工上班打卡过程中通过兴奋度判别模块提取员工的面部图像，利用兴奋度判别模型对员工的兴奋度进行判别，若该员工面部图像的svm模型得分较高，直接认定该员工处于兴奋状态；若该员工面部图像的svm模型得分较低，直接认定该员工处于非兴奋状态。本发明利用svm判别模型对员工面部兴奋度进行判别，这个过程中也深度优化了样本，为svm模型充分发挥作用提供了直接支持，深度优化了训练样本，在更加充分利用svm模型的基础上减少了计算资源消耗，可对员工的兴奋度进行精准判别。
15.第三方面，本技术实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
16.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
17.本发明实施例至少具有如下优点或有益效果：本发明实施例提供一种用于智能公司管理的员工面部兴奋度检测方法及系统，本发明利用svm判别模型对员工面部兴奋度进行判别，这个过程中也深度优化了样本，为svm模型充分发挥作用提供了直接支持，深度优化了训练样本，在更加充分利用svm模型的基础上减少了计算资源消耗，可对员工的兴奋度进行精准判别。
附图说明
18.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
19.图1为本发明实施例一种用于智能公司管理的员工面部兴奋度检测方法的流程图；图2为本发明实施例一种用于智能公司管理的员工面部兴奋度检测系统的原理框图；图3为本发明实施例提供的一种电子设备的结构框图。
20.图标：100、样本获取模块；200、样本优化模块；300、样本训练模块；400、兴奋度判别模块；101、存储器；102、处理器；103、通信接口。
具体实施方式
21.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
22.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
23.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
24.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例
25.如图1所示，第一方面，本发明实施例提供一种用于智能公司管理的员工面部兴奋度检测方法，包括以下步骤：s1、选取员工兴奋度面部图像样本并建立样本数据集，上述样本数据集包括正样本和负样本；进一步地，选取多个员工兴奋度面部图像样本，采用ft显著性检测方法对选取的员工兴奋度面部图像样本进行筛选，以建立样本数据集。
26.在本发明的一些实施例中，选取员工兴奋度面部图像样本并建立样本数据集，选取部分兴奋度较高的员工面部图像作为正样本，选取部分兴奋度较低的员工面部图像作为负样本。利用ft显著性检测方法对样本进行二次筛选，以得到更为精准合适的样本图像，为后续提供更为精准的数据。
27.s2、利用训练样本优选方法对样本数据集中的正样本和负样本进行优化；进一步地，对样本数据集中的正样本和负样本进行深度自编码；分别计算并根据深度自编码后的各个正样本之间的欧式距离和各个负样本之间的欧式距离确定目标训练样本，完成样本优化。
28.在本发明的一些实施例中，对正负样本进行深度自编码；计算不同图像自编码后的欧式距离（正样本和正样本之间，负样本和负样本之间）；当若干个样本的欧式距离较近时，我们认为它们高度相似，仅保留其中一个即可，经过多次欧式距离的计算，筛选出一批差异性较大的图像，作为代表性的训练样本。
29.s3、利用svm模型对优化后的正样本和负样本进行训练，以得到兴奋度判别模型；
s4、获取并导入员工面部图像至兴奋度判别模型中，利用兴奋度判别模型对员工的兴奋度进行判别，生成员工兴奋度判别结果。
30.进一步地，利用兴奋度判别模型对员工的兴奋度进行判别计算，生成模型得分；判断模型得分是否超出预置的参考得分，如果是，则生成兴奋度高判别结果，确定该员工处于兴奋状态；如果否，则生成兴奋度低判别结果，确定该员工处于非兴奋状态。
31.在本发明的一些实施例中，早晨员工上班打卡过程中提取员工的面部图像，利用兴奋度判别模型对员工的兴奋度进行判别，若该员工面部图像的svm模型得分较高，直接认定该员工处于兴奋状态；若该员工面部图像的svm模型得分较低，直接认定该员工处于非兴奋状态。
32.本发明利用svm判别模型对员工面部兴奋度进行判别，这个过程中也深度优化了样本，为svm模型充分发挥作用提供了直接支持，深度优化了训练样本，在更加充分利用svm模型的基础上减少了计算资源消耗，可对员工的兴奋度进行精准判别。
33.基于第一方面，在本发明的一些实施例中，该用于智能公司管理的员工面部兴奋度检测方法还包括以下步骤：当员工兴奋度判别结果为边缘得分时，利用模板匹配的方式对员工兴奋度进行判别检测，生成判别检测结果，确定员工兴奋度状态。
34.进一步地，上述利用模板匹配的方式对员工兴奋度进行判别检测，生成判别检测结果，确定员工兴奋度状态的方法包括以下步骤：选取兴奋度图像模板，该兴奋度图像模板包括正模板和负模板；对正模板、负模板和员工面部图像中的待判别图像分别进行sift特征算子特征提取，并计算待识别图像与正模板的欧式距离，生成第一距离值，计算待识别图像与负模板的欧式距离，生成第二距离值；判断第一距离值是否小于第二距离值，如果是，则生成兴奋判别检测结果，确定该员工处于兴奋状态；如果否，则生成非兴奋判别检测结果，确定该员工处于非兴奋状态。
35.为了解决svm模型边缘不精准问题，进一步提升了面部兴奋度的判别精准度，对于员工面部图像的svm模型得分处于边缘时，利用模板匹配的方式对员工兴奋度进行二次检测。具体包括：人工选取兴奋度较高的图像作为正模板，选取兴奋度较低的图像作为负模板；对于待判别图像、正模板、负模板分别进行sift特征算子特征提取；计算待识别图像与正模板的欧式距离，记为a；计算待识别图像与负模板的欧式距离，记为b；若a小于b，认定该员工处于兴奋状态；若a大于b，认定该员工处于非兴奋状态（基本上不会出现等于的情况，如果出现了此信息不统计）。
36.基于第一方面，在本发明的一些实施例中，该用于智能公司管理的员工面部兴奋度检测方法还包括以下步骤：获取并根据公司人力资源管理信息将员工兴奋度判别结果发送给对应的公司管理人员。
37.将所有员工的兴奋度检测信息提供给人力资源部、部门主管等，通过调整工作强度、合理配置人力资源、调整假期等方式，实现人力资源的充分利用，实现公司的智能化管理。
38.如图2所示，第二方面，本发明实施例提供一种用于智能公司管理的员工面部兴奋度检测系统，包括样本获取模块100、样本优化模块200、样本训练模块300以及兴奋度判别
模块400，其中：样本获取模块100，用于选取员工兴奋度面部图像样本并建立样本数据集，上述样本数据集包括正样本和负样本；样本优化模块200，用于利用训练样本优选方法对样本数据集中的正样本和负样本进行优化；样本训练模块300，用于利用svm模型对优化后的正样本和负样本进行训练，以得到兴奋度判别模型；兴奋度判别模块400，用于获取并导入员工面部图像至兴奋度判别模型中，利用兴奋度判别模型对员工的兴奋度进行判别，生成员工兴奋度判别结果。
39.通过样本获取模块100选取部分兴奋度较高的员工面部图像作为正样本，选取部分兴奋度较低的员工面部图像作为负样本；通过样本优化模块200利用训练样本优选方法对正负样本进行优化；然后样本训练模块300利用svm模型对正负样本进行训练，得到兴奋度判别模型；早晨员工上班打卡过程中通过兴奋度判别模块400提取员工的面部图像，利用兴奋度判别模型对员工的兴奋度进行判别，若该员工面部图像的svm模型得分较高，直接认定该员工处于兴奋状态；若该员工面部图像的svm模型得分较低，直接认定该员工处于非兴奋状态。本发明利用svm判别模型对员工面部兴奋度进行判别，这个过程中也深度优化了样本，为svm模型充分发挥作用提供了直接支持，深度优化了训练样本，在更加充分利用svm模型的基础上减少了计算资源消耗，可对员工的兴奋度进行精准判别。
40.如图3所示，第三方面，本技术实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。
41.还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
42.其中，存储器101可以是但不限于，随机存取存储器101（random access memory，ram），只读存储器101（read only memory，rom），可编程只读存储器101（programmable read-only memory，prom），可擦除只读存储器101（erasable programmable read-only memory，eprom），电可擦除只读存储器101（electric erasable programmable read-only memory，eeprom）等。
43.处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器102，包括中央处理器102（central processing unit，cpu）、网络处理器102（network processor，np）等；还可以是数字信号处理器102（digital signal processing，dsp）、专用集成电路（application specific integrated circuit，asic）、现场可编程门阵列（field－programmable gate array，fpga）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
44.在本技术所提供的实施例中，应该理解到，所揭露的方法及系统和方法，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程
图和框图显示了根据本技术的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
45.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
46.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器101（rom，read-only memory）、随机存取存储器101（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
47.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
48.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。