智慧教室非接触式考勤装置、方法、设备及存储介质

技术领域

本发明涉及智慧教室考勤技术领域，特别是涉及智慧教室非接触式考勤装置、方法、设备及存储介质。

背景技术

随着物联网技术的快速发展以及被广泛应用，越来越多的行业享受了物联网带来的高效便利。物联网技术应用到教育行业，要给教育的便捷性以及普及性带来了提高。智慧教室作为现代教学过程中经常应用的教学配套，被许多大中小学校应用。

人物考勤是衡量人物的学习或工作状态的重要依据，所以人物课堂考勤工作是日常教学管理工作的重要环节。切实抓好人物课堂考勤管理工作，对于提高教学质量起到重要作用。

课堂上的打卡方式主要是通过教师点名的方式或者传递纸质名单进行签名打卡，发明人认为上述考勤打卡方式，虽然都能很好的实现考勤打卡功能，但是不便于快速记录全部人物的考勤信息，且容易发生他人替代考勤的问题。

发明内容

本发明目的一是提供智慧教室非接触式考勤方法，具有当人物面部被遮挡的情况下能够进行身份识别的特点。

本发明的上述发明目的一是通过以下技术方案得以实现的：

智慧教室非接触式考勤方法，其特征在于，所述方法包括：

建立人物信息数据库，采集人物特征，所述人物特征包括人物的人脸特征信息、手臂特征信息以及体型特征信息；

获取人物进入教室时的连续帧数图像；

对所述连续帧数图像进行图像处理并识别所述连续帧数图像中人物轮廓得到连续帧数人物轮廓图像；

提取所述连续帧数人物轮廓图像中的人物特征，并对所述人物特征进行聚类，得到人物特征矩阵；

依次比对所述人物特征矩阵与预设的人物信息数据库得到人物相似度，根据人物相似度匹配人物的身份信息，并根据身份信息进行查询、登记考勤人物的考勤信息。

通过采用上述技术方案，首先，根据人物特征提前建立人物信息数据库，将人物的人脸特征信息、手臂特征信息以及体型特征信息分别记录下来，作为人物信息的参考。当人物进入教室通过教室门时，对人物进行拍摄，得到连续帧数图像，从而获取能够体现出人物在不同状态下的特征信息，避免图像单一影响识别效果。对连续帧数图像进行多次图像处理使得拍摄的图像的细节更加明显，对处理后的图像进行人物轮廓识别，从而将人物与环境特征进行区分得到连续帧数人物轮廓图像，对连续帧数人物轮廓图像进行提取，从而得到人物的人脸特征信息、手臂特征信息以及体型特征信息作为识别的关键点，将人脸特征信息、手臂特征信息以及体型特征信息分别进行聚类将相关的特征信息进行分类，得到三个聚类特征矩阵，通过对比人物特征矩阵与人物信息数据库中的人物特征信息进行比对进而分别得到关于人脸特征信息、手臂特征信息以及体型特征信息的相似度关系，根据预设的权值与对应的相似度进行计算得到人物相似度，从而确定考勤人物的身份信息。

本发明在一较佳示例中可以进一步配置为：所述对所述连续帧数图像进行图像处理并进行人物轮廓识别包括对图像进行灰度处理、人物边缘锐化处理以及去噪处理，得到连续帧数人物处理图像。

通过采用上述技术方案，当收到连续帧数图像时，对连续帧数图像进行灰度处理，大大减少图像中包含的数据量，能够提高图像处理时的运算速度，提高识别效率，同时又可以体现图像的细节；对图像进行人物边缘锐化处理有利于改善图像边缘的清晰度，增加图像的对比度；去噪处理可以减少图像中的噪声对图像质量的影响；经过图像处理之后，使得连连续帧数人物处理图像更有利于识别人物信息。

本发明在一较佳示例中可以进一步配置为：所述对所述连续帧数图像进行图像处理并进行人物轮廓识别还包括：

对连续帧数人物处理图像中的人物轮廓边界进行识别分割，得到连续帧数人物分割图像；

对连续帧数人物分割图像进行人物轮廓补偿以及对连续帧数人物分割图像的空洞进行联想填充，得到连续帧数人物轮廓处理图像；

从连续帧数人物轮廓图像中提取人物特征，识别出人物的人脸特征信息、手臂特征信息以及体型特征信息，得到连续帧数人物轮廓图像。

通过采用上述技术方案，将连续帧数人物处理图像中的人物轮廓信息进行识别并分割出来，从而将人物与背景区别开，对于后续的人物特征识别减少了干扰因素，有利于提高识别的速度；对人物轮廓补偿以及空洞填充能够将人物的轮廓更完整的体现出来，有利于提取人物特征。依据连续帧数人物轮廓图像将人物特征进行提取，识别出人脸特征信息、手臂特征信息以及体型特征信息从而能够作为人物身份识别的特征参考，便于于人物信息数据库中的人物特征进行比对。

本发明在一较佳示例中可以进一步配置为：所述提取所述连续帧数人物轮廓图像中的人物特征，并对所述人物特征进行聚类，得到人物特征矩阵包括：

获取连续帧数人物轮廓图像中的人脸特征信息、手臂特征信息以及体型特征信息，并分别对人脸特征信息、手臂特征信息以及体型特征信息进行聚类得到人脸特征矩阵、手臂特征矩阵以及体型特征矩阵，矩阵中的每个行向量数据为同一个人的不同帧数的图像。

通过采用上述技术方案，将人脸特征信息、手臂特征信息以及体型特征信息分别进行聚类，使得具有相同特征的对象进行分类，从而得到人脸特征矩阵、手臂特征矩阵以及体型特征矩阵，从而令当特征矩阵进行对比时，元素与待对比的图像之间的相似性更高。

本发明在一较佳示例中可以进一步配置为：所述依次比对所述人物特征矩阵与预设的人物信息数据库得到人物相似度包括：

分别比对人脸特征矩阵、手臂特征矩阵、体型特征矩阵与相似人物信息矩阵中的手臂特征信息与体型特征信息从而得到人脸相似度、手臂相似度和体型相似度。

通过采用上述技术方案，当人物的脸部受到遮挡，采集的脸部信息不完整时，可以通过手臂相似度和体型相似度作为参考进而对人物身份进行识别辨认，提高了人物识别的可能性。

本发明在一较佳示例中可以进一步配置为：所述依次比对所述人物特征矩阵与预设的人物信息数据库得到人物相似度还包括：

通过对人脸相似度、手臂相似度以及体型相似度分别与预设的人脸权值、手臂权值以及体型权值进行计算得到人物相似度，对比人物相似度与预设的人物阈值的大小确定考勤人物的身份信息。

通过采用上述技术方案，通过预设的权值与相应的特征相似度进行计算，得到人物相似度，避免发生当人脸相似度、手臂相似度以及体型相似度其中一个或多个较小时，影响识别的结果。

本发明目的二是提供智慧教室非接触式考勤装置，具有在人物面部被遮挡的情况下能够进行身份识别特点。

本发明的上述发明目的二是通过以下技术方案得以实现的：

一种智慧教室非接触式考勤装置，所述装置包括：

人物信息数据库模块，用于存储人物的身份信息、考勤信息、人脸特征信息、手臂特征信息以及体型特征信息；

图像采集模块，用于对人物进入教室时的图像进行采集，得到连续帧数图像；

图像处理模块，用于对连续帧数图像进行图像处理并识别连续帧数图像中人物轮廓得到连续帧数人物轮廓处理图像；

人物特征聚类模块，用于对连续帧数人物轮廓处理图像中人物特征进行聚类，得到人物特征矩阵，其中，所述人物特征矩阵中每一行为同一人的不同帧数的图像对应的人物特征；

人物特征比对模块，用于将人物特征矩阵中人物特征与预设的人物信息数据库中存储的人物特征进行比对，分别得到人脸相似度、手臂相似度以及体型相似度。

通过采用上述技术方案，首先，人物信息数据库模块录入人物的特征信息以及身份考勤等信息，作为识别比对的参考标准。图像采集模块通过对人物进入教室时的图像进行拍摄，得到连续帧数图像，并发送至图像处理模块；图像处理模块接收到连续帧数图像后，对连续帧数图像进行图像处理，使的图像中的人物轮廓更加清晰明显，从而进行人物轮廓识别及处理，将人物轮廓处理图像发送到人物特征聚类模块分别对人脸特征信息、手臂特征信息以及体型特征信息进行聚类，从而件将不相关的元素按照一定的联系分类，得到人物特征矩阵并发送给人物特征比对模块，人物特征比对模块对人物特征与预设的人物信息数据库进行比对得到人物特征相似度，从而能够通过计算得到人物相似度，进而确定人物的身份信息。

本发明目的三是提供一种电子设备，具有存储并执行非接触式考勤方法的功能，以保证监理方法正常运转。

本发明的上述发明目的三是通过以下技术方案得以实现的：

一种电子设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述任一智慧教室非接触式考勤方法的计算机程序。

通过采用上述技术方案，存储器用于存储使用智慧教室非接触式考勤方法的计算机程序，存储器内存储的计算机程序能够通过处理器控制上述的各个模块运行。

本发明目的四是提供一种计算机存储介质，能够存储相应的程序，具有便于实现智慧教室非接触式考勤方法进行运用的特点。

本发明的上述发明目的四是通过以下技术方案得以实现的：

一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一智慧教室非接触式考勤方法的计算机程序。

综上所述，本发明包括以下至少一种有益技术效果：

通过集合人脸识别、手臂识别以及体型识别技术，从而对于面部被遮挡的人物也能够进行识别身份信息，尽量减少他人替代考勤的现象；

通过采用人脸识别的打卡考勤方式，提高了打卡时的便捷性，尽量减少因排队考勤造成拥堵的现象。

附图说明

图1是本发明的整体原理框图；

图2是图1中用于体现图像处理及轮廓识别的流程示意图；

图3是图1中用于获得人物相似度的流程示意图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

本发明实施例一提供智慧教室非接触式考勤方法, 参照图1，其中方法包括：

S10、建立人物信息数据库，采集人物特征，所述人物特征包括人物的人脸特征信息、手臂特征信息以及体型特征信息。

在本实施例中，需要每学期入学时，针对每一个人物进行拍摄一组人物特征图像，用于采集人物最新的人脸特征信息，手臂特征信息以及体型特征信息，并将人物特征与人物学籍信息以及课程信息进行匹配对应录入人物信息数据库中。

其中，为了提高识别的精准度，在拍摄人物特征相片时，采样的角度应该尽量多，本实施例中采样角度包括人物的侧视，人物的抬手动作，人物的转头动作以及人物的走路动作等。采样的角度及姿态越详细，人物身份比对结果越精确。通过从不同角度不同姿态对人物的人物特征进行采集，记录人物的人脸特征信息、手臂特征信息以及体型特征信息，其中，体型特征信息包括肩膀宽度，胯部宽度等。

在进行人脸采集时，根据不同角度拍摄的图像信息，记录人物的五官的位置以及五官之间的结构参数，以及人物头部在各种姿态下的人脸特征信息呈现效果，将不同状态下的人脸特征信息记录于人物信息数据库中。

S20、获取人物进入教室时的连续帧数图像；

具体的，确定连续帧数图像的基准拍摄位，确保采集的图像中可以拍摄到教室的门框，并以教室的门框的尺寸作为参考，从而便于计算人物的人物特征信息。

确定连续帧数图像的拍摄时间，当人物从教室的门进入教室时，对人物进行拍摄得到连续帧数图像。本实施例中，连续帧数图像数量为十帧。十帧图像包括人物穿过教室门到离开教室门的过程。当连续帧数图像采集后，图像采集模块将连续帧数图像发送到图像处理模块，并执行以下步骤S30。

S30、对所述连续帧数图像进行图像处理并识别所述连续帧数图像中人物轮廓得到连续帧数人物轮廓图像。

S31、对图像进行灰度处理、人物边缘锐化处理以及去噪处理，得到连续帧数人物处理图像。

具体的，参照图2，对连续帧数图像进行灰度处理时，将一幅彩色图像转化为灰度图像。由于彩色图像中包含有R，G，B三个分量，分别显示出红绿蓝颜色，R，G，B三个分量之间相互组合从而形成各种颜色。其中，分量的变化范围为0-255，因此分量之间相互组合的可能性多达1658万种组合。

图像灰度处理就是使彩色的R，G，B分量相等的过程。灰度值大的像素点比较亮为白色，像素值最大为255，反之比较暗为黑色，像素最下为0，因此数据范围降到256种。

将连续帧数图像转换成灰度图像，可以改善连续帧数图像的质量，使连续帧数图像能够显示更多的细节，如当连续帧数图像画面较暗时，图像中的细节体现不明显，不易识别阴影处的画面，经过灰度处理后能够将细节更清晰的显示出来，方便后续处理。同时也减少连续帧数图像处理过程的数据计算量。本实施例中对于图像的灰度处理方法可以是通过最大值法、平均值法、加权平均值法。

当使用USM锐化增强算法对灰度图像进行锐化处理时，USM锐化增强算法的表达即为：

y(n,m)=x(n,m)+λz(n,m)；

其中，x(n,m)为输入图像，y(n,m)为输出图像，n,m分别对应于图像中的横纵坐标，（n，m）为位于坐标系中横坐标为n，纵坐标为m的位置，λ是用于控制增强效果的的一个缩放因子，通过改变缩放因子λ的值来控制调节结果，而z(n,m)为校正信号，一般是通过对x进行高通滤波获取。USM算法中，z(n,m)一般可以通过下式获取：

z(n,m)=4x(n,m)-x(n-1,m)-x(n +1,m)-x(n, m-1)-x(n,m+1)；

对灰度图像进行锐化处理可以增强图像的高频部分的内容，使得图像的视觉效果可以极大的得到改观。本实施例中，锐化处理是将灰度图像作为输入图像，通过计算输入图像与校正信号的关系，可以令人物边缘的两侧生成一条亮线一条暗线，使画面整体更加清晰，便于将人物与背景区分开，从而得到连续帧数人物锐化图像。

当利用基于偏微分方程（PDE）的去噪算法对连续帧数人物锐化图像去噪处理时，在去噪过程中，同时检测图像特征强弱及其方向，图像特征强的区域平滑程度小，图像特征弱的区域平滑程度大的原则处理图像，使得将图像中的噪声去除又较好的保留了图像边缘的效果，从而得到连续帧数人物处理图像。

S32、对连续帧数人物处理图像中的人物轮廓边界进行识别分割，得到连续帧数人物分割图像。

具体的，参照图2，通过Mask Rcnn算法对连续帧数人物处理图像的人物轮廓边界进行识别与分割。Mask-RCNN是一个实例分割框架，通过增加不同的分支可以完成目标分类，目标检测，语义分割，实例分割，人体姿态估计等多种任务。

首先，接收到连续帧数人物处理图像，将连续帧数人物处理图像输入到一个预训练好的神经网络中如Resnext等获得对应的多个特征图；

对多个特征图中的每一点设定ROI(Region of Interest)，从而获得多个候选ROI，其中，RoI是在原图中的感兴趣区域，可以理解为目标检测的候选框，如本实施例中感兴趣的是关于人物轮廓区域；

将候选ROI输入RPN区域（区域候选网络）生成网络进行二值分类和边框回归（BB回归），对候选ROI进行筛选，将筛选后的ROI进行ROI align（区域特征聚集）操作，然后将特征图中的人物轮廓特征和实际的人物的轮廓特征对应起来；

对这些ROI进行N类别分类、边框回归和MASK生成，即每一个ROI里面进行像素级的分类操作。

当图像中只有一个人物时，使用Mask Rcnn算法将人物轮廓与背景环境分割开，得到单独一个人物轮廓图；

当图像中存在多个人物且多个人物之间相互遮挡时，不仅需要将人物轮廓与背景环境进行分割，还要把相互存在遮挡的人物特征进行识别和分割，得到多个独立的人物轮廓信息，从而得到连续帧数人物分割图像，以便于提取到人物的人物特征信息。

S33、对连续帧数人物分割图像进行人物轮廓补偿以及对连续帧数人物分割图像的空洞进行联想填充，得到连续帧数人物轮廓处理图像。

具体的，使用漫水填充算法对边缘检测过程中产生的空洞进行填补。当人物的身体受到物体或者其他人物的遮挡时，在经过Mask Rcnn算法对连续帧数人物处理图像识别与分割后，得到的人物轮廓会存在不连续或者只有完整轮廓一部分的现象，因此使用漫水法填补后可得到连续帧数人物轮廓处理图像；

漫水填充法是一种用特定的颜色填充联通区域，通过设置可连通像素的上下限以及连通方式来达到不同的填充效果的方法。可以理解为在图像处理中给定一个种子点作为起始点，向附近相邻的像素点扩散，把颜色相同或者相近的所有点都找出来，并填补上新的颜色，这些点形成一个连通的区域。像洪水漫过一样，从而把一块连通的区域填满。在经过图像识别与分割后，人物轮廓不连续处的像素点值相同，因此通过给定一个种子点，向附近相邻的像素点进行扩散，从而将人物轮廓不连续处填充。

S34、从连续帧数人物轮廓图像中提取人物特征，识别出人物的人脸特征信息、手臂特征信息以及体型特征信息，得到连续帧数人物轮廓图像，并执行以下步骤S40。

S40、提取所述连续帧数人物轮廓图像中的人物特征，并对所述人物特征进行聚类，得到人物特征矩阵。

具体的，在获取连续帧数人物轮廓图像中的人脸特征信息、手臂特征信息以及体型特征信息时，分别对人脸特征信息、手臂特征信息以及体型特征信息进行聚类得到人脸特征矩阵、手臂特征矩阵以及体型特征矩阵，矩阵中的每个行向量数据为同一个人的不同帧数的图像。

本实施例可采用CW聚类算法(Chinese_Whisper)进行聚类，CW聚类算法是一种边数是时间线性的随机图聚集算法，通过构建无向图,将每个特征向量做为无向图中的一个节点, 特征向量之间的相似度作为节点之间的边,通过迭代查找一个节点对应的相似度权重累加和来查找类别并进行聚类。

本实施例以人脸特征信息、手臂特征信息以及体型特征信息作为特征向量进行聚类，分别得到三个无向图。首先，将不同帧数、不同的人的人物分到二维的人物特征矩阵，人物特征矩阵中每个行向量为同一人的不同帧数的人物特征，则不同的考勤对象位于人物特征矩阵中不同行中，从而能够同时对多个人同时进行人物特征识别，提高人物识别的效率。

S50、依次比对所述人物特征矩阵与预设的人物信息数据库得到人物相似度，根据人物相似度匹配人物的身份信息，并根据身份信息进行查询、登记考勤人物的考勤信息。其中，所述依次比对所述人物特征矩阵与预设的人物信息数据库得到人物相似度包括：

S51、参照图3，分别比对人脸特征矩阵、手臂特征矩阵、体型特征矩阵与相似人物信息矩阵中的手臂特征信息与体型特征信息从而得到人脸相似度、手臂相似度和体型相似度。

具体的，依次比对人脸特征矩阵与人物信息数据库中的人脸特征信息，得到人脸相似度。以人脸图像中的五官作为特征点进行定位，得到人脸特征的数据，从而构造人脸模型，通过人脸模型与人物信息数据库中已建立的人脸特征信息进行对比，得到关于人脸特征信息的相似度数据，并执行以下步骤S52。

本实施例对于识别人脸图像的特征点定位方式不做任何限制，例如可以通过ASM算法基于点分布模型算法(Active Shape Model)、主动外观模型算法(Active AppreanceModel)、或者基于dlib人脸检测算法确定待识别人脸图像中的人脸特征点(眼睛、眉毛、鼻子、嘴巴、脸部外轮廓)的位置，并建立人脸特征训练集。将该人脸特征训练集输入至卷积神经网络模型(CNN模型)进行训练，获得每帧待识别人脸图像中的人脸特征。优选地，将所述连续帧数图像数据按顺序分组；其中，每组图像数据包括连续N帧图像，N>1；对每组图像数据进行人脸特征点定位，并通过预设的卷积神经网络模型，提取出每帧图像中的人脸特征。在本发明实施例中，N＝10，对应地，人脸特征列表的长度为10。对于接收到的连续帧数图像数据，每10帧图像作为一组，依次进行分析。需要说明的是，所述基于自学习的人脸考勤设备接收到的连续帧数图像数据即为视频数据，将该视频数据划分为若干份固定长度的子视频数据，然后通过人脸图像质量分析筛选每份子视频数据的目标帧图像，作为待识别人脸图像，可以减少计算量，提高识别效率。

具体的，卷积神经网络将采集到的图像看成数字矩阵，每一个像素点里都存储着图像的信息，通过将像素点分别与定义的卷积核相乘后再相加，得到的结果作为卷积层的特征向量，卷积层是用于提取图片每个小部分里具有的特征。可以理解为首先将采集到的图像分割成多个小部分，这里的卷积核可以理解为与人脸形状相同的筛子，用筛子对每个部分进行筛选，从而得到含有人脸形状的特征结果，特征结果越大，说明该部分与人脸形状的关联性越高，相反，关联性就越低，可理解为与人脸形状的无关的环境特征。

经过卷积层处理后的图像需要经过池化层的处理，全连接层是对提取到的特征进行分类识别，从而减少训练参数的数量，降低卷积层输出的特征向量的维度，减小卷积层处理过程产生的过拟合现象，只保留最有用的图片信息以及减少噪声的传递。卷积核处理后得到多个特征结果，每个特征结果内又包含多个特征元素，池化层的处理就是从每个特征结果内计算出一个合适的特征元素来代替其他的特征元素，从而使得每个特征结果被压缩即可，减少了运算的数据量。常用的池化两种池化层的形式：

最大池化：选取指定区域内最大的一个数来代表整片区域；

均值池化：选取指定区域内数值的平均值来代表整片区域。

通过全连接层对池化层处理的图像进行映射，将多维的特征输入映射为二维的特征输出，从而识别出图像中的特征。如处理的图像中包含有人脸画面，全连接层通过摘取人的五官进行分类，然后将分类的特征与预先设置的图像进行对比，判断出这个特征是人的五官而不是门板或者墙体，进而识别出人与其他物体。

获取人脸相似度，依据人脸相似度的大小进行排序，得到人脸相似度的队列，通过队列中的人脸相似度与预设的人脸阈值比较，筛选出人脸相似度高于预设的人脸阈值的的人物作为相似人，查询相似人的手臂特征信息以及体型特征信息，得到相似人手臂组和相似人体型组。

分别提取手臂特征矩阵、体型特征矩阵中的手臂特征信息与体型特征信息，以肩膀、手腕以及胯部作为特征点进行定位，肩膀到手腕的距离作为手臂特征信息，肩膀之间的距离作为肩膀宽度以及胯部宽度作为体型特征信息；

分别将手臂特征信息和体型特征信息与相似人手臂组和相似人体型组进行对比，从而得到对应的手臂相似度和体型相似度；

S52、参照图3，对人脸相似度、手臂相似度以及体型相似度分别与人脸权值、手臂权值以及体型权值进行计算得到人物相似度，对比人物相似度与预设的人物阈值的大小确定考勤人物的身份信息。

在获取人脸相似度、手臂相似度和体型相似度时，根据对应的权值计算人物相似度，权值包括人脸权值、手臂权值以及体型权值分别对应于人脸相似度、手臂相似度和体型相似度；

人物相似度计算公式为：

人物相似度=人脸相似度*人脸权值+手臂相似度*手臂权值+体型相似度*体型权值；

本实施例中，人脸权值为0.7，手臂权值为0.1，体型权值为0.2。

对得到的人物相似度与预设的人物阈值比较，选取人物相似度中大于预设的人物阈值且人物相似度最大值，查询最大值所对应的人物信息作为考勤对象信息，并记录登记考勤时间；

当考勤对象的登记考勤时间早于规定考勤时间，且登记考勤时间与规定考勤时间的差值小于预设的第一时间阈值时，确认考勤对象的登记考勤有效并将考勤对象对应的身份信息以及有效考勤结果作出信息提示；

当考勤对象登记考勤时间晚于规定考勤时间，确认考勤对象的登记考勤无效并将考勤对象对应的身份信息以及无效考勤结果作出信息提示。

实施例二：

本发明实施例提供一种工程进度监理装置，包括：

人物信息数据库模块，用于存储人物的身份信息、考勤信息、人脸特征信息、手臂特征信息以及体型特征信息；

图像采集模块，用于对人物进入教室时的图像进行采集，得到连续帧数图像；

图像处理模块，用于对连续帧数图像进行图像处理并识别连续帧数图像中人物轮廓得到连续帧数人物轮廓处理图像；

人物特征聚类模块，用于对连续帧数人物轮廓处理图像中人物特征进行聚类，得到人物特征矩阵，其中，所述人物特征矩阵中每一行为同一人的不同帧数的图像对应的人物特征；

人物特征比对模块，用于将人物特征矩阵中人物特征与预设的人物信息数据库中存储的人物特征进行比对，分别得到人脸相似度、手臂相似度以及体型相似度。

其中，图像处理模块包括：

图像灰度处理单元，用于将图像采集模块采集到的连续数帧图像进行灰度变换，减少彩色图像中含有图像数据，以便于加快后续图片处理的数据量；

图像锐化处理单元，接受来自图像灰度处理单元的灰度图像，并进行锐化处理，使得图像中的人物边缘更加明显突出，从而得到连续帧数人物锐化图像；

图像去噪处理单元，内部预设有基于PDE的去噪算法，用于对连续帧数人物锐化图像去噪处理，减少图像中的干扰噪声，得到连续帧数人物处理图像；

人物轮廓识别与分割处理单元，通过Mask Rcnn算法对连续帧数人物处理图像中的人物进行识别，并按照人物的轮廓进行分割，提取出人物轮廓图；

当人物轮廓受到物体或者其他人物遮挡而人物轮廓不完整时，利用形态学处理对不连续的轮廓边界进行连接，使得人物轮廓更加清晰，便于提取人物特征。

实施例三：

本发明实施例提供一种电子设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述任一项方法的计算机程序。具体的，电子设备包括电脑、手机、平板、阅读器等。

实施例四：

本发明实施例通过一种计算机刻度存储介质，存储有能够被处理器加载并执行上述任一项方法的计算机程序。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。