[发明专利]基于深度神经网络的参会人员识别记录系统及方法

权利要求书

1.一种基于深度神经网络的参会人员识别记录系统，其特征在于：包括相机模块、边缘计算设备以及存储设备，所述相机模块和边缘计算设备均安装在开会区域内，所述边缘计算设备包括供电模块、AI核心运算模块以及网络传输模块，所述边缘计算设备通过网络传输模块与存储设备相连，所述相机模块采集开会区域内的视频和图片，所述网络模块将相机模块采集到的视频和图片传输至存储设备中，所述AI核心运算模块调用存储设备中的视频和图片进行处理、检测和识别。

2.根据权利要求1所述的一种基于深度神经网络的参会人员识别记录系统，其特征在于：所述AI核心运算模块包括模型应用模块，所述模型应用单元包括检测单元、第一判断单元和第二判断单元，使用图像处理算法调取所述相机模块截取每一帧图像输入检测单元，所述检测单元检测图像中的人数和位置；

所述第一判断单元设定开始阈值，图像中人数大于开始阈值且人员分布符合开会特征时判定为会议开始，所述相机模块开始录像；

所述第二判断单元设定结束阈值，图像中人数小于结束阈值且人员分布不符合开会特征时判定为会议结束，所述相机模块结束录像并上传至存储设备保存。

3.根据权利要求2所述的一种基于深度神经网络的参会人员识别记录系统，其特征在于：所述检测单元连接有模型训练模块，所述模型训练模块包括数据集制作单元和模型训练单元，所述数据集制作单元调取所述存储设备中的视频和图像转换成数据集，所述模型训练单元对数据集进行训练并输出模型至所述检测单元。

4.根据权利要求3所述的一种基于深度神经网络的参会人员识别记录系统，其特征在于：所述检测单元通过输入单一图片，得到所有满足参会人员特征的分割实例。

5.根据权利要求4所述的一种基于深度神经网络的参会人员识别记录系统，其特征在于：所述模型训练单元为经过特殊数据训练的模型及其衍生模型，包括FASTER-RCNN、SSD、Yolo。

6.根据权利要求3所述的一种基于深度神经网络的参会人员识别记录系统，其特征在于：所述数据制作单元通过计算机算法对输入图片进行预处理和增强，预处理和增强内容包括色彩空间转换、图像尺寸变换和图像投影变换。

7.根据权利要求6所述的一种基于深度神经网络的参会人员识别记录系统，其特征在于：所述相机模块设置为监控相机、广角相机以及红外线相机任意一种图像采集设备，所述网络传输模块设置为有线网络模块和无线网络模块，所述存储设备设置为硬盘、记忆卡、私有云服务器以及公有云服务器中任意一种。

8.根据权利要求3-7任一所述的一种基于深度神经网络的参会人员识别记录方法，其特征在于包括以下步骤：

S1:数据制作单元调取相机模块上传至存储设备中的视频和照片并进行预处理，形成数据集；

S2:模型训练单元的深度神经网络模型经过不断的调整超参数，并满足设定的识别准确率与召回率后，停止参数调整，并将调整过的模型部署到检测单元

S3：利计算机视觉算法实时调取相机模块，截取每一帧图像输入检测单元中测试好的模型，对人像的个数和位置进行识别后输出至第一判断单元；

S4：图像中人数大于开始阈值，人员分布符合开会特征时第一判断单元判断为会议开始，相机模块开始录像；

S5：图像中人数小于结束阈值，人员分布不符合开会特征时第二判断单元判断为会议结束，相机模块结束录像并保存至存储设备中。

9.根据权利要求8所述的一种基于深度神经网络的参会人员识别记录方法，其特征在于S1包括以下步骤：

A1：调取存储设备中相机模块拍摄的视频和照片，对视频进行截取，筛选其中带有人像的图片；

A2：使用图像标注工具对图片进行打标签操作；

A3：利用图像处理算法对图片进行resize操作修改大小；

A4：对数据集进行增强操作，对图片进行几何变换、随机修剪、标准化与归一化、亮度和对比度调节，再对数据集进行打乱操作；

A5：将数据集按照m：n的比例分为训练集和测试集，比例根据数据量分为8:2/99:1；

A6：将数据集转换为模型训练所需要的数据格式。