CN107316350B - 一种基于定位系统的考勤作弊行为检测方法 - Google Patents
一种基于定位系统的考勤作弊行为检测方法 Download PDFInfo
- Publication number
- CN107316350B CN107316350B CN201710549818.2A CN201710549818A CN107316350B CN 107316350 B CN107316350 B CN 107316350B CN 201710549818 A CN201710549818 A CN 201710549818A CN 107316350 B CN107316350 B CN 107316350B
- Authority
- CN
- China
- Prior art keywords
- data
- positioning
- time
- result
- cards
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Abstract
本发明公开了一种基于定位系统的考勤作弊行为检测方法,包括:步骤1:收集各个定位卡上传的定位数据;步骤2:获得重采样数据;步骤3:判定两张卡的运动状态;步骤4:获得定位卡3个通道中两组数据相似度;步骤5:基于相似度值与阈值的关系,判断出Ci和Cj相似关系;步骤6:重复进行上述步骤,获得两张卡的相似度累积结果,基于相似度累积结果判断出定位卡Ci、Cj在预设时间段内是否属于同一人携带;步骤7:获得多个一人携带两张定位卡的结果合集并进行分析,获得一人带两张及两张卡以上定位卡的结果,实现了通过本方法可以有效检测出一人带多卡等重复多次计算工作量等考勤作弊行为,确保工时统计的准确性的技术效果。
Description
技术领域
本发明涉及考勤作弊检测领域,具体地,涉及一种基于定位系统的考勤作弊行为检测方法。
背景技术
目前大部分是考勤是采用生物特征识别技术,它以人体唯一性的生物特征作为识别依据,通过图像采集、处理、特征点提取、生物特征搜索以及比对,实现人的唯一性检测,目前常用的生物特征识别技术主要有指纹识别、掌纹识别、虹膜识别、人脸识别、声纹识别等。
生物特征识别技术一般应用在作业之前进行考勤,虽然准确度较高,但是只能确保在识别的时候的唯一性,并不能确保在整个作业过程中的唯一性。有不少作业人员考勤之后离开工作场所,造成劳动力投入统计不准确。
综上所述,本申请发明人在实现本申请发明技术方案的过程中,发现上述技术至少存在如下技术问题:
在现有技术中,现有的基于生物特征识别技术的考勤存在不能够对整个作业过程进行监控的技术问题。
发明内容
本发明提供了一种基于定位系统的考勤作弊行为检测方法,解决了现有的基于生物特征识别技术的考勤存在不能够对整个作业过程进行监控的技术问题,实现了通过本方法可以有效检测出一人带多卡等重复多次计算工作量等考勤作弊行为,能够对整个作业过程进行监控,确保工时统计的准确性的技术效果。
为解决上述技术问题,本申请提供了一种基于定位系统的考勤作弊行为检测方法,所述方法包括:
步骤1:定位系统收集并缓存各个定位卡上传的定位数据,解算得到X,Y,Z三个通道的位置数据以及上传数据的时间戳信息,并用4元组(x,y,z,t)表示;
步骤2:对不同定位卡的数据进行重新采样到统一时刻,获得重采样数据;
步骤3:获得定位卡Ci、Cj重采样后数据,对两个定位卡具有相同采样时间点位置差进行统计,通过Ci或者Cj的相邻两次定位数据,判定两个定位卡的运动状态;
步骤4:对两个定位卡的同时刻数据点进行位置比较,获得Ci和Cj中X,Y,Z通道中两组数据相似度
步骤5:当得到的X,Y,Z通道中两组数据相似度均大于阈值Pthreshold-max时,则认定步骤1收集的两组数据Ci和Cj高度相似,记为S1;若三个通道有任意一个通道小于Pthreshold-min时,则认定上述两组数据高度不相似,记为S2;其余情况为低相似度,记为S3;
步骤6:重复进行上述步骤1-步骤5操作,获得两个定位卡在预设时间段内的相似度累积结果,基于相似度累积结果判断出两个定位卡Ci、Cj在预设时间段内是否属于同一人携带。
步骤7:获得多个一人携带两张定位卡的结果合集,对结果合集进行分析,获得一人带两张以上定位卡的结果。
其中,本方法的原理为通过定位系统采集作业人员携带的定位卡的定位数据,通过比较系统中任意两张定位卡的定位数据,分析两张卡轨迹相似度,判断是否为一人带两张卡,进而通过分析多组一人带两张卡的结果,得到是否有一人带两张以上卡的结果,从而达到检测一人带任意多卡的作弊行为的目的。
定位系统是指定位精度可以达到厘米级别,尤其是采用UWB超宽带技术构建的定位系统。采用精确定位系统可以有效准确统计出相关人员的工作时间以及工作区域,本发明可以解决精确定位系统中一人带多卡的考勤作弊行为,确保工时统计的准确性。
进一步的,所述步骤6具体包括:
在一段时间Tp内重复步骤1-步骤5,得到Ci和Cj以周期Ta分别计算的一组数据的相似度结果,最多有个结果;
进行一人带两张卡的判断,分别得到S1和S3在所有数据结果中的比例使用 分别设定两个阈值PS1-threshold和PS3-threshold;
如果PS1>PS1-threshold并且PS3<PS3-threshold,则判定Ci和Cj在Tp时间内属于一人带两张卡。
进一步的,所述方法还包括:
步骤7具体为:假设Tp时间内具有数据的定位卡集合setc={C1,C2,…Cn},则两两多卡判定结果最多具有组结果setr中的每个元素Ri是指定位卡Cl和Ck的结果;目标为求得setq={Q1,Q2…Qm}中每个元素Qi都是由两个及两个以上setc中的元素组成的。遍历setr集合,对于任意元素Ri,它是由Cl和Ck的多卡结果组成。
进一步的,所述步骤7具体包括:
步骤7.1:遍历setr集合,对于任意元素Ri,它是由Cl和Ck的多卡结果组成;如果Cl和Ck是多卡,则进行步骤7.2,否则遍历下一个元素Ri+1;
步骤7.2:判断Cl和Ck是否属于某个多卡集合,如果都不属于,则新建一个setq元素,将Cl和Ck添加进去,setq新增元素{Cl,Ck};
步骤7.3:如果Cl或者Ck只有一个属于setq的某个元素,则进行如下判断:假设Ck属于setq元素Qi={Ck,Cz},而Cl不属于setq中任意一个元素;
步骤7.4:根据以上条件,现有set1={Cl,Ck},set2={Ck,Cz},将一段工作时间(Tp)分成了一组以周期为Ta的连续时间集,set1、set2的结果均是由一个个Ta时间内的结果组成。set1time={Ta1,Ta2…Tai…Tan},set2time={T`a1,T`a2…T`aj…T`am},如果set1time∩set2time得到的结果set12time集合元素表示在同一组Ta时间内set1和set2均取得到了步骤5的结果,假设在同一个Tai=T`aj周期内,两组结果都为S1,则说明Cl、Ck、Cz在这组时间内高度相似,记为set12={Cl,Ck,Cz}在周期Tai或者T`aj上拥有S1结果;如果在此周期内,任意一个结果为S3,则说明set12在周期Tai上拥有S3结果,剩下的判定为S2结果;最后根据步骤6计算set12的PS1和PS3的值,判断是否为多卡,如果为多卡则进行合并,否则不进行合并;合并时,Qi元素变为{Cl,Ck,Cz},不合并时将在setq中新增元素{Cl,Ck},同时Qi元素保持不变;
步骤7.5:如果Cl和Ck分别属于两个不同的setq元素集合Qi和集合Qj,则同理进行步骤7.4,判断Qi和Qj是否进行合并,合并之后,删除setq中原有的Qi和Qj,新增元素{Qi∪Qj};当遍历完所有的setr集合元素并进行7.1-7.5过程后,setq即为目标所求,setq中的每一个元素即为判断出的多卡的组合。
进一步的,所述步骤3具体包括:
设Ci的三个通道数据经过重采样之后定位数据,X通道(x1,t1),…(xi,ti),…(xnx,tnx),Y通道为(y1,t1),…(yi,ti),…(yny,tny),Z通道为(z1,t1),…(zi,ti),…(znz,tnz);Cj经过重采样之后的定位数据为(x`1,t`1),…(x`i,t`i),…(x`nx`,t`nx`),Y通道为(y`1,t`1),…(y`i,t`i),…(y`ny`,t`ny`),Z通道为(z`1,t`1),…(z`i,t`i),…(z`nz`,t`nz`),Ci三个通道分别具有nx,ny,nz条数据,Cj三个通道分别具有nx`,ny`,nz`条数据,均按升序排列;
通过Ci或者Cj的相邻两次定位数据,判定其运动状态,有运动和静止两种状态;以Ci的X通道数据为例Y、Z通道同理,计算相邻两个时间点之间数据(xi,ti),(xi+1,ti+1)的欧氏距离;
(其中i=1,2…nx-1)
设定一个阈值Dmov,如果满足不等式条件,则认为Ci在ti时刻在X通道上处于运动状态,相反则处于静止状态。
进一步的,所述步骤4具体包括:
步骤4.1:两个游标Ii,Ij分别从Ci和Cj数据的头部开始,以X通道为例;
步骤4.2:假设Ii和Ij对应的数据为(xia,tia),(x`ib,t`ib),如果tia和t`ib指向同一个时刻,则进行通道数据xia和x`ib的比较,得到在tia和tib时刻Ci和Cj的运动状态,如果两者之一有处于运动状态者,则数据之差|xia-x`ib|小于给定a0*D,则认为这两个数据点接近,同时计数器Countcmp和Countclose加1,如果数据之差大于a0*D,则只有Countcmp加1,Countcmp代表具有相同时刻的数据计数,Countclose代表具有相同时刻并且位置接近的数量;如果两者都处于静止状态,则a0等于1,运动状态下a0大于2;
步骤4.3:如果tia和t`ib指向不是同一个时刻,则时间戳较大的数据对应的游标不动,较小的往后移动;
步骤4.4:当Ci和Cj的任何一个游标遍历完,则计算结果得到X通道中两组数据相似度;
对通道Y,Z重复4.1-4.4步骤,得到三个通道的Pclose值分别为
进一步的,步骤1-步骤2之间,所述方法还包括以下步骤:
步骤A:每个定位卡均记录一个包围盒,包围盒将一段时间内定位卡的所有定位数据包含其中,每张定位卡每次得到新的数据的时候更新确定包围盒的6元组(Xmin,Xman,Ymin,Ymax,Zmin,Zmax);当缓存时间超过Ta,将各个定位卡在Ta时间内上传的定位数据连同包围盒添加到后续步骤进行多卡检测;设Ta时间内具有数据的定位卡集合setc={C1,C2,…Cn},对应的包围盒集合setbox={boxc1,boxc2..boxcn},setbox集合元素boxci由6元组构成;
步骤B:对setc中的任意两张卡Ci和Cj进行处理,有种组合情况,首先判断boxci和boxcj包围盒有没有交集,如果没有交集,则说明Ci和Cj在Ta这段时间内数据相差较大,说明两组数据高度不相似,将结果标记为S2,将此次Ta的结果记录下来,如果包围盒相交,则进行后面的步骤;
步骤C:分别对定位卡定位数据的三个通道的数据进行坏值剔除和平滑处理。
进一步的,所述对定位卡定位数据的三个通道的数据进行坏值剔除处理,具体包括:
步骤D:对于任意两张定位卡Ci和Cj,处理步骤A中累积的数据,由于现场环境外界因素的影响,导致累积的数据并不都是按周期T上传的,假设Ci和Cj累积的数据数量小于一个阈值N,则将不对这两张卡进行后续处理,如果数据数量满足条件,进入步骤E,如果不满足,继续重复步骤A挑选另外两组数据;
步骤E:去坏值之前,Ci或者Cj任意两个连续的定位数据四元组(xi,yi,zi,ti),(xi+1,yi+1,zi+1,ti+1),两个数据时间差|ti+1-ti|,定义允许最大时间差为tmax_delta,如果两个连续的定位数据时间差大于tmax_delta,则需要从这两个定位数据点之间分开,ti+1后面的选取一段tbad之内的数据进行去坏值处理,同时保证最少有个点;
步骤F:运动轨迹包含三个分量X,Y,Z,假设为相对独立事件,对三个分量分开研究和处理,以X方向去坏值为例,Y,Z同理:
假设定位系统的标签的携带者是人,则假设人运动的速度在相对较短的时间里面tbad是匀速运动,对于每个定位值xi,根据相邻的两个定位点的位置和时间戳,可以求对于xi的速度测量值vi取标量,然后得到多组速度的测量值setv={v1v2v3…vi…vn},然后根据去坏值的准则三倍标准差去除vi对应的xi;
在X方向上速度标准差σx定义为
上式中v代表速度的平均值;接着遍历setv,不满足不等式条件|vi-v|<3σx的数据判定为坏值,Y,Z方向同理。
进一步的,对数据使用Savitzky-Golay滤波器进行平滑滤波处理。
进一步的,所述对不同定位卡的数据进行重新采样,具体为使用同一张定位卡的相邻两个数据根据重采样时间点线性插值完成。
本申请提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明涉及一种基于精确定位系统的一人带多卡考勤作弊行为的检测方法,确保工业区域、建筑工地等作业区域内相关作业人员一人只带一张精确定位卡进行作业和考勤,解决了现有的基于生物特征识别技术的考勤存在不能够对整个作业过程进行监控的技术问题,实现了通过本方法可以有效检测出一人带多卡等重复多次计算工作量等考勤作弊行为,能够对整个作业过程进行监控,确保工时统计的准确性的技术效果。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定;
图1是本申请中基于定位系统的考勤作弊行为检测方法的流程示意图。
具体实施方式
本发明提供了一种基于定位系统的考勤作弊行为检测方法,解决了现有的基于生物特征识别技术的考勤存在不能够对整个作业过程进行监控的技术问题,实现了通过本方法可以有效检测出一人带多卡等重复多次计算工作量等考勤作弊行为,能够对整个作业过程进行监控,确保工时统计的准确性的技术效果。
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
请参考图1,本申请提供了一种基于定位系统的考勤作弊行为检测方法,精确定位系统提供厘米级定位,假设定位精度标准差为σ,定位卡定位数据上传周期为T,相关作业人员每人身上佩戴一张定位标签卡进入到作业区域作业。
系统收集并缓存各个定位卡周期上传的定位数据,解算得到X,Y,Z三个通道的位置数据(笛卡尔坐标系,可根据用户实际情况设定)以及上传数据的时间戳信息用4元组(x,y,z,t)表示。为了减少数据计算量以及优化多卡判定效果,进行步骤1-5。
1.因为一人带多卡的情况下,定位系统得到的位置都非常接近,为了减少不必要的计算量,给每个定位卡都记录一个包围盒。包围盒(立方体)将一段时间内定位卡的所有定位数据包含其中,每张定位卡每次得到新的数据的时候更新确定包围盒的6元组(Xmin,Xman,Ymin,Ymax,Zmin,Zmax)。
当缓存时间超过Ta,将各个定位卡在Ta时间内上传的定位数据连同包围盒添加到后续步骤进行多卡检测。
设Ta时间内具有数据的定位卡集合setc={C1,C2,…Cn},对应的包围盒集合setbox={boxc1,boxc2..boxcn},setbox集合元素boxci由6元组构成。
1.1接着对setc中的任意两张卡Ci和Cj进行处理,有种组合情况。首先判断boxci和boxcj包围盒有没有交集,如果没有交集,那么说明Ci和Cj在Ta这段时间内数据相差很大,说明两组数据高度不相似,和步骤9一样,将结果标记为S2,将此次Ta的结果记录下来。如果包围盒相交,那么进行后面的步骤。
在进行两张卡定位数据多卡判定之前,可以分别对两张卡的定位数据的三个通道的数据进行坏值剔除,平滑处理,这样可以优化多卡判定效果。2-4为去坏值处理,5为平滑处理。坏值剔除以及平滑处理操作可以得到更好的运动曲线,但是引入了额外的计算量,可根据实际情况确定是否引入。
2.对于任意两张定位卡Ci和Cj,处理1中累积的数据。由于现场环境的电磁干扰等外界因素的影响,导致累积的数据并不都是按周期T上传的。假设Ci和Cj累积的数据数量小于一个阈值N,那么将不对这两张卡进行后续处理。如果数据数量满足条件,进入3,如果不满足,继续重复1.1挑选另外两组数据。
3.去坏值之前,Ci或者Cj任意两个连续(按时间递增排序)的定位数据四元组(xi,yi,zi,ti),(xi+1,yi+1,zi+1,ti+1),两个数据时间差|ti+1-ti|不能太大。如果太大,那么速度估算误差将会较大。定义允许最大时间差为tmax_delta,如果两个连续的定位数据时间差大于tmax_delta,那么需要从这两个定位数据点之间分开,ti+1后面的(包括ti+1)选取一段tbad之内的数据进行去坏值处理,同时保证最少有个点,就是说保证平均采样周期得为2T以上。ti+1之前的数据,如果数据比较少的话可以直接剔除,数据点较多的话,比如大于保留使用。
4.接着处理步骤3之后的数据,运动轨迹包含三个分量X,Y,Z可以假设为相对独立事件,三个分量就可以分开研究和处理。以X方向去坏值为例,Y,Z同理。
假设精确定位系统的标签的携带者是人,那么可以假设人运动的速度在相对较短的时间里面tbad(比如10s)是匀速运动。那么对于每个定位值xi,根据相邻的两个定位点的位置和时间戳,可以求对于xi的速度测量值vi(取标量)然后得到多组速度的测量值setv={v1v2v3…vi…vn},然后根据去坏值的准则(三倍标准差)去除vi对应的xi。
那么在X方向上速度标准差σx定义为(Y,Z方向同理):
上式中v代表速度的平均值。
接着遍历setv,不满足不等式条件|vi-v|<3σx的数据判定为坏值。
在去坏值的过程中还可以考虑加上人运动速度的限制,比如大部分人行走的速度在vp=1.5m/s左右,如果定位点的速度达到了5vp,那么可以考虑剔除这个数据。
5.去除坏值之后的数据中还包含有噪音数据,为了得到更接近真实的定位数据,可以对数据进行平滑滤波处理。平滑滤波法方法很多,这里滤波器使用Savitzky-Golay滤波器,它是对局部少量数据应用最小二乘方法,同时依次对所有数据做滑动窗口处理,根据现场应用情况选定窗口大小和多项式最高次系数,一般窗口可以选5,高次系数为1。
在经过以上步骤(1-5)之后,将进入到系统最重要的两张卡多卡判定阶段(6-10.3小节)。首先进行步骤6数据重采样。
6.因为传输延迟的影响以及定位上传数据的时间戳不一样,所以为了在同一个时刻对不同卡的位置进行正确比较,需要对让不同定位卡的数据进行重新采样到统一时刻。方法就是使用同一张卡的相邻两个数据根据重采样时间点线性插值完成,这里假定短时间段内进行匀速运动。重采样的时间点是根据定位数据上传周期为T来计算的。比如周期T为0.5s,当前时间戳为1493300310,那么可以重采样时间戳为{…1493300310-0.5,1493300310,1493300310+0.5…}
7.步骤6得到Ci、Cj重采样之后数据,然后对两张卡具有相同采样时间点位置差进行统计。设Ci的三个通道数据分别经过去坏值、滤波、重采样之后定位数据,X通道(x1,t1),…(xi,ti),…(xnx,tnx),Y通道为(y1,t1),…(yi,ti),…(yny,tny),Z通道为(z1,t1),…(zi,ti),…(znz,tnz)。Cj经过经过同样过程之后的定位数据为(x`1,t`1),…(x`i,t`i),…(x`nx`,t`nx`),Y通道为(y`1,t`1),…(y`i,t`i),…(y`ny`,t`ny`),Z通道为(z`1,t`1),…(z`i,t`i),…(z`nz`,t`nz`),Ci三个通道分别具有nx,ny,nz条数据,Cj三个通道分别具有nx`,ny`,nz`条数据,均按升序排列。对三个通道分别执行后续操作。
7.1通过Ci或者Cj的相邻两次定位数据,可以判定其运动状态,有运动和静止两种状态。以Ci的X通道数据为例,计算相邻两个时间点之间数据(xi,ti),(xi+1,ti+1)的欧氏距离。
(其中i=1,2…nx-1)
设定一个阈值Dmov,如果满足不等式条件,那么认为Ci在ti时刻在X通道上处于运动状态,相反则处于静止状态。对tnx时刻对应的运动状态可以直接使用tnx-1状态代替。(Y,Z通道同理)
8在可以判定运动状态之后,接着依次对两张卡的同时刻数据点进行位置比较。
8.1两个游标Ii,Ij分别从Ci和Cj数据的头部开始(以X通道为例)。
8.2假设Ii和Ij对应的数据为(xia,tia),(x`ib,t`ib),如果tia和t`ib指向同一个时刻,那么进行通道数据xia和x`ib的比较,通过7.1算法得到在tia和tib时刻Ci和Cj的运动状态,如果两者之一有处于运动状态者,那么数据之差|xia-x`ib|小于给定a0*D,就认为这两个数据点非常接近,同时计数器Countcmp和Countclose加1,如果数据之差大于a0*D,那么只有Countcmp加1,Countcmp代表具有相同时刻的数据计数,Countclose代表具有相同时刻并且位置非常接近的数量。如果两者都处于静止状态,那么a0等于1,运动状态下a0一般大于2。运动状态下,因为数据传输延迟以及数据上传时间戳的不同,造成普遍情况下Ci和Cj距离的增大。不同a0的取值可以减少此种影响。
8.3如果tia和t`ib指向不是同一个时刻,那么时间戳较大的数据对应的游标不动,较小的往后移动。例如,如果tia大于t`ib,那么Ij游标往后移动,接着回到步骤8.2继续。
8.4当Ci和Cj的任何一个游标遍历完,那么计算结果得到X通道中两组数据相似度。
8.5对通道Y,Z重复8.1-8.4步骤,得到三个通道的Pclose值分别为
9当8.5中得到的三个通道的Pclose值均大于阈值Pthreshold-max的时候,那么我们认为步骤1时间Ta内收集的两组数据Ci和Cj高度相似,记为S1。如果三个通道有任意一个通道小于Pthreshold-min的时候,那么说明这两组数据高度不相似,记为S2。其余情况为低相似度,记为S3。
10有了两张卡在某小段时间内的相似度结果之后就可累积多次数据来得到最后的结果
10.1根据实际情况,在一段时间Tp内重复1-9过程(比如在一个工作班次内),得到Ci和Cj以周期Ta分别计算的一组组数据的相似度结果,最多有个结果。
10.2进行一人带多卡的判断方法,分别得到S1和S3在所有数据结果中的比例使用分别设定两个阈值PS1-threshold和PS3-threshold。
10.3如果PS1>PS1-threshold并且PS3<PS3-threshold,那么可以判定Ci和Cj在Tp时间内属于一人带两张卡。
11通过以上过程可以确定Ci和Cj是由同一个人佩戴。实际情况可能一人佩戴更多的定位卡。假设Tp时间内具有数据的定位卡集合setc={C1,C2,…Cn},那么两两多卡判定结果最多具有组结果setr中的每个元素Ri是指定位卡Cl和Ck的结果。目标为求得setq={Q1,Q2…Qm}中每个元素Qi都是由两个及两个以上setc中的元素组成的。比如,两个人A,B分别带有卡号集合{C1,C2,C3}和{C4,C5}。那么setq={{C1,C2,C3},{C4,C5}}表示得到两组多卡结果。而setr就具有{{C1,C2},{C1,C3},{C2,C3},{C4,C5}}。为了得到setq,需要进行如下过程:
遍历setr集合。对于任意元素Ri,它是由Cl和Ck的多卡结果组成。
11.1遍历setr集合。对于任意元素Ri,它是由Cl和Ck的多卡结果组成。如果Cl和Ck是多卡,那么进行下一步。否则遍历下一个元素Ri+1
11.2判断Cl和Ck是否属于某个多卡集合,如果都不属于,那么新建一个setq元素,将Cl和Ck添加进去,那么setq新增元素{Cl,Ck}
11.3如果Cl或者Ck只有一个属于setq的某个元素,那么进行如下判断:假设Ck属于setq元素Qi={Ck,Cz},而Cl不属于setq中任意一个元素;
11.4根据以上条件,现有set1={Cl,Ck},set2={Ck,Cz}。set1,set2的结果是均由一个个Ta时间内结果组成的,就是说set1time={Ta1,Ta2…Tai…Tan},set2time={T`a1,T`a2…T`aj…T`am},如果set1time∩set2time得到的结果set12time集合元素表示在同一组Ta时间内set1和set2均取得到了步骤9的结果,假设在同一个Tai=T`aj周期内,两组结果都为S1,那么说明Cl、Ck、Cz在这组时间内高度相似,记为set12={Cl,Ck,Cz}在周期Tai(或者T`aj)上拥有S1结果。如果在此周期内,任意一个结果为S3,那么说明set12在周期Tai上拥有S3结果,剩下的判定为S2结果。最后根据10.3计算set12的PS1和PS3的值,判断是否为多卡,如果为多卡那么就进行合并,否则不进行合并。合并的话,Qi元素变为{Cl,Ck,Cz},不合并的话将会在setq中新增元素{Cl,Ck},同时Qi元素保持不变。
11.5如果Cl和Ck分别属于两个不同的setq元素集合Qi和集合Qj,那么同理进行步骤11.4,判断Qi和Qj是否进行合并,合并之后,删除setq中原有的Qi和Qj,新增元素{Qi∪Qj}
当遍历完所有的setr集合元素并进行11.1-11.5过程后,setq即为目标所求。setq中的每一个元素即为判断出的多卡的组合,然后系统可以根据组合进行报警。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于定位系统的考勤作弊行为检测方法,其特征在于,所述方法包括:
步骤1:定位系统收集并缓存各个定位卡上传的定位数据,解算得到X,Y,Z三个通道的位置数据以及上传数据的时间戳信息,并用4元组(x,y,z,t)表示;
步骤2:对不同定位卡的数据进行重新采样到统一时刻,获得重采样数据;
步骤3:获得定位卡Ci、Cj重采样后数据,对两个定位卡具有相同采样时间点位置差进行统计,通过Ci或者Cj的相邻两次定位数据,判定两个定位卡的运动状态;
步骤4:对两个定位卡的同时刻数据点进行位置比较,获得Ci和Cj中X,Y,Z通道中两组数据相似度
步骤5:当得到的X,Y,Z通道中两组数据相似度均大于阈值Pthreshold-max时,则认定步骤1收集的Ci和Cj的两组数据高度相似,记为S1;若三个通道有任意一个通道小于Pthreshold-min时,则认定上述两组数据高度不相似,记为S2;其余情况为低相似度,记为S3;
步骤6:重复进行上述步骤1-步骤5操作,获得两个定位卡在预设时间段内的相似度累积结果,基于相似度累积结果判断出两个定位卡Ci、Cj在预设时间段内是否属于同一人携带;
步骤7:获得多个一人携带两张定位卡的结果合集,对结果合集进行分析,获得一人带两张及两张以上定位卡的结果;
所述步骤6具体包括:
在一段时间Tp内重复步骤1-步骤5,得到Ci和Cj以周期Ta分别计算的一组数据的相似度结果,最多有个结果;
进行一人带两个定位卡的判断,分别得到S1和S3在所有数据结果中的比例使用分别设定两个阈值PS1-threshold和PS3-threshold;
如果PS1>PS1-threshold并且PS3<PS3-threshold,则判定Ci和Cj在Tp时间内属于一人带两个定位卡。
2.根据权利要求1所述的基于定位系统的考勤作弊行为检测方法,其特征在于,所述步骤7具体为:假设Tp时间内具有数据的定位卡集合setc={C1,C2,…Cn},则两两多卡判定结果最多具有组结果setr中的每个元素Ri是指定位卡Cl和Ck的结果;目标为求得setq={Q1,Q2…Qm}中每个元素Qi都是由两个及两个以上setc中的元素组成的。
3.根据权利要求2所述的基于定位系统的考勤作弊行为检测方法,其特征在于,所述步骤7具体包括:
步骤7.1:遍历setr集合,对于任意元素Ri,它是由Cl和Ck的多卡结果组成,如果定位卡Cl和Ck是多卡,则进行步骤7.2,否则遍历下一个元素Ri+1;
步骤7.2:判断Cl和Ck是否属于某个多卡集合,如果都不属于,则新建一个setq元素,将Cl和Ck添加进去,setq新增元素{Cl,Ck};
步骤7.3:如果Cl或者Ck只有一个属于setq的某个元素,则进行如下判断:假设Ck属于setq元素Qi={Ck,Cz},而Cl不属于setq中任意一个元素;
步骤7.4:根据以上条件,现有set1={Cl,Ck},set2={Ck,Cz},set1、set2的结果均是由一个个Ta时间内结果组成,即set1time={Ta1,Ta2…Tai…Tan},set2time={T`a1,T`a2…T`aj…T`am},如果set1time∩set2time得到的结果set12time集合元素表示在同一组Ta时间内set1和set2均取得到了步骤5的结果,假设在同一个Tai=T`aj周期内,两组结果都为S1,则说明Cl、Ck、Cz在这组时间内高度相似,记为set12={Cl,Ck,Cz}在周期Tai或者T`aj上拥有S1结果;如果在此周期内,任意一个结果为S3,则说明set12在周期Tai或者T`aj上拥有S3结果,剩下的判定为S2结果;最后根据步骤6计算set12的PS1和PS3的值,判断是否为多卡,如果为多卡则进行合并,否则不进行合并;合并时,Qi元素变为{Cl,Ck,Cz},不合并时将在setq中新增元素{Cl,Ck},同时Qi元素保持不变;
步骤7.5:如果Cl和Ck分别属于两个不同的setq元素集合Qi和集合Qj,则同理进行步骤7.4,判断Qi和Qj是否进行合并,合并之后,删除setq中原有的Qi和Qj,新增元素{Qi∪Qj};当遍历完所有的setr集合元素并进行7.1-7.5过程后,setq即为目标所求,setq中的每一个元素即为判断出的多卡的组合。
4.根据权利要求1所述的基于定位系统的考勤作弊行为检测方法,其特征在于,所述步骤3具体包括:
设Ci的三个通道数据经过重采样之后定位数据,X通道(x1,t1),…(xi,ti),…(xnx,tnx),Y通道为(y1,t1),…(yi,ti),…(yny,tny),Z通道为(z1,t1),…(zi,ti),…(znz,tnz);Cj经过重采样之后的定位数据为(x`1,t`1),…(x`i,t`i),…(x`nx`,t`nx`),Y通道为(y`1,t`1),…(y`i,t`i),…(y`ny`,t`ny`),Z通道为(z`1,t`1),…(z`i,t`i),…(z`nz`,t`nz`),Ci三个通道分别具有nx,ny,nz条数据,Cj三个通道分别具有nx`,ny`,nz`条数据,均按升序排列;
通过Ci或者Cj的相邻两次定位数据,判定其运动状态,有运动和静止两种状态;以Ci的X通道数据为例,Y、Z通道同理,计算相邻两个时间点之间数据(xi,ti),(xi+1,ti+1)的欧氏距离;
(其中i=1,2…nx-1)
设定一个阈值Dmov,如果满足不等式条件,则认为Ci在ti时刻在X通道上处于运动状态,相反则处于静止状态。
5.根据权利要求1所述的基于定位系统的考勤作弊行为检测方法,其特征在于,所述步骤4具体包括:
步骤4.1:两个游标Ii,Ij分别从Ci和Cj数据的头部开始,以X通道为例;
步骤4.2:假设Ii和Ij对应的数据为(xia,tia),(x`ib,t`ib),如果tia和t`ib指向同一个时刻,则进行通道数据xia和x`ib的比较,得到在tia和tib时刻Ci和Cj的运动状态,如果两者之一有处于运动状态者,则数据之差|xia-x`ib|小于给定a0*D,则认为这两个数据点接近,同时计数器Countcmp和Countclose加1,如果数据之差大于a0*D,则只有Countcmp加1,Countcmp代表具有相同时刻的数据计数,Countclose代表具有相同时刻并且位置接近的数量;如果两者都处于静止状态,则a0等于1,运动状态下a0大于2;
步骤4.3:如果tia和t`ib指向不是同一个时刻,则时间戳较大的数据对应的游标不动,较小的往后移动;
步骤4.4:当Ci和Cj的任何一个游标遍历完,则计算结果得到X通道中两组数据相似度;
对通道Y,Z重复4.1-4.4步骤,得到三个通道的Pclose值分别为
6.根据权利要求1所述的基于定位系统的考勤作弊行为检测方法,其特征在于,步骤1-步骤2之间,所述方法还包括以下步骤:
步骤A:每个定位卡均记录一个包围盒,包围盒将一段时间内定位卡的所有定位数据包含其中,每张定位卡每次得到新的数据的时候更新确定包围盒的6元组(Xmin,Xman,Ymin,Ymax,Zmin,Zmax);当缓存时间超过Ta,将各个定位卡在Ta时间内上传的定位数据连同包围盒添加到后续步骤进行多卡检测;设Ta时间内具有数据的定位卡集合setc={C1,C2,…Cn},对应的包围盒集合setbox={boxc1,boxc2..boxcn},setbox集合元素boxci由6元组构成;
步骤B:对setc中的任意两张卡Ci和Cj进行处理,有种组合情况,首先判断boxci和boxcj包围盒有没有交集,如果没有交集,则说明Ci和Cj在Ta这段时间内数据相差较大,说明两组数据高度不相似,将结果标记为S2,将此次Ta的结果记录下来,如果包围盒相交,则进行后面的步骤;
步骤C:分别对定位卡定位数据的三个通道的数据进行坏值剔除和平滑处理。
7.根据权利要求6所述的基于定位系统的考勤作弊行为检测方法,其特征在于,所述对定位卡定位数据的三个通道的数据进行坏值剔除处理,具体包括:
步骤D:对于任意两张定位卡Ci和Cj,处理步骤A中累积的数据,由于现场环境外界因素的影响,导致累积的数据并不都是按周期T上传的,假设Ci和Cj累积的数据数量小于一个阈值N,则将不对这两张卡进行后续处理,如果数据数量满足条件,进入步骤E,如果不满足,继续重复步骤A挑选另外两组数据;
步骤E:去坏值之前,Ci或者Cj任意两个连续的定位数据四元组(xi,yi,zi,ti),(xi+1,yi+1,zi+1,ti+1),两个数据时间差|ti+1-ti|,定义允许最大时间差为tmax_delta,如果两个连续的定位数据时间差大于tmax_delta,则需要从这两个定位数据点之间分开,ti+1后面的选取一段tbad之内的数据进行去坏值处理,同时保证最少有个点;
步骤F:运动轨迹包含三个分量X,Y,Z假设为相对独立事件,对三个分量分开研究和处理,以X方向去坏值为例,Y,Z同理:
假设定位系统的标签的携带者是人,则假设人运动的速度在相对较短的时间里面tbad是匀速运动,对于每个定位值xi,根据相邻的两个定位点的位置和时间戳,可以求对于xi的速度测量值vi取标量,然后得到多组速度的测量值setv={v1 v2 v3 … vi … vn},然后根据去坏值的准则三倍标准差去除vi对应的xi;
在X方向上速度标准差σx定义为
上式中v代表速度的平均值;接着遍历setv,不满足不等式条件|vi-v|<3σx的数据判定为坏值,Y,Z方向同理。
8.根据权利要求6所述的基于定位系统的考勤作弊行为检测方法,其特征在于,对数据使用Savitzky-Golay滤波器进行平滑滤波处理。
9.根据权利要求1所述的基于定位系统的考勤作弊行为检测方法,其特征在于,所述对不同定位卡的数据进行重新采样,具体为使用同一张定位卡的相邻两个数据根据重采样时间点线性插值完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710549818.2A CN107316350B (zh) | 2017-07-07 | 2017-07-07 | 一种基于定位系统的考勤作弊行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710549818.2A CN107316350B (zh) | 2017-07-07 | 2017-07-07 | 一种基于定位系统的考勤作弊行为检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107316350A CN107316350A (zh) | 2017-11-03 |
CN107316350B true CN107316350B (zh) | 2019-07-05 |
Family
ID=60178403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710549818.2A Active CN107316350B (zh) | 2017-07-07 | 2017-07-07 | 一种基于定位系统的考勤作弊行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107316350B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109147075B (zh) * | 2018-08-13 | 2021-04-13 | 四川科道芯国智能技术股份有限公司 | 学生考勤方法及装置 |
CN109544718A (zh) * | 2018-11-20 | 2019-03-29 | 左凌云 | 一种考勤方法及其系统 |
CN110715658A (zh) * | 2019-09-16 | 2020-01-21 | 深圳市航天华拓科技有限公司 | 应用于可穿戴设备的检测作弊方法、装置及监控系统 |
CN113064916B (zh) * | 2021-04-22 | 2023-09-05 | 中国平安财产保险股份有限公司 | 异常打卡行为的监测方法、装置、计算机设备及存储介质 |
CN117194437B (zh) * | 2023-11-02 | 2024-02-02 | 北京国电通网络技术有限公司 | 文件存储方法、装置、电子设备和计算机可读介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251934A (zh) * | 2008-01-30 | 2008-08-27 | 深圳市龙盾信息工程有限公司 | 可随身携带的考勤机及其考勤处理方法 |
CN104331942A (zh) * | 2014-09-26 | 2015-02-04 | 深圳市翌日科技有限公司 | 一种矿工刷卡的分析系统 |
CN104408779A (zh) * | 2014-11-14 | 2015-03-11 | 苏州盖雅信息技术有限公司 | 一种基于智能手机的nfc考勤系统及使用方法 |
CN104899952A (zh) * | 2015-06-18 | 2015-09-09 | 阿里巴巴集团控股有限公司 | 基于即时通讯应用的考勤方法及装置 |
CN205899624U (zh) * | 2016-07-18 | 2017-01-18 | 重庆中科云丛科技有限公司 | 智能考勤系统 |
CN106504359A (zh) * | 2016-10-28 | 2017-03-15 | 广东亿迅科技有限公司 | 一种基于位置和运动状态的智能考勤系统及其实现方法 |
-
2017
- 2017-07-07 CN CN201710549818.2A patent/CN107316350B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251934A (zh) * | 2008-01-30 | 2008-08-27 | 深圳市龙盾信息工程有限公司 | 可随身携带的考勤机及其考勤处理方法 |
CN104331942A (zh) * | 2014-09-26 | 2015-02-04 | 深圳市翌日科技有限公司 | 一种矿工刷卡的分析系统 |
CN104408779A (zh) * | 2014-11-14 | 2015-03-11 | 苏州盖雅信息技术有限公司 | 一种基于智能手机的nfc考勤系统及使用方法 |
CN104899952A (zh) * | 2015-06-18 | 2015-09-09 | 阿里巴巴集团控股有限公司 | 基于即时通讯应用的考勤方法及装置 |
CN205899624U (zh) * | 2016-07-18 | 2017-01-18 | 重庆中科云丛科技有限公司 | 智能考勤系统 |
CN106504359A (zh) * | 2016-10-28 | 2017-03-15 | 广东亿迅科技有限公司 | 一种基于位置和运动状态的智能考勤系统及其实现方法 |
Non-Patent Citations (1)
Title |
---|
基于射频卡式身份识别的智能教室考勤系统;魏庆丽等;《吉林大学学报》;20130731;第31卷(第4期);第397-403页 |
Also Published As
Publication number | Publication date |
---|---|
CN107316350A (zh) | 2017-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316350B (zh) | 一种基于定位系统的考勤作弊行为检测方法 | |
Saunier et al. | Probabilistic collision prediction for vision-based automated road safety analysis | |
CN107948166A (zh) | 基于深度学习的流量异常检测方法及装置 | |
CN105740904B (zh) | 一种基于dbscan聚类算法的出行与活动模式识别方法 | |
CN109977108B (zh) | 一种基于行为轨迹库的多种轨迹碰撞分析方法 | |
CN103731916B (zh) | 一种基于无线网络的用户位置预测系统和方法 | |
CN105105737A (zh) | 基于光电容积描记和谱分析的运动状态心率监测方法 | |
CN101753381A (zh) | 一种检测网络攻击行为的方法 | |
CN108629000A (zh) | 一种手机轨迹数据聚类的群体行为特征提取方法及系统 | |
CN106500830A (zh) | 一种开关门振动检测方法 | |
CN103150552B (zh) | 一种基于人头计数的驾驶培训管理方法 | |
CN104586402A (zh) | 一种人体活动的特征提取方法 | |
CN109934100A (zh) | 一种基于滑动窗口的幅频时变工艺信号分割方法 | |
CN106897740A (zh) | 基于惯性传感器的人体行为识别系统下eemd‑dfa特征提取方法 | |
CN109034100A (zh) | 人脸图样检测方法、装置、设备及存储介质 | |
CN110837504A (zh) | 一种工控系统异常系统事件识别方法 | |
CN109508649A (zh) | 一种血细胞分析仪的脉冲信号分析识别方法 | |
CN113794653B (zh) | 一种基于抽样数据流的高速网络流量分类方法 | |
CN114001703A (zh) | 一种滑坡变形数据实时过滤方法 | |
Hofstetter | Temporal pattern-based active marker identification and tracking using a dynamic vision sensor | |
Thakur et al. | Evidence of long range dependence and self-similarity in urban traffic systems | |
Pfeiffer | Proposal for the Bachelor Thesis: Open Time Series Classification with TEASER | |
CN109948686A (zh) | 一种基于九轴传感信号统计特征的泳姿识别方法 | |
CN108563662A (zh) | 一种改进初始聚类中心选择的方法及系统 | |
CN113486074A (zh) | 相关过程参量延迟时间的获取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190419 Address after: Room 904, 905, 906, 1005, 1006, 1007, No. 898 Baicao Road, Chengdu High-tech Zone, Sichuan Province Applicant after: Chengdu Sixiangzhi New Technology Co., Ltd. Address before: 610000 No. 88 Tianchen Road, Chengdu High-tech Zone, Sichuan Province Applicant before: CHENGDU EVERHIGH TECHNOLOGY CO., LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |