CN108876294A - 考勤实现方法及相关产品 - Google Patents

考勤实现方法及相关产品 Download PDF

Info

Publication number
CN108876294A
CN108876294A CN201810576658.5A CN201810576658A CN108876294A CN 108876294 A CN108876294 A CN 108876294A CN 201810576658 A CN201810576658 A CN 201810576658A CN 108876294 A CN108876294 A CN 108876294A
Authority
CN
China
Prior art keywords
value
network model
neural network
core size
picture
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.)
Withdrawn
Application number
CN201810576658.5A
Other languages
English (en)
Inventor
曹婧月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201810576658.5A priority Critical patent/CN108876294A/zh
Publication of CN108876294A publication Critical patent/CN108876294A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供一种考勤实现方法及相关产品，所述方法包括：采集第一图片，对第一图片处理得到第一人脸图片；将第一人脸图片组成的输入数据输入到人工智能芯片中进行神经网络模型的多层正向运算得到正向运算结果，依据该正向运算结果确定该第一人脸图片的第一身份；依据该正向运算结果确定该第一人脸图片的第一身份；记录该第一身份并提取该采集第一图片的第一时间，将该第一时间以及第一身份添加至考勤记录内。本申请提供的技术方案具有用户体验度高的优点。

Description

考勤实现方法及相关产品
技术领域
本发明涉及通信以及办公技术领域，具体涉及一种考勤实现方法及相关产品。
背景技术
随着电子技术的发展，设备电子化越来越多的渗透到传统领域，现有的考勤设备一般基于指纹验证以及纸件打卡方式来进行考勤的统计，此种方式无法无感的进行考勤的统计，影响用户体验度。
发明内容
本发明实施例提供了一种考勤实现方法及相关产品，可以实现对用户人脸识别的考勤实现，实现无感考勤统计，提高用户体验度的优点。
第一方面，本发明实施例提供一种考勤实现方法，所述方法包括如下步骤：
采集第一图片，对第一图片处理得到第一人脸图片；
将第一人脸图片组成的输入数据输入到人工智能芯片中进行神经网络模型的多层正向运算得到正向运算结果，依据该正向运算结果确定该第一人脸图片的第一身份；
记录该第一身份并提取该采集第一图片的第一时间，将该第一时间以及第一身份添加至考勤记录内。
第二方面，提供一种终端，所述终端包括：摄像头和处理器，所述处理器与摄像头连接；
所述摄像头，用于采集第一图片；
所述处理器，用于对第一图片处理得到第一人脸图片；将第一人脸图片组成的输入数据输入到人工智能芯片中进行神经网络模型的多层正向运算得到正向运算结果，依据该正向运算结果确定该第一人脸图片的第一身份；
所述处理器，还用于记录该第一身份并提取该采集第一图片的第一时间，将该第一时间以及第一身份添加至考勤记录内。
第三方面，提供一种计算机可读存储介质，其存储用于电子数据交换的程序，其中，所述程序使得终端执行第一方面提供的方法。
实施本发明实施例，具有如下有益效果：
可以看出，通过本发明实施例采集第一图片，提取第一图片的人脸特征，对该人脸特征进行人脸识别确定第一身份，记录第一身份以及采集第一图片的时间添加值考勤记录内，上述考勤的方式可以不采用指纹方式验证，通过人脸等无感方式来确定，所以其无需用户指纹，具有用户体验度高的优点。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1是一种终端的结构示意图。
图2是一种考勤实现方法的流程示意图。
图3是本发明实施例提供的人脸图片示意图。
图4a是本发明实施例提供的一种卷积核【CI】【CN】【A】【A】结构示意图。
图4b是本发明实施例提供的一种核尺寸【A】【A】的示意图。
图4c是本发明实施例提供的核尺寸【3】【3】的示意图。
图5是本发明实施例提供的拟合示意图。
图6是本发明实施例公开的一种终端的结构示意图。
具体实施方式
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。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。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结果或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在第一方面提供的方法中，所述将第一人脸图片组成的输入数据输入到人工智能芯片中进行神经网络模型的多层正向运算得到正向运算结果具体包括：
将第一人脸图片进行灰度处理得到第一灰度图像，获取第一灰度图像中每个像素点的m1个灰度值，提取m1个灰度值中灰度值最小且连续的m2个像素点的灰度值，将m2个像素点从第一灰度图像中去除得到第二灰度图像，将第二灰度图像恢复得到第二人脸图片，提取第二人脸图片中每个像素点的R、G、B值(红色值、绿色值、蓝色值)，将第二人脸图片中每个像素点的R、G、B值组成输入数据块[CI1][H1][w1]，将输入数据块[CI1][H1][w1]作为输入数据输入到神经网络模型执行多层卷积运算得到正向运算结果，其中，CI1为输入数据块的深度值、H1为输入数据块的高度值，w1为输入数据块的宽度值，m1、CI1、H1、w1均为大于等于10的整数，m2为大于等于103的整数。
在第一方面提供的方法中，如神经网络模型的多层正向运算包括X1个需要执行卷积运算的X1个神经网络模型计算层，所述方法在执行X1个神经网络模型计算层的计算时，包括：
获取神经网络模型多层中执行卷积运算的X1个神经网络模型计算层，提取X1个神经网络模型计算中的X1个卷积运算的X1个卷积核中的核尺寸kernel size；获取终端适应计算的核尺寸【3】【3】；提取X1个卷积核中的核尺寸不为核尺寸【3】【3】的X2个卷积核，将X2个卷积核中的第y层的第α个卷积核切割成CI*CN个核尺寸【A】【A】，将核尺寸【A】【A】拟合成X3个核尺寸【3】【3】的卷积核，在执行核尺寸【A】【A】与神经网络模型计算层中第y层的卷积计算时，将X3个核尺寸【3】【3】与第y层的输入数据的对应数据执行X3次卷积运算得到X3个卷积计算中间结果，将X3个卷积计算中间结果执行累加得到第y层的卷积结果中的一个元素，上述X1＞X2，X1、X2、X3均为大于等于1的整数，CI为卷积核的深度值，CN为卷积核的数量值，CI、CN均为大于等于1的整数，A为大于3的整数。
在第一方面提供的方法中，所述方法还包括：
确定所述考勤记录已存在所述第一身份对应的第二时间，如第二时间早于该第一时间，删除该第一时间，如第二时间晚于该第一时间，删除该第二时间。
在第二方面提供的终端中，所述处理器，具体用于将第一人脸图片进行灰度处理得到第一灰度图像，获取第一灰度图像中每个像素点的m1个灰度值，提取m1个灰度值中灰度值最小且连续的m2个像素点的灰度值，将m2个像素点从第一灰度图像中去除得到第二灰度图像，将第二灰度图像恢复得到第二人脸图片，提取第二人脸图片中每个像素点的R、G、B值(红色值、绿色值、蓝色值)，将第二人脸图片中每个像素点的R、G、B值组成输入数据块[CI1][H1][w1]，将输入数据块[CI1][H1][w1]作为输入数据输入到神经网络模型执行多层卷积运算得到正向运算结果，其中，CI1为输入数据块的深度值、H1为输入数据块的高度值，w1为输入数据块的宽度值，m1、CI1、H1、w1均为大于等于10的整数，m2为大于等于103的整数。
在第二方面提供的终端中，如神经网络模型的多层正向运算包括X1个需要执行卷积运算的X1个神经网络模型计算层，
所述处理器，具体用于获取神经网络模型多层中执行卷积运算的X1个神经网络模型计算层，提取X1个神经网络模型计算中的X1个卷积运算的X1个卷积核中的核尺寸kernelsize；获取终端适应计算的核尺寸【3】【3】；提取X1个卷积核中的核尺寸不为核尺寸【3】【3】的X2个卷积核，将X2个卷积核中的第y层的第α个卷积核切割成CI*CN个核尺寸【A】【A】，将核尺寸【A】【A】拟合成X3个核尺寸【3】【3】的卷积核，在执行核尺寸【A】【A】与神经网络模型计算层中第y层的卷积计算时，将X3个核尺寸【3】【3】与第y层的输入数据的对应数据执行X3次卷积运算得到X3个卷积计算中间结果，将X3个卷积计算中间结果执行累加得到第y层的卷积结果中的一个元素，上述X1＞X2，X1、X2、X3均为大于等于1的整数，A为大于3的整数。
在第二方面提供的终端中，
所述处理器，还用于确定所述考勤记录已存在所述第一身份对应的第二时间，如第二时间早于该第一时间，删除该第一时间，如第二时间晚于该第一时间，删除该第二时间。
参阅图1，图1为一种终端结构示意图，如图1所示，该终端可以包括智能锁(如Android智能锁、iOS智能锁、Windows Phone智能锁等)等。如图1所示，该终端包括：处理器101、输入单元102、通信模组103(可选的)、存储器104和摄像头105。
输入单元102可用于接收输入的数字或字符信息，以及产生与终端的用户设置以及功能控制有关的键信号输入。具体地，输入单元102可包括触控显示屏、指纹识别装置以及其他输入设备。指纹识别装置可以单独设置，当然在实际应用中，指纹识别装置也可以结合至触控显示屏，即实现屏下指纹。输入单元还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理按键、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
处理器101是终端的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器104内的软件程序和/或模块，以及调用存储在存储器104内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控或控制。可选的，处理器101可包括一个或多个处理单元；可选的，处理器101可集成应用处理器、调制解调处理器和人工智能芯片，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信，人工智能芯片主要实现神经网络模型的计算。可以理解的是，上述调制解调处理器或人工智能芯片也可以不集成到处理器101中。
此外，存储器104可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
通信模组103可用于信息的接收和发送。通常，通信模组103包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier，LNA)、双工器等。此外，通信模组103还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobilecommunication，GSM)、通用分组无线服务(General Packet Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code DivisionMultiple Access,WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等，当然上述通信模组还可以支持有线通信，例如支持RS485接口等等，本申请并不局限上述有线通信的具体表现形式。
摄像头105，可以用于采集图片、扫描二维码等等对图像数据处理。摄像头105具体可以包括前置摄像头或后置摄像头，对于后置摄像头也可以包括双摄像头，当然对于前置摄像头也可以为双摄像头设置，本申请对摄像头的数量以及具体位置并不限定，摄像头105采集的图片可以传输给处理器101进行相关的处理。
终端还可包括至少一种传感器，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节触控显示屏的亮度，接近传感器可在手机移动到耳边时，关闭触控显示屏和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
WiFi属于短距离无线传输技术，终端通过WiFi模块可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。
终端还包括给各个部件供电的电源(比如电池)，可选的，电源可以通过电源管理系统与处理器101逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
参阅图2，图2提供了一种考勤实现方法，该方法可以由如图1所示的终端来执行，该方法如图2所示，包括如下步骤：
步骤S201、采集第一图片，对第一图片处理得到第一人脸图片；
上述步骤S201中对第一图片处理得到第一人脸图片的具体方式可以包括：
采用特征提取的方式提取第一图片的人脸特征点，依据人脸特征点确定第一人脸图片。提取特征点的算法可以采用例如ASM算法。上述人脸特征点的数量也可以是68，当然在实际应用中还可以是其他数量的特征点，例如23个特征点，特征点数量越多，其第一人脸图片越准确。
步骤S202、将第一人脸图片组成的输入数据输入到人工智能芯片中进行神经网络模型的多层正向运算得到正向运算结果，依据该正向运算结果确定该第一人脸图片的第一身份。
上述依据该正向运算结果确定该第一人脸图片的第一身份可以采用现有的算法实现方式，例如，百度人脸识别算法、谷歌人脸识别算法等等。
步骤S203、记录该第一身份并提取该采集第一图片的第一时间，将该第一时间以及第一身份添加至考勤记录内。
本发明实施例采集第一图片，提取第一图片的人脸特征，对该人脸特征进行人脸识别确定第一身份，记录第一身份以及采集第一图片的时间添加值考勤记录内，上述考勤的方式可以不采用指纹方式验证，通过人脸等无感方式来确定，所以其无需用户指纹，具有用户体验度高的优点。
可选的，上述将第一人脸图片组成的输入数据输入到人工智能芯片中进行神经网络模型的多层正向运算得到正向运算结果具体可以包括：
将第一人脸图片进行灰度处理得到第一灰度图像，获取第一灰度图像中每个像素点的m1个灰度值，提取m1个灰度值中灰度值最小且连续的m2个像素点的灰度值，将m2个像素点从第一灰度图像中去除得到第二灰度图像，将第二灰度图像恢复得到第二人脸图片，提取第二人脸图片中每个像素点的R、G、B值(红色值、绿色值、蓝色值)，将第二人脸图片中每个像素点的R、G、B值组成输入数据块[CI1][H1][w1]，将输入数据块[CI1][H1][w1]作为输入数据输入到神经网络模型执行多层卷积运算得到正向运算结果。上述x2大于第一设定阈值(取值一般较大，例如1000、2000等)。其中，CI1为输入数据块的深度值、H1为输入数据块的高度值，w1为输入数据块的宽度值，m1、CI1、H1、w1均为大于等于10的整数，m2为大于等于103的整数。
此设置的原理为，对于人脸图片，如图3所示，为一个第一灰度图像，对于第一灰度图像，这里将第一灰度图像区分成2个部分，第一部分为头发区域301，第二区域为脸面区域302，对于头发区域，依据本申请人对人群的统计，男性对头发的修理的频率一般高于1次/月，女性对头发的修理的频率一般高于2次/月，无论男性还是女性，其体重以及脸面区域的变化是非常小的，在一年以内，一般脸部区域一般都是不变化的，而头发区域的变化则较大，现有的人脸识别中将整个人脸图片(包含头发区域以及脸面区域全部输入到神经网络模型中进行计算从来实现人脸的识别)，通过统计发现，头发的变动对人脸识别的精度影响超过2％，所以这里通过灰度值的方式将人脸图片中的头发区域剔除而得到仅仅包含脸部区域的第二灰度图片，然后将第二灰度图片还原成为第二人脸图片，将第二人脸图片组成输入数据块，从而提高人脸识别的精度，通过实现发现，其能够提高大约2％的准确度，达到95％以上的识别精度。
需要说明的是，上述人脸识别中灰度图片中的人脸以亚洲人脸为例，即黄种人为例，黄种人的头发为黑色，皮肤为黄色，所以对于灰度图像来说，其头发的颜色近似黑色，其灰度值近似为0且连续的像素点为连续的，这样当像素点的数量高于104时基本能够确定其属于头发区域。这里需要说明的是，规定数量是为了避免将痣剔除，对于痣，其一般为黑色，其灰度值与头发一致，但是其面积一般很小，即像素点的数量比较少，并且痣由于其特殊的标识性以及不改变性，已经成为人脸识别算法中重要的参考因素，所以痣不能去除，这里通过像素点的数量较大来保留痣的图片，因为对于痣来说，其面积一般较小，反应在图像中，即痣的像素点的数量较小，从而进一步提高识别准确度。所以其具有人脸识别准确度高的优点。
可选的，如神经网络模型的多层正向运算包括X1个需要执行卷积运算的X1个神经网络模型计算层，所述方法在执行X1个神经网络模型计算层的计算时，还可以包括：
获取神经网络模型多层中执行卷积运算的X1个神经网络模型计算层，提取X1个神经网络模型计算中的X1个卷积运算的X1个卷积核(如图4a所示，一个方框代表一个元素)中的核尺寸kernel size(如图4b所示)；获取终端适应计算的核尺寸【3】【3】(如图4c所示)；提取X1个卷积核中的核尺寸不为核尺寸【3】【3】的X2个卷积核，将X2个卷积核中的第y层的第α个卷积核切割成CI*CN个核尺寸【A】【A】，其中CI为卷积核的深度值，CN为卷积核的数量值，CI、CN均为大于等于1的整数，将核尺寸【A】【A】拟合成X3个核尺寸【3】【3】的卷积核，在执行核尺寸【A】【A】与神经网络模型计算层中第y层的卷积计算时，将X3个核尺寸【3】【3】与第y层的输入数据的对应数据(这个对应数据可以依据卷积运算的计算原理来确定，例如核尺寸【A】【A】为核尺寸【5】【5】，那么对应的数据也为输入数据的一块【5】【5】数据块)执行X3次卷积运算得到X3个卷积计算中间结果，将X3个卷积计算中间结果执行累加得到第y层的卷积结果中的一个元素。上述X1＞X2，X1、X2、X3均为大于等于1的整数，A也为大于3的整数。
上述第y层的输入数据具体可以为上一层的输出数据(即y-1层输出结果)，具体的，如本y层为第3层神经网络计算层，那么y层输入数据为第2层输出数据，同理，y层的输出数据为下一层的输出数据，即本申请中第y层神经网络模型的输出数据为第y+1层输入数据。上述y为大于等于1的整数，如y＝1时，其输入数据为神经网络模型的原始输入数据(即
可选的，上述将核尺寸【A】【A】拟合成X3个核尺寸【3】【3】的卷积核核具体可以为，将核尺寸【A】【A】以核尺寸【3】【3】为基础切割成X3个矩阵，如矩阵尺寸不为核尺寸【3】【3】，则在矩阵边缘添加零元素使得X3个矩阵尺寸均为核尺寸【3】【3】。
参阅图5，图5为核尺寸【5】【5】拟合成4个核尺寸【3】【3】的变换示意图。
本申请技术方案在神经网络的多层正向运算时，如果卷积核的核尺寸与终端的硬件的基本核尺寸【3】【3】不匹配时，将不匹配的核尺寸拟合成X3个基本核尺寸【3】【3】，进而与终端的硬件更匹配，并且添加零元素也由于零乘积的特殊性，首先不会改变计算结果，其次零乘以任何数均为零，所以可以忽略，不增加计算开销，所以其能够更加匹配硬件，进而增加匹配度，提高计算速度，降低功耗。
参阅图6，图6提供一种终端，所述终端包括：摄像头601、处理器602，所述处理器与摄像头连接(例如总线604连接)；
所述摄像头，用于采集第一图片；
所述处理器，用于对第一图片处理得到第一人脸图片；将第一人脸图片组成的输入数据输入到人工智能芯片中进行神经网络模型的多层正向运算得到正向运算结果，依据该正向运算结果确定该第一人脸图片的第一身份。
所述处理器，还用于记录该第一身份并提取该采集第一图片的第一时间，将该第一时间以及第一身份添加至考勤记录内。
可选的，所述终端为：考勤设备、平板电脑、智能手机或摄像头。
本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质存储用于电子数据交换的计算机程序，该计算机程序使得计算机执行如上述方法实施例中记载的任何一种考勤实现方法的部分或全部步骤。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种考勤实现方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序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器中。基于这样的理解，本发明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全部或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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种考勤实现方法，其特征在于，所述方法包括如下步骤：
采集第一图片，对第一图片处理得到第一人脸图片；
将第一人脸图片组成的输入数据输入到人工智能芯片中进行神经网络模型的多层正向运算得到正向运算结果，依据该正向运算结果确定该第一人脸图片的第一身份；
记录该第一身份并提取该采集第一图片的第一时间，将该第一时间以及第一身份添加至考勤记录内。
2.根据权利要求1所述的方法，其特征在于，所述将第一人脸图片组成的输入数据输入到人工智能芯片中进行神经网络模型的多层正向运算得到正向运算结果具体包括：
将第一人脸图片进行灰度处理得到第一灰度图像，获取第一灰度图像中每个像素点的m1个灰度值，提取m1个灰度值中灰度值最小且连续的m2个像素点的灰度值，将m2个像素点从第一灰度图像中去除得到第二灰度图像，将第二灰度图像恢复得到第二人脸图片，提取第二人脸图片中每个像素点的R、G、B值(红色值、绿色值、蓝色值)，将第二人脸图片中每个像素点的R、G、B值组成输入数据块[CI1][H1][w1]，将输入数据块[CI1][H1][w1]作为输入数据输入到神经网络模型执行多层卷积运算得到正向运算结果，其中，CI1为输入数据块的深度值、H1为输入数据块的高度值，w1为输入数据块的宽度值，m1、CI1、H1、w1均为大于等于10的整数，m2为大于等于103的整数。
3.根据权利要求1所述的方法，其特征在于，如神经网络模型的多层正向运算包括X1个需要执行卷积运算的X1个神经网络模型计算层，所述方法在执行X1个神经网络模型计算层的计算时，包括：
获取神经网络模型多层中执行卷积运算的X1个神经网络模型计算层，提取X1个神经网络模型计算中的X1个卷积运算的X1个卷积核中的核尺寸kernelsize；获取终端适应计算的核尺寸【3】【3】；提取X1个卷积核中的核尺寸不为核尺寸【3】【3】的X2个卷积核，将X2个卷积核中的第y层的第α个卷积核切割成CI*CN个核尺寸【A】【A】，将核尺寸【A】【A】拟合成X3个核尺寸【3】【3】的卷积核，在执行核尺寸【A】【A】与神经网络模型计算层中第y层的卷积计算时，将X3个核尺寸【3】【3】与第y层的输入数据的对应数据执行X3次卷积运算得到X3个卷积计算中间结果，将X3个卷积计算中间结果执行累加得到第y层的卷积结果中的一个元素，上述X1＞X2，X1、X2、X3均为大于等于1的整数，CI为卷积核的深度值，CN为卷积核的数量值，CI、CN均为大于等于1的整数，A为大于3的整数。
4.根据权利要求1-3任意一项所述的方法，其特征在于，所述方法还包括：
确定所述考勤记录已存在所述第一身份对应的第二时间，如第二时间早于该第一时间，删除该第一时间，如第二时间晚于该第一时间，删除该第二时间。
5.一种终端，其特征在于，所述终端包括：摄像头和处理器，所述处理器与摄像头连接；
所述摄像头，用于采集第一图片；
所述处理器，用于对第一图片处理得到第一人脸图片；将第一人脸图片组成的输入数据输入到人工智能芯片中进行神经网络模型的多层正向运算得到正向运算结果，依据该正向运算结果确定该第一人脸图片的第一身份；
所述处理器，还用于记录该第一身份并提取该采集第一图片的第一时间，将该第一时间以及第一身份添加至考勤记录内。
6.根据权利要求5所述的终端，其特征在于，
所述处理器，具体用于将第一人脸图片进行灰度处理得到第一灰度图像，获取第一灰度图像中每个像素点的m1个灰度值，提取m1个灰度值中灰度值最小且连续的m2个像素点的灰度值，将m2个像素点从第一灰度图像中去除得到第二灰度图像，将第二灰度图像恢复得到第二人脸图片，提取第二人脸图片中每个像素点的R、G、B值(红色值、绿色值、蓝色值)，将第二人脸图片中每个像素点的R、G、B值组成输入数据块[CI1][H1][w1]，将输入数据块[CI1][H1][w1]作为输入数据输入到神经网络模型执行多层卷积运算得到正向运算结果，其中，CI1为输入数据块的深度值、H1为输入数据块的高度值，w1为输入数据块的宽度值，m1、CI1、H1、w1均为大于等于10的整数，m2为大于等于103的整数。
7.根据权利要求5所述的终端，其特征在于，如神经网络模型的多层正向运算包括X1个需要执行卷积运算的X1个神经网络模型计算层，
所述处理器，具体用于获取神经网络模型多层中执行卷积运算的X1个神经网络模型计算层，提取X1个神经网络模型计算中的X1个卷积运算的X1个卷积核中的核尺寸kernelsize；获取终端适应计算的核尺寸【3】【3】；提取X1个卷积核中的核尺寸不为核尺寸【3】【3】的X2个卷积核，将X2个卷积核中的第y层的第α个卷积核切割成CI*CN个核尺寸【A】【A】，将核尺寸【A】【A】拟合成X3个核尺寸【3】【3】的卷积核，在执行核尺寸【A】【A】与神经网络模型计算层中第y层的卷积计算时，将X3个核尺寸【3】【3】与第y层的输入数据的对应数据执行X3次卷积运算得到X3个卷积计算中间结果，将X3个卷积计算中间结果执行累加得到第y层的卷积结果中的一个元素，上述X1＞X2，X1、X2、X3均为大于等于1的整数，A为大于3的整数。
8.根据权利要求5-7任意一项所述的终端，其特征在于，所述终端还包括：存储器；
所述处理器，还用于确定所述考勤记录已存在所述第一身份对应的第二时间，如第二时间早于该第一时间，删除该第一时间，如第二时间晚于该第一时间，删除该第二时间。
9.根据权利要求5-7任意一项所述的终端，其特征在于，
所述终端为：考勤设备、平板电脑、智能手机或摄像头。
10.一种计算机可读存储介质，其存储用于电子数据交换的程序，其中，所述程序使得终端执行如权利要求1-4任意一项提供的方法。
CN201810576658.5A 2018-06-06 2018-06-06 考勤实现方法及相关产品 Withdrawn CN108876294A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810576658.5A CN108876294A (zh) 2018-06-06 2018-06-06 考勤实现方法及相关产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810576658.5A CN108876294A (zh) 2018-06-06 2018-06-06 考勤实现方法及相关产品

Publications (1)

Publication Number Publication Date
CN108876294A true CN108876294A (zh) 2018-11-23

Family

ID=64337344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810576658.5A Withdrawn CN108876294A (zh) 2018-06-06 2018-06-06 考勤实现方法及相关产品

Country Status (1)

Country Link
CN (1) CN108876294A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728807A (zh) * 2019-09-27 2020-01-24 深圳市大拿科技有限公司 智能门铃的防拆方法及相关产品
CN114445925A (zh) * 2022-04-11 2022-05-06 深圳市润璟元信息科技有限公司 一种能够自动载入和删除的面部识别智能考勤系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728807A (zh) * 2019-09-27 2020-01-24 深圳市大拿科技有限公司 智能门铃的防拆方法及相关产品
CN114445925A (zh) * 2022-04-11 2022-05-06 深圳市润璟元信息科技有限公司 一种能够自动载入和删除的面部识别智能考勤系统
CN114445925B (zh) * 2022-04-11 2022-07-22 深圳市润璟元信息科技有限公司 一种能够自动载入和删除的面部识别智能考勤系统

Similar Documents

Publication Publication Date Title
CN106558025A (zh) 一种图片的处理方法和装置
CN106055962B (zh) 一种解锁控制方法及移动终端
CN107589963B (zh) 一种图片处理方法、移动终端及计算机可读存储介质
CN108710867A (zh) 车位导航方法及相关产品
CN109241908A (zh) 人脸识别方法及相关装置
CN105760851B (zh) 一种指纹识别的方法及终端
CN106055961B (zh) 一种指纹解锁方法及移动终端
CN107679482A (zh) 解锁控制方法及相关产品
CN107194326A (zh) 指纹采集方法及相关产品
CN107862265A (zh) 图像处理方法及相关产品
CN107832675A (zh) 拍照处理方法及相关产品
CN107590461A (zh) 人脸识别方法及相关产品
CN107590463A (zh) 人脸识别方法及相关产品
CN107463818A (zh) 解锁控制方法及相关产品
CN107480488A (zh) 解锁控制方法及相关产品
CN106022071A (zh) 一种指纹解锁的方法及终端
CN107862266A (zh) 图像处理方法及相关产品
CN107368791A (zh) 虹膜活体检测方法及相关产品
CN107909011A (zh) 人脸识别方法及相关产品
CN107613550A (zh) 解锁控制方法及相关产品
CN107483717A (zh) 红外补光灯的设置方法及相关产品
CN108876294A (zh) 考勤实现方法及相关产品
CN108830426A (zh) 救援线路规划方法及相关产品
CN108876992A (zh) 智能锁的开锁方法及相关产品
CN108806044A (zh) 门禁实现方法及相关产品

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20181123

WW01 Invention patent application withdrawn after publication