CN109460974B - 一种基于姿态识别的考勤系统 - Google Patents

Abstract

本发明涉及一种基于姿态识别的考勤系统，所述考勤系统包括：监控模块，所述监控模块由一个或多个摄像机组成，用于识别待监控区域的员工；姿态识别模块，所述姿态识别模块用于对员工群体进行姿态识别；确定模块，所述确定模块用于根据员工个体的不同姿态进行姿态识别，确定出相应出勤员工的个人信息。本申请解决了目前员工考勤时刷卡考勤、指纹考勤、刷脸考勤存在的作弊的问题，减少了排队时间，提高了考勤效率。

Description

一种基于姿态识别的考勤系统

技术领域

本发明的考勤系统，是人工智能在考勤系统中的技术应用，尤其涉及一种基于姿态识别的考勤系统。

背景技术

随着信息技术的发展，单位考勤的方式也在不断变化，目前很多企事业单位使用刷卡考勤或指纹识别来考勤。刷卡考勤是利用员工的个人信息卡来识别个人身份，指纹识别是依靠人体的指纹特征来进行身份验证的技术，通过人体手指内侧表面纹路的唯一性来识别个人身份，是生物识别技术的一种。这两类方式的考勤容易产生很多问题。

对于刷卡机考勤，每一个员工必须配有唯一的个人信息卡，通过信息卡识别员工身份，存在信息卡丢失现象，还存在代打卡的问题，进行考勤作弊，无法正确确认员工考勤，准确性、公正性不高，还有可能出现卡片被复制的情况，安全性不高，而且必须在特定位置刷卡考勤，容易在上下班高峰时期出现考勤拥堵现象。

对于指纹识别考勤，由于其接触式的考勤方式，用户体验不佳，设备维护成本较高；且考勤设备成本较高，一般单位配备数量较少，也容易造成上下班高峰的时候拥挤和延迟。现在有员工通过复制自己的指纹，形成指模的方式进行考勤作弊，让其他同事代替自己进行打卡，对于公司来讲，无法正确确认员工考勤，准确性、公正性不高。而且还有可能出现指纹无法识别的情况，都会影响考勤系统的使用。

此外,还有人脸识别类的考勤系统,此类考勤系统在面对大规模员工进入或离开企业或单位时,仍然要排队进行人脸识别,而且也有利用平面照片或3D脸模进行作弊的方法.

上述考勤方式一是无法克服员工考勤时的作弊行为；二是在员工集中下班时都会遇到考勤拥堵现象，排队打卡，影响体验；三是，即便考虑多点打卡或指纹考勤，则会增加成本，仍然无法解决考勤作弊问题。

本发明首次将姿态识别技术应用到考勤系统中，克服了打卡式、指纹式、刷脸式考勤存在的各种问题。本发明还首次提出了适用于考勤系统的深度卷积神经网络模型，并且能够不断学习优化，实现模型的更新，使得识别效果更加准确。

发明内容

本发明的创造性贡献在于：首先，虽然姿态识别技术有相关的技术资料，但是将姿态识别技术应用于考勤管理中，这在国内外属于首次。在考勤系统领域，所属领域技术人员的改进在于如何提高指纹识别的精确度和防止假手指的指模打卡行为，在于如何识别三维人脸，在于如何提高卡片的安全性，难以想到将姿态识别技术应用于考勤管理。将姿态识别技术应用于考勤系统这一想法本身是具有创造性的，不是本领域的公知常识，未曾被现有工具书和教科书记载，更没被字典收录。

本发明的创造性贡献还在于：特有的池化方法解决了深度学习运算复杂的问题，提高了系统运行效率，能够同时大规模实现对员工集群的考勤。

本发明的创造性贡献还在于：特有的模型更新算法解决了员工的流动问题，对于新入职的员工也能够及时进行数据的学习更新，保证以较快的速度实现对新员工的考勤。

还应当注意：本申请中的人脸识别，不需要进行近距离的刷脸考勤，而是基于远距离的监控人脸识别，这与现有技术中的人脸考勤也是显著不同的。

本发明提出的基于姿态识别的考勤系统，能够克服传统考勤方式存在的作弊行为。不同员工的姿态细节是截然不同的，本考勤系统能够在远处实现对员工的识别，不必靠近进行刷脸、识别指纹或进行打卡，对于大规模厂区或办公区域集中上下班的情况也非常适用，在少量短时间内无法识别的情况下，采用跟踪策略，在预定时间段继续识别，如果在预定时间段仍然无法识别，则结合人脸识别进行考勤，但是应当注意：此种人脸识别是远距离监控识别，不是靠近终端的人脸识别。

本发明提出了一种基于姿态识别的考勤系统，所述考勤系统包括：

监控模块，所述监控模块由一个或多个摄像机组成，用于识别待监控区域的员工；

姿态识别模块，所述姿态识别模块用于对员工群体进行姿态识别；

确定模块，所述确定模块用于根据员工个体的不同姿态进行姿态识别，确定出相应出勤员工的个人信息及对应的出勤时间。

考勤系统还包括：

人脸识别模块，所述人脸识别模块不同于常规的需要靠近终端的人脸识别，而是基于远距离监控下的人脸识别，适用于大规模员工的集中式考勤，而无需依次进行刷脸识别；

运动跟踪模块，当所述确定模块无法鉴定出某一姿态的员工时，由运动跟踪模块持续对所述员工进行第一预定时间段的跟踪，并持续由所述确定模块进行姿态的确定；

当在所述第一预定时间段内仍然无法鉴定出某一姿态的员工时，启动所述人脸识别模块用于对员工的人脸进行识别；

当所述人脸识别模块无法鉴定出某一人脸的员工时，由运动跟踪模块持续对所述员工进行第二预定时间段的跟踪，并持续由所述人脸识别模块进行人脸的识别；

如果在所述第二预定时间段内仍然无法识别出所述员工，则将所述员工列为异常人员。

姿态识别模块具体为:

建立所述姿态识别模型,所述姿态识别模型采用深度卷积神经网络结构，包括输入层、双向长短期记忆网络BiLSTM层、卷积层、池化层、局部连接层、全连接层依次连接，卷积层采用7*7的卷积核，16个滤波器；所述池化层的池化窗口大小为3*3，通道数为32；

所述局部连接层采用32个滤波器，32个通道，3*3的卷积核；全连接层的输入来自局部连接层的输出；所述池化层的池化方法如下：

x^e＝f(u^e+φ(u^e))

其中，x^e表示当前层的输出，u^e表示激活函数的输入，f()表示激活函数，φ表示损失函数，w^e表示当前层的权重，x^e-1表示下一层的输出，b^e表示偏置，δ表示常数。

姿态识别模块包括:

对所述姿态识别模型进行学习更新，将获得的原始样本数据映射成256维特征向量；计算更新函数，所述更新函数由第一更新函数、第二更新函数融合而成；

所述第一更新函数如下：

N表示所述样本数据集的大小，i取值1～N，y_i表示样本x_i对应的标签；

表示样本x_i在其标签y_i处的权重，b向量包括

和b_j，

表示样本x_i在其标签y_i处的偏差，b_j表示输出节点j处的偏差；

所述第二更新函数如下：

式中，

为样本x_i与其对应标签y_i的权重夹角，θ_j,i为样本x_i与输出节点j处的权重W_j的夹角，m为预设参数，1≤m≤3；

k＝abs(sign(cosθ_j,i))；

最终的更新函数为：

其中1≤λ≤6；0.3≤μ≤0.5。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明系统结构示意图。

应当注意,虚线部分可以省略,也即:即便省略虚线部分,本申请仍然是一个完整的技术方案。

具体实施方式

实施例1：

一种基于姿态识别的考勤系统，所述考勤系统包括：

监控模块，所述监控模块由一个或多个摄像机组成，用于识别待监控区域的员工；

姿态识别模块，所述姿态识别模块用于对员工群体进行姿态识别；

确定模块，所述确定模块用于根据员工个体的不同姿态进行姿态识别，确定出相应出勤员工的个人信息。

所述个人信息包括员工编号、员工姓名、所属部门、出勤时间等等。

实施例2：

在实施例1所述的考勤系统的基础上，所述考勤系统还包括：

人脸识别模块，所述人脸识别模块不同于常规的需要靠近终端的人脸识别，而是基于远距离监控下的人脸识别，适用于大规模员工的集中式考勤，而无需依次进行刷脸识别；

运动跟踪模块，当所述确定模块无法鉴定出某一姿态的员工时，由运动跟踪模块持续对所述员工进行第一预定时间段的跟踪，并持续由所述确定模块进行姿态的确定；

当在所述第一预定时间段内仍然无法鉴定出某一姿态的员工时，启动所述人脸识别模块用于对员工的人脸进行识别；

当所述人脸识别模块无法鉴定出某一人脸的员工时，由运动跟踪模块持续对所述员工进行第二预定时间段的跟踪，并持续由所述人脸识别模块进行人脸的识别；

所述第一预定时间段和第二预定时间段的时间可以设置为1-3分钟，优选地设置为40秒。

如果在所述第二预定时间段内仍然无法识别出所述员工，则将所述员工列为异常人员。

对于异常人员，可能是职场新人，也可能是非法闯入的外来人员，可以由运动跟踪模块进行锁定，进行人脸识别，如果仍然无法识别，通知企业或单位的安保部门及人力资源管理部门，核实异常人员身份并做适当的处理。

实施例3：

在实施例2所述的考勤系统的基础上,所述姿态识别模块具体为:

建立所述姿态识别模型,所述姿态识别模型采用深度卷积神经网络结构，包括输入层、双向长短期记忆网络BiLSTM层、卷积层、池化层、局部连接层、全连接层依次连接，卷积层采用7*7的卷积核，16个滤波器；所述池化层的池化窗口大小为3*3，通道数为32；所述局部连接层采用32个滤波器，32个通道，3*3的卷积核；全连接层的输入来自局部连接层的输出；所述池化层的池化方法如下：

x^e＝f(u^e+φ(u^e))

其中，x^e表示当前层的输出，u^e表示激活函数的输入，f()表示激活函数，φ表示损失函数，w^e表示当前层的权重，x^e-1表示下一层的输出，b^e表示偏置，δ表示常数。

实施例4

在实施例3所述的考勤系统的基础上,所述姿态识别模块还包括:

对所述姿态识别模型进行学习更新，将获得的原始样本数据映射成256维特征向量；计算更新函数，所述更新函数由第一更新函数、第二更新函数融合而成；

所述第一更新函数如下：

N表示所述样本数据集的大小，i取值1～N，y_i表示样本x_i对应的标签；

表示样本x_i在其标签y_i处的权重，b向量包括

和b_j，

表示样本x_i在其标签y_i处的偏差，b_j表示输出节点j处的偏差；

所述第二更新函数如下：

式中，

为样本x_i与其对应标签y_i的权重夹角，θ_j,i为样本x_i与输出节点j处的权重W_j的夹角，m为预设参数，

1≤m≤3；

k＝abs(sign(cosθ_j,i))；

最终的更新函数为：

其中1≤λ≤6；0.3≤μ≤0.5。

实施例5：

在实施例4所述的考勤系统的基础上,所述人脸识别模块还包括:

利用三维人脸识别模型对员工进行识别，所述三维人脸识别模型为深度神经网络，所述深度神经网络包括池化层、全连接层及Softmax层；通过所述深度神经网络对监控图像中的多个人脸图像进行处理，得到所述人脸图像的分类结果，包括：

将输入图像输入2N+1个卷积层，以输出卷积特征图像，N取值范围为1-3；

将所述卷积特征图像输入所述池化层，以输出压缩特征图像；

将所述压缩特征图像输入所述全连接层，以输出特征向量；

将所述特征向量输入所述Softmax层，以计算分类识别的概率值，并将最大概率值对应的员工作为识别的分类结果。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施例，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (5)

1.一种基于姿态识别的考勤系统，所述考勤系统包括：

监控模块；

姿态识别模块，所述姿态识别模块用于对员工群体进行姿态识别；所述姿态识别模块具体为:

建立姿态识别模型,所述姿态识别模型采用深度卷积神经网络结构，包括输入层、双向长短期记忆网络BiLSTM层、卷积层、池化层、局部连接层、全连接层依次连接，卷积层采用7*7的卷积核，16个滤波器；所述池化层的池化窗口大小为3*3，通道数为32；所述局部连接层采用32个滤波器，32个通道，3*3的卷积核；全连接层的输入来自局部连接层的输出；

所述池化层的池化方法如下：

x^e＝f(u^e+φ(u^e))

其中，x^e表示当前层的输出，u^e表示激活函数的输入，f()表示激活函数，φ表示损失函数，w^e表示当前层的权重，x^e-1表示下一层的输出，b^e表示偏置，δ表示常数；

确定模块，所述确定模块用于根据员工个体的不同姿态进行姿态识别，确定出相应出勤员工的个人信息；

所述姿态识别模块还包括:

对所述姿态识别模型进行学习更新，将获得的原始样本数据映射成256维特征向量；计算更新函数，所述更新函数由第一更新函数、第二更新函数融合而成；

所述第一更新函数如下：

N表示样本数据集的大小，i取值1～N，yi表示样本x_i对应的标签；W_yi表示样本x_i在其标签yi处的权重，b_yi表示样本x_i在其标签yi处的偏差，b_j表示输出节点j处的偏差；

所述第二更新函数如下：

式中，ψ(θ_yi,i)＝(-1)^kcos(mθ_yi,i)-2k,θ_yi,i为样本x_i与其对应标签yi的权重夹角，θ_j,i为样本x_i与输出节点j处的权重W_j的夹角，m为预设参数，

1≤m≤3；

k＝abs(sign(cosθ_j,i))；

最终的更新函数为：

其中1≤λ≤6；0.3≤μ≤0.5。

2.根据权利要求1所述的考勤系统，所述考勤系统还包括：

运动跟踪模块，当所述确定模块无法鉴定出某一姿态的员工时，由运动跟踪模块持续对所述员工进行第一预定时间段的跟踪，并持续由所述确定模块进行姿态的确定；

当在所述第一预定时间段内仍然无法鉴定出某一姿态的员工时，启动人脸识别模块用于对员工的人脸进行识别；

当所述人脸识别模块无法鉴定出某一员工的人脸时，由运动跟踪模块持续对所述员工进行第二预定时间段的跟踪，并持续由所述人脸识别模块进行人脸的识别；

如果在所述第二预定时间段内仍然无法识别出所述员工，则将所述员工列为异常人员。

3.根据权利要求2所述的考勤系统,所述人脸识别模块还包括:

利用三维人脸识别模型对员工进行识别，所述三维人脸识别模型为深度神经网络，所述深度神经网络包括池化层、全连接层及Softmax层；通过所述深度神经网络对监控图像中的多个人脸图像进行处理，得到所述人脸图像的分类结果，包括：

将输入图像输入2N+1个卷积层，以输出卷积特征图像，N取值范围为1-3；

将所述卷积特征图像输入所述池化层，以输出压缩特征图像；

将所述压缩特征图像输入所述全连接层，以输出特征向量；

将所述特征向量输入所述Softmax层，以计算分类识别的概率值，并将最大概率值对应的员工作为识别的分类结果。

4.根据权利要求1所述的考勤系统，所述监控模块由一个或多个摄像机组成，用于识别待监控区域的员工。

5.一种计算机可读介质，所述计算机可读介质上存储有实现权利要求1-4任一项所述的考勤系统的程序指令，所述指令可被处理器执行。

Images