CN111325083A - 记录考勤信息的方法和装置 - Google Patents

记录考勤信息的方法和装置 Download PDF

Info

Publication number
CN111325083A
CN111325083A CN201910709183.7A CN201910709183A CN111325083A CN 111325083 A CN111325083 A CN 111325083A CN 201910709183 A CN201910709183 A CN 201910709183A CN 111325083 A CN111325083 A CN 111325083A
Authority
CN
China
Prior art keywords
human body
attendance
characteristic information
value
person
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.)
Granted
Application number
CN201910709183.7A
Other languages
English (en)
Other versions
CN111325083B (zh
Inventor
金鑫
周理孟
于运涛
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.)
Hangzhou Hikvision System Technology Co Ltd
Original Assignee
Hangzhou Hikvision System Technology Co Ltd
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 Hangzhou Hikvision System Technology Co Ltd filed Critical Hangzhou Hikvision System Technology Co Ltd
Priority to CN201910709183.7A priority Critical patent/CN111325083B/zh
Publication of CN111325083A publication Critical patent/CN111325083A/zh
Application granted granted Critical
Publication of CN111325083B publication Critical patent/CN111325083B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本公开提供了一种记录考勤信息的方法和装置，属于人员考勤技术领域。所述方法包括获取目标考勤区域的图像；识别所述图像中包含的多个人体图像，确定每个人体图像对应的人物的人体特征信息；基于所述每个人体图像对应的人物的人体特征信息，以及预先存储的多个待记录考勤人物的基准人体特征信息，确定每个待记录考勤人物的考勤信息。采用本公开，可以缩短考勤时间，提高考勤效率。

Description

记录考勤信息的方法和装置
技术领域
本公开涉及人员考勤技术领域，特别涉及一种记录考勤信息的方法和装置。
背景技术
在人员考勤领域如学生考勤领域中，比较常见的考勤方式有签到、点名或者指纹打卡等方式。
在实现本公开的过程中，发明人发现相关技术至少存在以下问题：
上述考勤方式都需要对每一个学生逐个进行身份识别并基于识别结果记录考勤，比较耽误时间，导致考勤效率较低。
发明内容
本公开实施例提供了一种记录考勤信息的方法和装置，以解决相关技术的问题。所述技术方案如下：
根据本公开实施例提供一种记录考勤信息的方法，所述方法包括：
获取目标考勤区域的图像；
识别所述图像中包含的多个人体图像，确定每个人体图像对应的人物的人体特征信息；
基于所述每个人体图像对应的人物的人体特征信息，以及预先存储的多个待记录考勤人物的基准人体特征信息，确定每个待记录考勤人物的考勤信息。
可选的，所述人体特征信息包括多种人体属性的特征值，所述基准人体特征信息包括多种人体属性的基准特征值；
所述获取目标考勤区域的图像，包括：
获取在预设时段内按照预设间隔时长拍摄的目标考勤区域的多个图像；
所述识别所述图像中包含的多个人体图像，确定每个人体图像对应的人物的人体特征信息，包括：
对于获取的每个图像，识别所述图像中包含的多个人物的人体图像，将每个人物的人体图像，分别输入预先训练的人体特征检测模型，得到每个人物的多种人体属性的特征值和每个特征值对应的有效性分值；
对于每个人物的每一种人体属性，在所述人体属性的多个特征值中，基于每个特征值对应的有效性分值，确定最高的的有效性分值最高的特征值，组成每个人物的人体特征信息。
可选的，所述识别所述图像中包含的多个人体图像，确定每个人体图像对应的人物的人体特征信息之后，还包括：
在确定出的多个人体特征信息中，获取每种人体属性对应的所有特征值，确定所有特征值对应的有效性分值中的最大值；
对于获取的每个特征值，确定所述特征值与相同人体属性的每个其它特征值之间的相似度，确定大于第一相似度阈值的相似度的第一数目，基于所述第一数目、所述特征值对应的有效性分值、所述最大值、及人物的第二数目，确定所述特征值对应的权重值；
所述基于所述每个人体图像对应的人物的人体特征信息，以及预先存储的多个待记录考勤人物的基准人体特征信息，确定每个待记录考勤人物的考勤信息，包括：
对于每个人物的人体特征信息，基于所述人体特征信息中每个特征值对应的权重值，分别确定所述人体特征信息与预先存储的每个待记录考勤人物的基准人体特征信息之间的匹配度，对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
可选的，所述基于所述第一数目、所述特征值对应的有效性分值、所述最大值、及人物的第二数目，确定所述特征值对应的权重值，包括：
基于公式
Figure BDA0002153133310000021
确定所述特征值对应的权重值Z，其中，V为所述特征值对应的有效性分值，Vmax为所述最大值，a为所述人物的第二数目，ω为所述第一数目，
Figure BDA0002153133310000022
为a个人物中任意两个人物进行组合的组合数。
可选的，所述人体特征信息包括多种人体属性的特征值，所述基准人体特征信息包括多种人体属性的基准特征值；
所述基于所述每个人体图像对应的人物的人体特征信息，以及预先存储的多个待记录考勤人物的基准人体特征信息，确定每个待记录考勤人物的考勤信息，包括：
对于每个人物的人体特征信息，基于预先设置的每种人体属性对应的权重值，分别确定所述人体特征信息与预先存储的每个待记录考勤人物的基准人体特征信息之间的匹配度，对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
可选的，所述对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录，包括：
如果最高的匹配度大于预设匹配度阈值，则对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
根据本公开实施例提供一种记录考勤信息的装置，其特征在于，所述装置包括：
获取模块，用于获取目标考勤区域的图像；
确定模块，用于识别所述图像中包含的多个人体图像，确定每个人体图像对应的人物的人体特征信息；
考勤模块，用于基于所述每个人体图像对应的人物的人体特征信息，以及预先存储的多个待记录考勤人物的基准人体特征信息，确定每个待记录考勤人物的考勤信息。
可选的，所述人体特征信息包括多种人体属性的特征值，所述基准人体特征信息包括多种人体属性的基准特征值；
所述获取模块，具体用于：获取在预设时段内按照预设间隔时长拍摄的目标考勤区域的多个图像；
所述确定模块，具体用于：
对于获取的每个图像，识别所述图像中包含的多个人物的人体图像，将每个人物的人体图像，分别输入预先训练的人体特征检测模型，得到每个人物的多种人体属性的特征值和每个特征值对应的有效性分值；
对于每个人物的每一种人体属性，在所述人体属性的多个特征值中，基于每个特征值对应的有效性分值，确定最高的有效性分值对应的特征值，组成每个人物的人体特征信息。
可选的，所述确定模块之后，所述装置还包括权重计算模块，用于：
在确定出的多个人体特征信息中，获取每种人体属性对应的所有特征值，确定所有特征值对应的有效性分值中的最大值；
对于获取的每个特征值，确定所述特征值与相同人体属性的每个其它特征值之间的相似度，确定大于第一相似度阈值的相似度的第一数目，基于所述第一数目、所述特征值对应的有效性分值、所述最大值、及人物的第二数目，确定所述特征值对应的权重值；
所述考勤模块，具体用于：
对于每个人物的人体特征信息，基于所述人体特征信息中每个特征值对应的权重值，分别确定所述人体特征信息与预先存储的每个待记录考勤人物的基准人体特征信息之间的匹配度，对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
可选的，所述权重计算模块，具体用于：
基于公式
Figure BDA0002153133310000041
确定所述特征值对应的权重值Z，其中，V为所述特征值对应的有效性分值，Vmax为所述最大值，a为所述人物的第二数目，ω为所述第一数目，
Figure BDA0002153133310000042
为a个人物中任意两个人物进行组合的组合数。
可选的，所述考勤模块，具体用于：
对于每个人物的人体特征信息，基于预先设置的每种人体属性对应的权重值，分别确定所述人体特征信息与预先存储的每个待记录考勤人物的基准人体特征信息之间的匹配度，对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
可选的，所述考勤模块，具体用于：
如果最高的匹配度大于预设匹配度阈值，则对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
根据本公开实施例提供一种计算机设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序，实现上述任一所述的方法步骤。
根据本公开实施例提供一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的方法步骤。
本发明实施例提供的技术方案带来的有益效果至少包括：
本公开实施例中，该方法可以首先获取目标考勤区域的图像；然后，识别所述图像中包含的多个人体图像，确定每个人体图像对应的人物的人体特征信息；最后，基于所述每个人体图像对应的人物的人体特征信息，以及预先存储的多个待记录考勤人物的基准人体特征信息，确定每个待记录考勤人物的考勤信息。可见，使用该方法进行考勤时，无需对每一个学生进行逐一考勤，进而可以缩短考勤时间，提高考勤效率。
附图说明
为了更清楚地说明本公开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，下面描述中的附图仅仅是本公开的一些实施例，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是本公开实施例提供的一种记录考勤信息的方法的流程示意图；
图2是本公开实施例提供的一种记录考勤信息的方法的流程示意图；
图3是本公开实施例提供的一种记录考勤信息的方法的流程示意图；
图4是本公开实施例提供的一种记录考勤信息的装置的结构示意图；
图5是本公开实施例提供的一种记录考勤信息的装置的结构示意图；
图6是本公开实施例提供的一种记录考勤信息的装置的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。
本公开实施例提供了一种记录考勤信息的方法，该方法可以应用在记录考勤信息的系统中，该系统可以应用在学生考勤领域中，该系统可以包括用于记录考勤信息的计算机设备和用于采集图像的图像采集部件。其中，计算机设备可以是学校中的终端设备，也可以是云端设备(如服务器)；图像采集部件可以是摄像头等。
在实施中，图像采集部件的数量可以是一个或者多个，安装在教室中讲台区域的墙壁上，且面向教室中的座位区域，比如，在讲台区域的中部位置的墙壁上，安装一个面向座位区域的图像采集部件，又比如，在讲台区域的两端位置和中部位置的墙壁上，分别安装一个面向座位区域的图像采集部件。图像采集部件与计算机设备电性连接，如可以是有线连接也可以是无线连接等，以使图像采集部件与计算机设备之间可以进行传输数据或者指令。
如图1所示，该方法的处理流程可以如下：
在步骤101中，计算机设备获取目标考勤区域的图像。
其中，目标考勤区域是图像采集部件所能采集到的区域，例如，可以是教室中的座位区域，而教室中的座位区域中具有多个人物，相应的，图像中包含多个人物对应的人体图像。
在实施中，安装在教室中的图像采集部件处于实时采集目标考勤区域的图像的状态，当计算机设备达到获取图像的周期时，从图像采集部件中获取目标考勤区域的图像。或者，当计算机设备达到获取目标考勤区域的图像的周期时，向图像采集部件发送采集图像的信息，图像采集部件进行采集图像，并将采集的图像发送给计算机设备。
在步骤102中，计算机设备识别图像中包含的多个人体图像，确定每个人体图像对应的人物的人体特征信息。
其中，人体特征信息是能够代表某一个人物的物理性的特征，可以包括一个或者多个人体属性的特征值。
人体属性指的是人物的具体特征，可以包括唯一性特征、长时持续性特征和短时持续性特征。其中，唯一性特征是指人物的基本不变的特征，可以包括人脸特征、头部特征和身体特征，人脸特征可以包括眼宽、臂长、嘴长等特征，头部特征可以包括头宽、头长等，身体特征可以包括肩宽等。长时持续性特征是指人物的在较长时间内基本不会发生很大变化的特征，例如，刘海长度、头发长度、有无佩戴眼镜、眼镜的形状等。短时持续性特征是人物的经常会发生变化的特征，也即是，在短时内会保持不变，长时内发生改变的特征，例如，上衣的颜色、上衣的形状等。
人体属性的特征值可以是人体属性的具体取值。例如，肩宽80厘米，肩宽是人体属性，80厘米是肩宽这一人体属性的特征值。
在实施中，计算机设备获取到目标考勤区域内的图像之后，首先，从图像中提取图像中的每一个人体图像，例如，可以通过图像提取算法从图像中提取多个人体图像，或者，也可以通过预先训练的人体图像提取模型从图像中得到多个人体图像，例如，计算机设备将获取的图像输入到预先训练的人体图像提取模型，得到多个人体图像。然后，对于每一张人体图像，计算机设备再确定人体图像对应的人物的人体特征信息。这样，每一张人体图像对应的人物便可以通过一个或者多个人体属性的特征值来表示，例如，某一个人体图像对应的人物可以表示为{特征值1、特征值2、特征值3……特征值n}，其中，每一个特征值均对应唯一一个人体属性，例如，特征值1对应眼宽，特征值2对应嘴宽等。
在步骤103中，计算机设备基于每个人体图像对应的人物的人体特征信息，以及预先存储的多个待记录考勤人物的基准人体特征信息，确定每个待记录考勤人物的考勤信息。
其中，由上述所述，人体特征信息是能够代表某一个人物的物理特征，可以包括一个或者多个人体属性的特征值。相应的，基准人体特征信息与人体特征信息所代表的意义相同，其包括多个人体属性的基准特征值。
在实施中，计算机设备中可以储存有每一个待记录考勤人物的基准人体特征信息，这样，对于每个人体图像对应的人物的人体特征信息，计算机设备可以确定人体特征信息与多个待记录考勤人物的基准人体特征信息的匹配度，对匹配度最高的基准人体特征对应的待记录考勤人物，进行考勤记录。
例如，计算机设备中储存有五个待记录考勤人物的基准人体特征信息，其储存形式可以是，待记录考勤人物1＝{基准特征值1、基准特征值2、基准特征值3……基准特征值n}、待记录考勤人物2＝{基准特征值1、基准特征值2、基准特征值3……基准特征值n}、待记录考勤人物3＝{基准特征值1、基准特征值2、基准特征值3……基准特征值n}、待记录考勤人物4＝{基准特征值1、基准特征值2、基准特征值3……基准特征值n}、待记录考勤人物5＝{基准特征值1、基准特征值2、基准特征值3……基准特征值n}。
假如计算机设备从图像中得到三个人体图像，这三个人体图像对应的人物可以分别记为人物1、人物2和人物3，那么，这些人物便可以使用相对应的人体特征信息来表示，例如，人物1＝{特征值1、特征值2、特征值3……特征值n}、人物2＝{特征值1、特征值2、特征值3……特征值n}、人物3＝{特征值1、特征值2、特征值3……特征值n}。
这样，计算机设备便可以将人物1＝{特征值1、特征值2、特征值3……特征值n}分别与储存的五个待记录考勤人物的基准人体特征信息进行对比，得到五个匹配度，不妨记为Q(1-1)、Q(1-2)、Q(1-3)、Q(1-4)和Q(1-5)其中，如果Q(1-2)最大，则待记录考勤人物2与人物1匹配成功。
其中，人物1与待记录考勤人物2的匹配度可以基于相对应特征值的相似度P来确定，其中，相对应的特征值指的是，人物和待记录考勤人物的属于同一种人体属性的特征值，例如，人物1的特征值1与待记录考勤人物2的基准特征值1相对应。其中，计算公式可以是：
Q(i-j)＝P1+P2+P3+……+Pn (1)
式中：Q(i-j)表示人物i与待记录考勤人物j的匹配度，P表示相对应的特征值与基准特征值之间的相似度。
同理，人物2分别与剩下的所有待记录考勤人物的匹配度分别记为Q(2-1)、Q(2-3)、Q(2-4)和Q(2-5)，其中，如果Q(2-1)最大，则待记录考勤人物1与人物2匹配成功。人物3分别与剩下的所有待记录考勤人物的匹配度分别记为Q(3-3)、Q(3-4)和Q(3-5)，其中，如果Q(3-4)最大，则待记录考勤人物4与人物3匹配成功。那么，相应的，计算机设备可以将待记录考勤人物1、待记录考勤人物2和待记录考勤人物4标记为出勤，由于未有人物与待记录考勤人物3、待记录考勤人物5匹配成功，则计算机设备将待记录考勤人物3、待记录考勤人物5记为缺勤。
基于上述所述，使用上述方法记录考勤信息时，无需对每一个学生逐个进行身份识别并基于识别结果记录考勤，进而，可以缩短考勤时间，提高考勤效率。
其中，需要指出的是，图像采集部件采集的图像中，处于目标考勤区域内不同座位处的人物在图像中对应的缩放比例不相同，反映在图像中表现为，不同座位的人物对应的人体图像在图像中所占的面积不相同。例如，距离图像采集部件近的人物，其缩放比例较大，在图像中所占的面积比较大，距离图像采集部件远的人物，其缩放比例较小，在图像中所占的面积比较小。而待记录考勤人物的人体属性的基准特征值，又是在另一种缩放比例下得到的。所以，在匹配度计算之前，计算机设备需要将针对同一人体属性的特征值和基准特征值，换算成相同的缩放比例。其中，一种实现方式可以是：
待记录考勤人物的人体属性的基准特征值都是在预设缩放比例下得到的，然后进行储存。通常情况，图像采集部件一旦安装在教室中的墙壁上，经调试之后，便在很长一段时间内都不会其安装位置都不会变动，那么，图像采集部件针对不同区域内的缩放比例也是固定的。技术人员便可以通过试验得到图像采集部件在不同区域内的缩放比例，然后，储存到计算机设备中。
这样，计算机设备获取图像之后，首先可以识别出图像中的每一个人物，然后确定每一个人物的质心在图像中的位置，基于每个人物的质心在图像中的位置，便可以确定每一个人物的缩放比例。之后，再得到图像中对应每一个人物的人体图像，其中，每一个人体图像都是经过缩放比例换算后的结果，计算机设备将每一个人体图像都换算成预设缩放比例。进而，每一个人体图像对应的人物的人体特征信息与多个待记录考勤人物的基准人体特征信息才具有可比性。
可选的，教室中不同座位处的光线不一样，那么图像采集部件采集出来的图像的效果不一样，会影响到人体图像的人体特征信息的准确度，另外，座位上的学生也可能会低头、身体晃动等情况，也会导致计算机设备得到的人体图像的人体特征信息的准确度。为了减弱上述影响，相应的可以是，计算机设备可以获取多张目标考勤区域的图像，例如，计算机设备可以按照预设间隔时长获取目标考勤区域的图像，然后，计算机设备再基于获取的每一张图像的清晰情况、多个人物的人体特征信息的完整情况等，确定一张目标图像，使用该目标图像再执行接下来的步骤。
可选的，计算机设备还可以获取在预设时段内按照预设间隔时长拍摄的目标考勤区域的多个图像。
其中，预设时段是技术人员根据记录考勤信息的总时间段，划分的时段，可以是总时间段内时长比较短的时段，也可以是总时间段内时长比较长的时段，预设时段可以基于应用需求灵活设置。
例如，记录考勤信息的总时间段是9:00至9:45，预设时段可以是9:00至9:10、9:10至9:20、9:20至9:30、9:30至9:40中任意一个时段。或者，上述每一个时段都是预设时段，计算机设备在每一个时段都使用本实施例所述的方法记录一次考勤信息，之后，再基于这多次考勤信息，确定每个待记录考勤人物的考勤信息(这种情况，下文将会示例)。
其中，预设间隔时长是计算机设备在预设时段内获取图像的周期时长，例如，可以是3秒，例如，计算机设备在9:00至9:10这一预设时段内每3秒获取一张图像，在该预设时段内可以获取200张图像。
在实施中，安装在教室中的图像采集部件可以一直处于采集状态，计算机设备可以在预设时段内按照预设间隔时长获取一张图像，进而，在预设时段内连续获取多张图像。还可以是，在预设时段内，计算机设备按照预设间隔时长向图像采集部件发送采集图像的信号，图像采集部件接收到信号之后，进行采集图像，并将采集的图像发送给计算机设备。计算机设备在预设时段按照预设间隔时长获取图像的具体方式本实施例对此并不做具体限定。
可选的，在计算机设备获取在预设时段内按照预设间隔时长拍摄的目标考勤区域的多个图像的情况下，为了提高每一个人体图像对应的人物的人体特征信息的准确度，步骤102可以按照如图2所示的流程执行：
其中，下面示例中，可以以预设时段为9：00至9：10，预设间隔时长为3秒为例，则计算机设备在9：00至9：10这一预设时段内一共获取了200张图像。
在步骤1021中，对于获取的每个图像，计算机设备识别图像中包含的多个人物的人体图像，将每个人物的人体图像，分别输入预先训练的人体特征检测模型，得到每个人物的多种人体属性的特征值和每个特征值对应的有效性分值。
其中，人体属性和人体属性的特征值在上文介绍人体特征信息时已介绍，每个特征值的对应的有效性分值，是指该特征值的置信度(或称可靠度，或称准确性)。例如，“肩宽80厘米”的有效性分值，即为80厘米能表示肩宽的置信度。其中，特征值对应的有效性分值越高，表示该特征值在描述对应的人体属性的置信度越大，每一个特征值的有效性分值可以通过人体特征检测模型得到。
在实施中，计算机设备在预设时段内获取到多张图像之后，得到每一张图像中的多个人体图像，然后，在多张图像中的多张人体图像中对应同一个人物的人体图像赋予相同的标识，例如，人物i＝{人体图像1、人体图像2……人体图像a}，i和a均为正整数，a小于或者等于计算机设备在预设时段内获取到的图像的总数量。之后，计算机设备再将每一个人物的人体图像，分别输入预先训练的人体特征检测模型，得到每个人物的多种人体属性的特征值和每个特征值对应的有效性分值。
在实施中，对于每一个人物的任一种人体属性，计算机设备可以得到多个特征值，每一个特征值都对应一个有效性分值。例如，计算机设备获取200张图像，那么，某一个人物的任一种人体属性最多有200个特征值。例如，人物1的肩宽这一人体属性，在200张图像中，最多可以得到200个特征值和对应的有效性分值。
例如，对于任一个人物的任一个人体图像输入到预先训练的人体特征检测模型，可以得到{(特征值1，有效性分值1)、(特征值2，有效性分值2)、(特征值3，有效性分值3)……(特征值k，有效性分值k)……(特征值m，有效性分值m)}。其中，m和k均为正整数，且k小于或者等于m，m的值等于特征值的总个数(如m可以等于200)，k在1至m之间取值；特征值k表示特征值1至特征值m之间所有特征值中的任一个特征值。
在步骤1022中，对于每个人物的每一种人体属性，计算机设备可以在人体属性的多个特征值中，基于每个特征值对应的有效性分值，确定最高的有效性分值对应的特征值，组成每个人物的人体特征信息。
其中，根据人体特征信息的定义，计算机设备确定每个人物的人体特征信息的过程可以是，首先，计算机设备确定该人物的每一个人体属性的特征值，然后，再将该人物的所有人体属性的特征值，组成该人物的人体特征信息。具体过程可以如下：
理论上，如果多个特征值都对应同一个人物的同一种人体属性，例如，多个特征值都对应人物1的“肩宽”这一人体属性，那么，理论上，这多个特征值的差别应该比较小，都比较接近，它们的波动比较小。相应的，计算机设备可以基于该原理，从同一个人物的同一种人体属性的多个特征值中，基于每个特征值的有效性分值，来选取一个最优的特征值，组成该人物的人体特征信息。
其中，计算机设备可以通过特征值的有效性分值来确定该特征值的优劣，例如，有效性分值大的特征值要优于有效性分值小的特征值。
计算机设备在判断同一个人物的同一种人体属性的多个特征值的波动性时，可以基于特征值与对应的特征值之间的相似度来判断，具体的可以是：
其中，特征值与对应的特征值，也即是，同一人物的同一种人体属性的特征值和基准特征值。
首先，对于每个人物的每一种人体属性，计算机设备可以在该人体属性的多个特征值中，确定每一个特征值与对应的基准特征值的相似度。然后，判断大于第二相似度阈值的相似度所占的比例，如果大于第二相似度阈值的相似度所占比例超过预设比例，则在每一种人体属性的所有特征值中，基于每个特征值的有效性分值，确定最高的有效性分值所属的特征值，组成该人物的人体特征信息。而如果大于第二相似度阈值的相似度所占比例未超过预设比例，则在每一种人体属性的相似度不大于第二相似度阈值对应的特征值中，基于每个特征值的有效性分值，确定最高的有效性分值所属的特征值，组成该人物的人体特征信息。
例如，人物1的人体属性1包括200个特征值，第二相似度阈值可以取90％来示例，预设比例可以取50％来示例。
计算机设备可以在人物1的人体属性1的200个特征值中，逐个计算每一个特征值分别与人物1的人体属性1的基准特征值之间的相似度。计算出每一个特征值与基准特征值之间的相似度之后，再判断200个相似度中，大于90％的相似度所占的比例，如果该比例超过50％，则计算机设备可以从200个特征值中，选取最大的有效性分值所属的特征值，作为人物1的人体属性1的特征值，来组成人物1的人体特征信息。
而200个相似度中，大于90％的相似度所占的比例未超过50％，则计算机设备可以，从与基准特征值的相似度不大于90％的所有特征值中，选取最大的有效性分值所属的特征值，作为人物1的人体属性1的特征值，来组成人物1的人体特征信息。
其中，在相似度不大于90％的所有特征值中，选取一个最优的特征值，是因为，相似度不大于90％的特征值的波动性较小，个别相似度大于90％的特征值可能属于有问题的特征值，计算机设备可以将这一类特征值，从200个特征值中过滤掉。
这样，对于同一个人物的同一种人体属性，计算机设备便可以在波动性较小的多个特征值中，基于每个特征值的有效性分值，来选取一个最优的特征值，组成该人物的人体特征信息。因此，即使教室中不同座位处的光线不一样，导致某个学生的某一个人体属性的特征值较差，或者，即使某个学生发生身体晃动和低头等现象，这些情况，对人物的人体特征信息造成的影响也较小。进而，计算机设备基于该方式确定出来的每一个人物的人体特征信息，在反映人物特征上，更加准确精准。
上述是关于计算机设备，在每一个人物的任意一个人体属性的多个特征值中，选取最优的特征值，来组成每一个人物的人体特征信息的原理，下面可以以大于90％的相似度所占的比例超过50％的情况，来确定每一个人物的人体特征信息，进行示例：
在实施中，对于任一个人物的任一种人体属性，计算机设备可以从多个特征值中选取一个最大有效性分值对应的特征值，作为该人体属性的特征值。例如，在预设时段内计算机设备共获取200张图像，对于某一个人物i的一种人体属性r对应的特征值k为max(V1k、V2k、……、V200k)对应的特征值k，其中V1k表示人物i的人体图像1中特征值k对应的有效性分值。也即是，某一个人物i的某一个人体属性r的特征值k是从最多200个特征值k中选取的，其中是基于特征值k的有效性分值选取的。例如，某一个人物i的肩宽的特征值，是从最多200个肩宽的特征值中选取的，其中，选取出的肩宽的特征值对应的有效性分值是人物i的所有肩宽的特征值对应的有效性分值中的最大值。
这样，计算机设备便可以确定人物i的每一种人体属性的特征值，进而，基于所有人体属性的特征值，得到人物i的人体特征信息。这样人物i便可以通过人体特征信息来表示，例如，人物i＝{特征值1、特征值2、特征值3、……特征值k……特征值m}，其中，特征值k来自于人体图像x，k和x有可能相等，也有可能不相等，x小于或者等于预设时段内计算机设备所获取的图像的总数量。
基于上述可知，对于一个人物i，其任一个特征值都是同种特征值中有效性最好的一个，同种特征值也即是属于同一种人体属性的特征值，多个特征值组成人物i的人体特征信息，那么，由这多个特征值组成的人体特征信息也最能代表和反映人物i。进而，基于人体特征信息对待记录考勤人物进行考勤记录的准确性更高，而人体特征信息包括多个特征值，特征值越多，则人体特征信息所代表的信息也越多，那么在记录考勤信息时，准确度也越高。
可选的，为了简化计算机设备的处理过程中，相应的，计算机设备可以对特征值进行归一化处理，也即是，对每一个人物的任意一个人体属性的多个特征值，进行归一化处理。
在进行归一化处理时，计算机设备需要选取一个最优的特征值，作为归一特征值。计算机设备可以使用上述方式，在每一个人物的任意一个人体属性的多个特征值中，选取一个最优的特征值，作为归一特征值，也即是：
首先，对于每个人物的每一种人体属性的多个特征值，计算机设备确定每一个特征值与基准特征值的相似度，并判断对应同一个基准特征值的所有相似度中，大于第二相似度阈值的相似度所占的比例，例如，大于90％的相似度所占的比例。
其次，如果大于第二相似度阈值的相似度所占的比例，超过预设比例，例如，如果大于90％的相似度所占的比例超过50％(如10个相似度中，有6个相似度，其值大于90％)，则在该人物的该人体属性的所有特征值中，将最高的有效性分值对应的特征值，作为归一特征值。
而如果大于第二相似度阈值的相似度所占的比例，未超过预设比例，例如，如果大于90％的相似度所占的比例未超过50％，则在与基准特征值的相似度不大于第二相似度阈值的特征值中，将最高的有效性分值对应的特征值，作为归一特征值。
可选的，为了使人物i的人体特征信息和待记录考勤人物j的基准人体特征信息之间的匹配度的计算更加准确，相应的，对于每个人物的人体特征信息，基于预先设置的每种人体属性对应的权重值，分别确定人体特征信息与预先存储的每个待记录考勤人物的基准人体特征信息之间的匹配度，对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
在实施中，人物i的人体特征信息可以表达为{特征值1、特征值2、特征值3、……、特征值k、……、特征值n}，待记录考勤人物j的基准人体特征信息可以表达为{基准特征值1、基准特征值2、基准特征值3、……、特征值k、……、特征值n}，那么，人物i的人体特征信息和任一个待记录考勤人物j的基准人体特征信息之间的匹配度Q(i-j)，可以通过下述公式计算：
Q(i-j)＝Z1·P1+Z2·P2+Z3·P3+……+Zk·Pk+……+Zm·Pm (2)
或者，为了对匹配度进行归一化处理，相应的人物i的人体特征信息和任一个待记录考勤人物j的基准人体特征信息的匹配度Q(i-j)的计算公式还可以是：
Figure BDA0002153133310000141
上述公式(2)和(3)的式中：
k在1至m之间取值，m值表示所有特征值的总数量；Zk表示特征值k对应的人体属性r所占的权重值；Pk表示人物i的人体属性r的特征值k与待记录考勤人物j的人体属性r的基准特征值k之间的相似度。
其中，上述公式(2)和(3)中的每一种人体属性的权重值是技术人员根据反复试验和理论计算而预先设置，例如，对眼宽这一人体属性设置一个权重值，对肩宽这一人体属性设置一个权重值等。
可选的，上述在匹配度计算中是给人体属性赋予权重值，在应用中，还可以给每一个人物的特征值赋予权重值，其中，每个人物的任一个特征值的权重值的确定可以按照如图3所示的流程执行：
在步骤301中，计算机设备在确定出的多个人体特征信息中，获取每种人体属性对应的所有特征值，确定所有特征值对应的有效性分值中的最大值。
其中，步骤301是在计算机确定每一个人物的人体特征信息之后，执行的步骤。
所有特征值指的是，在所有人物中，所有人体属性对应的所有的特征值。例如，一共有a个人物，每个人物一共有m个特征值，则所有特征值的数目即为m·a。
在实施中，由上述所述，每一个特征值都对应有一个有效性分值，相应的，m·a个特征值对应m·a个有效性分值，计算机设备可以从这m·a个有效性分值确定一个最大值，不妨记为Vmax(也即是，所有有效性分值中的最大的有效性分值)。
例如，一共有三个人物，每一个人物共有三个特征值，相应的，人物1的特征值1、特征值2和特征值3的有效性分值分别为0.9、0.9、0.8；人物2的特征值1、特征值2和特征值3的有效性分值分别为0.92、0.9、0.93；人物3的特征值1、特征值2和特征值3的有效性分值分别为0.9、0.95、0.85。那么，在这九个特征值对应的有效性分值中0.95最大。
在步骤302中，对于获取的每个特征值，计算机设备确定特征值与相同人体属性的每个其它特征值之间的相似度，确定大于第一相似度阈值的相似度的第一数目。
在实施中，还是以三个人物，每个人物具有三中人体属性示例，对于人物1的特征值1的第一数目的确定可以是，首先，计算机设备分别将人物1的特征值1分别与人物2的特征值1、人物3的特征值1进行相似度比较，得到人物1的特征值1的与人物2的特征值1之间的相似度P1(1-2)、人物1的特征值1的与人物3的特征值1之间的相似度P1(1-3)；然后，计算机设备再从P1(1-2)和P1(1-3)中确定大于第一相似度阈值的相似度的数目记为第一数目，例如，如果P1(1-2)大于第一相似度阈值，而P1(1-3)不大于第一相似度阈值，则第一数目为1；如果P1(1-2)和P1(1-3)均大于第一相似度阈值，则第一数目为2。
在步骤303中，在每一个人物的人体特征信息中，对于每一个特征值，计算机设备基于特征值的第一数目、特征值对应的有效性分值、所有特征值对应的有效性分值中的最大值、及所有人物的第二数目，确定特征值对应的权重值。其中，可以使用如下公式进行计算：
Figure BDA0002153133310000161
式中：Zik表示人物i的特征值k的权重值；V表示人物i的特征值k的有效性分值；Vmax表示所有有效性分值中的最大的有效性分值；ω表示特征值k的第一数目；a为人物的第二数目，也即是，人物的总数量，由于一个人物具有一个特征值k，故a既可以表示人物的总数量，也可以用来表示所有特征值k的总数量；
Figure BDA0002153133310000163
可以表示a个人物中任意两个人物进行组合的组合数，
Figure BDA0002153133310000164
也可以表示在a个同种人体属性中，一共有a个特征值，两两特征值组合进行相似度比较的次数(也可以称两两特征值进行组合的组合数)。
在实施中计算机设备确定每一个人物的每一个特征值的权重值之后，便可以确定每一个人物的人体特征信息与多个待记录考勤人物的基准人特征信息之间的匹配度，所使用的计算公式可以是：
Q(i-j)＝Zi1·P1+Zi2·P2+Zi3·P3+……+Zik·Pk+……+Zim·Pm (5)
或者：
Figure BDA0002153133310000162
这样，计算机设备便可以计算出每一个人物的人体特征信息与多个待记录考勤人物的基准人特征信息之间的匹配度，将对匹配度最高的基准人体特征对应的待记录考勤人物的考勤记录记为出勤，对未被人物匹配上的待记录考勤人物的考勤记录记为缺勤。
可选的，为了防止他人替某一个待记录考勤人物出勤，可以对匹配度的大小进行限制，相应的可以是，计算机设备确定出每一个人物的人体特征信息与一个待记录考勤人物的基准人体特征信息之间的最高的匹配度之后，然后再判断该最高的匹配度是否超出匹配度阈值，如果最高的匹配度大于预设匹配度阈值，则对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
可选的，为了进一步提高记录考勤信息的效率，相应的，储存待记录考勤人物的数据库处于一个实时更新的过程。例如，校园里安装有多个图像采集部件，计算机设备可以从这些图像采集部件中获取更新图像，然后利用人脸识别技术，使用更新图像中的人物的当前人体特征信息更换储存在数据库中的对应的待记录考勤人物的基准人体特征信息。那么，在记录考勤信息中，该人物的人体特征信息在与多个基准人体特征信息进行匹配时，更容易也更快，找到与之匹配度最高的基准人体特征信息，进而，可以提高记录考勤信息的效率。
以上介绍都是在一个预设时段内进行的记录考勤信息的情况，计算机设备也可以将一个总时间段划分为多个预设时段，然后在每个预设时段按照上述方法进行记录考勤信息，之后在基于每个预设时段的考勤信息，对待记录考勤人物记录考勤。
例如，计算机设备可以将记录考勤信息的总时间段是9:00至9:45，划分为多个预设时段，分别为9:00至9:10、9:10至9:20、9:20至9:30、9:30至9:40，其中，9:40至9:45这段时间可以用来输出考勤信息的结果。对于某一个待记录考勤人物，如果每一个预设时段的考勤信息都是出勤，则该待记录考勤人物在总时间段是9:00至9:40中的考勤信息为出勤；而如果有一个预设时段内的考勤信息为缺勤，则该待记录考勤人物在总时间段是9:00至9:40中的考勤信息为缺勤。
又例如，在一个需要区分正常出勤、迟到、早退和缺勤的应用场景中，那么考勤信息可以包括正常考勤、缺勤、迟到、早退。对于每一个待记录考勤人物，计算机设备可以基于每一个预设时段的考勤记录，记录其考勤信息。最终，计算机设备可以输出每一个待记录考勤人物的如表1所示的考勤信息。
表1所有待记录考勤人物的考勤结果
Figure BDA0002153133310000181
本公开实施例中，该方法可以首先获取目标考勤区域的图像；然后，识别所述图像中包含的多个人体图像，确定每个人体图像对应的人物的人体特征信息；最后，基于所述每个人体图像对应的人物的人体特征信息，以及预先存储的多个待记录考勤人物的基准人体特征信息，确定每个待记录考勤人物的考勤信息。可见，使用该方法记录考勤信息时，无需对每一个学生进行逐一考勤，进而可以缩短考勤时间，提高考勤效率。
基于相同的技术构思，本公开实施例还提供了一种记录考勤信息的装置，如图4所示，所述装置包括：
获取模块410，用于获取目标考勤区域的图像；
确定模块420，用于识别所述图像中包含的多个人体图像，确定每个人体图像对应的人物的人体特征信息；
考勤模块430，用于基于所述每个人体图像对应的人物的人体特征信息，以及预先存储的多个待记录考勤人物的基准人体特征信息，确定每个待记录考勤人物的考勤信息。
可选的，所述人体特征信息包括多种人体属性的特征值，所述基准人体特征信息包括多种人体属性的基准特征值；
所述获取模块410，具体用于获取在预设时段内按照预设间隔时长拍摄的目标考勤区域的多个图像；
所述确定模块420，具体用于：
对于获取的每个图像，识别所述图像中包含的多个人物的人体图像，将每个人物的人体图像，分别输入预先训练的人体特征检测模型，得到每个人物的多种人体属性的特征值和每个特征值对应的有效性分值；
对于每个人物的每一种人体属性，在所述人体属性的多个特征值中，基于每个特征值对应的有效性分值，确定最高的有效性分值对应的特征值，组成每个人物的人体特征信息。
可选的，如图5所示，所述确定模块420之后，所述装置还包括权重计算模块420’，用于：
在确定出的多个人体特征信息中，获取每种人体属性对应的所有特征值，确定所有特征值对应的有效性分值中的最大值；
对于获取的每个特征值，确定所述特征值与相同人体属性的每个其它特征值之间的相似度，确定大于第一相似度阈值的相似度的第一数目，基于所述第一数目、所述特征值对应的有效性分值、所述最大值、及人物的第二数目，确定所述特征值对应的权重值；
所述考勤模块430，具体用于：
对于每个人物的人体特征信息，基于所述人体特征信息中每个特征值对应的权重值，分别确定所述人体特征信息与预先存储的每个待记录考勤人物的基准人体特征信息之间的匹配度，对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
可选的，所述权重计算模块420’，具体用于：
基于公式
Figure BDA0002153133310000191
确定所述特征值对应的权重值Z，其中，V为所述特征值对应的有效性分值，Vmax为所述最大值，a为所述人物的第二数目，ω为所述第一数目，
Figure BDA0002153133310000192
为a个人物中任意两个人物进行组合的组合数。
可选的，所述考勤模块430，具体用于：
对于每个人物的人体特征信息，基于所述人体特征信息中预先设置的每种人体属性对应的权重值，分别确定所述人体特征信息与预先存储的每个待记录考勤人物的基准人体特征信息之间的匹配度，对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
可选的，所述考勤模块430，具体用于：
如果最高的匹配度大于预设匹配度阈值，则对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
需要说明的是：上述实施例提供的记录考勤信息的装置在记录考勤时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的记录考勤信息的装置与记录考勤信息的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图6示出了本发明一个示例性实施例提供的终端600的结构框图。该终端600可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio LayerIV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端600还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端600包括有：处理器601和存储器602。
处理器601可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器601可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器601可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器601还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器602中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器601所执行以实现本申请中方法实施例提供的记录考勤信息的方法。
在一些实施例中，终端600还可选包括有：外围设备接口603和至少一个外围设备。处理器601、存储器602和外围设备接口603之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口603相连。具体地，外围设备包括：射频电路604、触摸显示屏605、摄像头606、音频电路607、定位组件608和电源609中的至少一种。
外围设备接口603可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器601和存储器602。在一些实施例中，处理器601、存储器602和外围设备接口603被集成在同一芯片或电路板上；在一些其他实施例中，处理器601、存储器602和外围设备接口603中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路604用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路604将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路604包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路604可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路604还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏605用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏605是触摸显示屏时，显示屏605还具有采集在显示屏605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器601进行处理。此时，显示屏605还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏605可以为一个，设置终端600的前面板；在另一些实施例中，显示屏605可以为至少两个，分别设置在终端600的不同表面或呈折叠设计；在再一些实施例中，显示屏605可以是柔性显示屏，设置在终端600的弯曲表面上或折叠面上。甚至，显示屏605还可以设置成非矩形的不规则图形，也即异形屏。显示屏605可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode，有机发光二极管)等材质制备。
摄像头组件606用于采集图像或视频。可选地，摄像头组件606包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件606还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路607可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器601进行处理，或者输入至射频电路604以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器601或射频电路604的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路607还可以包括耳机插孔。
定位组件608用于定位终端600的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件608可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源609用于为终端600中的各个组件进行供电。电源609可以是交流电、直流电、一次性电池或可充电电池。当电源609包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中，终端600还包括有一个或多个传感器610。该一个或多个传感器610包括但不限于：加速度传感器611、陀螺仪传感器612、压力传感器613、指纹传感器614、光学传感器615以及接近传感器616。
加速度传感器611可以检测以终端600建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器611可以用于检测重力加速度在三个坐标轴上的分量。处理器601可以根据加速度传感器611采集的重力加速度信号，控制触摸显示屏605以横向视图或纵向视图进行用户界面的显示。加速度传感器611还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器612可以检测终端600的机体方向及转动角度，陀螺仪传感器612可以与加速度传感器611协同采集用户对终端600的3D动作。处理器601根据陀螺仪传感器612采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器613可以设置在终端600的侧边框和/或触摸显示屏605的下层。当压力传感器613设置在终端600的侧边框时，可以检测用户对终端600的握持信号，由处理器601根据压力传感器613采集的握持信号进行左右手识别或快捷操作。当压力传感器613设置在触摸显示屏605的下层时，由处理器601根据用户对触摸显示屏605的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器614用于采集用户的指纹，由处理器601根据指纹传感器614采集到的指纹识别用户的身份，或者，由指纹传感器614根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器601授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器614可以被设置终端600的正面、背面或侧面。当终端600上设置有物理按键或厂商Logo时，指纹传感器614可以与物理按键或厂商Logo集成在一起。
光学传感器615用于采集环境光强度。在一个实施例中，处理器601可以根据光学传感器615采集的环境光强度，控制触摸显示屏605的显示亮度。具体地，当环境光强度较高时，调高触摸显示屏605的显示亮度；当环境光强度较低时，调低触摸显示屏605的显示亮度。在另一个实施例中，处理器601还可以根据光学传感器615采集的环境光强度，动态调整摄像头组件606的拍摄参数。
接近传感器616，也称距离传感器，通常设置在终端600的前面板。接近传感器616用于采集用户与终端600的正面之间的距离。在一个实施例中，当接近传感器616检测到用户与终端600的正面之间的距离逐渐变小时，由处理器601控制触摸显示屏605从亮屏状态切换为息屏状态；当接近传感器616检测到用户与终端600的正面之间的距离逐渐变大时，由处理器601控制触摸显示屏605从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图6中示出的结构并不构成对终端600的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述实施例中记录考勤信息的方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种记录考勤信息的方法，其特征在于，所述方法包括：
获取目标考勤区域的图像；
识别所述图像中包含的多个人体图像，确定每个人体图像对应的人物的人体特征信息；
基于所述每个人体图像对应的人物的人体特征信息，以及预先存储的多个待记录考勤人物的基准人体特征信息，确定每个待记录考勤人物的考勤信息。
2.根据权利要求1所述的方法，其特征在于，所述人体特征信息包括多种人体属性的特征值，所述基准人体特征信息包括多种人体属性的基准特征值；
所述获取目标考勤区域的图像，包括：
获取在预设时段内按照预设间隔时长拍摄的目标考勤区域的多个图像；
所述识别所述图像中包含的多个人体图像，确定每个人体图像对应的人物的人体特征信息，包括：
对于获取的每个图像，识别所述图像中包含的多个人物的人体图像，将每个人物的人体图像，分别输入预先训练的人体特征检测模型，得到每个人物的多种人体属性的特征值和每个特征值对应的有效性分值；
对于每个人物的每一种人体属性，在所述人体属性的多个特征值中，基于每个特征值对应的有效性分值，确定最高的有效性分值对应的特征值，组成每个人物的人体特征信息。
3.根据权利要求2所述的方法，其特征在于，所述识别所述图像中包含的多个人体图像，确定每个人体图像对应的人物的人体特征信息之后，还包括：
在确定出的多个人体特征信息中，获取每种人体属性对应的所有特征值，确定所有特征值对应的有效性分值中的最大值；
对于获取的每个特征值，确定所述特征值与相同人体属性的每个其它特征值之间的相似度，确定大于第一相似度阈值的相似度的第一数目，基于所述第一数目、所述特征值对应的有效性分值、所述最大值、及人物的第二数目，确定所述特征值对应的权重值；
所述基于所述每个人体图像对应的人物的人体特征信息，以及预先存储的多个待记录考勤人物的基准人体特征信息，确定每个待记录考勤人物的考勤信息，包括：
对于每个人物的人体特征信息，基于所述人体特征信息中每个特征值对应的权重值，分别确定所述人体特征信息与预先存储的每个待记录考勤人物的基准人体特征信息之间的匹配度，对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
4.根据权利要求3所述的方法，其特征在于，所述基于所述第一数目、所述特征值对应的有效性分值、所述最大值、及人物的第二数目，确定所述特征值对应的权重值，包括：
基于公式
Figure FDA0002153133300000021
确定所述特征值对应的权重值Z，其中，V为所述特征值对应的有效性分值，Vmax为所述最大值，a为所述人物的第二数目，ω为所述第一数目，
Figure FDA0002153133300000022
为a个人物中任意两个人物进行组合的组合数。
5.根据权利要求1所述的方法，其特征在于，所述人体特征信息包括多种人体属性的特征值，所述基准人体特征信息包括多种人体属性的基准特征值；
所述基于所述每个人体图像对应的人物的人体特征信息，以及预先存储的多个待记录考勤人物的基准人体特征信息，确定每个待记录考勤人物的考勤信息，包括：
对于每个人物的人体特征信息，基于预先设置的每种人体属性对应的权重值，分别确定所述人体特征信息与预先存储的每个待记录考勤人物的基准人体特征信息之间的匹配度，对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
6.根据权利要求3-5任一项所述的方法，其特征在于，所述对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录，包括：
如果最高的匹配度大于预设匹配度阈值，则对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
7.一种记录考勤信息的装置，其特征在于，所述装置包括：
获取模块，用于获取目标考勤区域的图像；
确定模块，用于识别所述图像中包含的多个人体图像，确定每个人体图像对应的人物的人体特征信息；
考勤模块，用于基于所述每个人体图像对应的人物的人体特征信息，以及预先存储的多个待记录考勤人物的基准人体特征信息，确定每个待记录考勤人物的考勤信息。
8.根据权利要求7所述的装置，其特征在于，所述人体特征信息包括多种人体属性的特征值，所述基准人体特征信息包括多种人体属性的基准特征值；
所述获取模块，具体用于获取在预设时段内按照预设间隔时长拍摄的目标考勤区域的多个图像；
所述确定模块，具体用于：
对于获取的每个图像，识别所述图像中包含的多个人物的人体图像，将每个人物的人体图像，分别输入预先训练的人体特征检测模型，得到每个人物的多种人体属性的特征值和每个特征值对应的有效性分值；
对于每个人物的每一种人体属性，在所述人体属性的多个特征值中，基于每个特征值对应的有效性分值，确定最高的有效性分值对应的特征值，组成每个人物的人体特征信息。
9.根据权利要求8所述的装置，其特征在于，所述确定模块之后，所述装置还包括权重计算模块，用于：
在确定出的多个人体特征信息中，获取每种人体属性对应的所有特征值，确定所有特征值对应的有效性分值中的最大值；
对于获取的每个特征值，确定所述特征值与相同人体属性的每个其它特征值之间的相似度，确定大于第一相似度阈值的相似度的第一数目，基于所述第一数目、所述特征值对应的有效性分值、所述最大值、及人物的第二数目，确定所述特征值对应的权重值；
所述考勤模块，具体用于：
对于每个人物的人体特征信息，基于所述人体特征信息中每个特征值对应的权重值，分别确定所述人体特征信息与预先存储的每个待记录考勤人物的基准人体特征信息之间的匹配度，对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
10.根据权利要求9所述的装置，其特征在于，所述权重计算模块，具体用于：
基于公式
Figure FDA0002153133300000031
确定所述特征值对应的权重值Z，其中，V为所述特征值对应的有效性分值，Vmax为所述最大值，a为所述人物的第二数目，ω为所述第一数目，
Figure FDA0002153133300000041
为a个人物中任意两个人物进行组合的组合数。
11.根据权利要求7所述的装置，其特征在于，所述考勤模块，具体用于：
对于每个人物的人体特征信息，基于预先设置的每种人体属性对应的权重值，分别确定所述人体特征信息与预先存储的每个待记录考勤人物的基准人体特征信息之间的匹配度，对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
12.根据权利要求9-11任一项所述的装置，其特征在于，所述考勤模块，具体用于：
如果最高的匹配度大于预设匹配度阈值，则对匹配度最高的基准人体特征信息对应的待记录考勤人物，进行考勤记录。
13.一种计算机设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序，实现权利要求1-6任一所述的方法步骤。
14.一种计算机可读存储介质，其特征在于，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
CN201910709183.7A 2019-08-01 2019-08-01 记录考勤信息的方法和装置 Active CN111325083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910709183.7A CN111325083B (zh) 2019-08-01 2019-08-01 记录考勤信息的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910709183.7A CN111325083B (zh) 2019-08-01 2019-08-01 记录考勤信息的方法和装置

Publications (2)

Publication Number Publication Date
CN111325083A true CN111325083A (zh) 2020-06-23
CN111325083B CN111325083B (zh) 2024-02-23

Family

ID=71170685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910709183.7A Active CN111325083B (zh) 2019-08-01 2019-08-01 记录考勤信息的方法和装置

Country Status (1)

Country Link
CN (1) CN111325083B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869714A (zh) * 2021-09-26 2021-12-31 平安科技（深圳）有限公司 考勤记录方法、装置、计算机设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447597A (zh) * 2018-12-27 2019-03-08 深圳市沃特沃德股份有限公司 多人共同进行考勤的方法、装置及人脸识别系统
WO2019062620A1 (zh) * 2017-09-28 2019-04-04 钉钉控股（开曼）有限公司 考勤方法、装置以及考勤设备
CN109670380A (zh) * 2017-10-13 2019-04-23 华为技术有限公司 动作识别、姿势估计的方法及装置
CN109829997A (zh) * 2018-12-19 2019-05-31 新大陆数字技术股份有限公司 人员考勤方法及系统
CN109934949A (zh) * 2019-03-12 2019-06-25 上海商汤智能科技有限公司 考勤方法及装置、设备、存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019062620A1 (zh) * 2017-09-28 2019-04-04 钉钉控股（开曼）有限公司 考勤方法、装置以及考勤设备
CN109670380A (zh) * 2017-10-13 2019-04-23 华为技术有限公司 动作识别、姿势估计的方法及装置
CN109829997A (zh) * 2018-12-19 2019-05-31 新大陆数字技术股份有限公司 人员考勤方法及系统
CN109447597A (zh) * 2018-12-27 2019-03-08 深圳市沃特沃德股份有限公司 多人共同进行考勤的方法、装置及人脸识别系统
CN109934949A (zh) * 2019-03-12 2019-06-25 上海商汤智能科技有限公司 考勤方法及装置、设备、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王伯槐: "基于人脸识别的高校考勤系统的设计" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869714A (zh) * 2021-09-26 2021-12-31 平安科技（深圳）有限公司 考勤记录方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN111325083B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
CN108833818B (zh) 视频录制方法、装置、终端及存储介质
CN110795236B (zh) 调整服务器容量的方法、装置、电子设备及介质
CN110222789B (zh) 图像识别方法及存储介质
CN111083516B (zh) 直播处理的方法和装置
CN111127509B (zh) 目标跟踪方法、装置和计算机可读存储介质
CN110807361A (zh) 人体识别方法、装置、计算机设备及存储介质
CN108363982B (zh) 确定对象数量的方法及装置
CN109522863B (zh) 耳部关键点检测方法、装置及存储介质
CN110572711A (zh) 视频封面生成方法、装置、计算机设备及存储介质
CN110933468A (zh) 播放方法、装置、电子设备及介质
CN110659542B (zh) 监控方法及装置
CN110956580B (zh) 图像换脸的方法、装置、计算机设备以及存储介质
CN108288032A (zh) 动作特征获取方法、装置及存储介质
CN111027490A (zh) 人脸属性识别方法及装置、存储介质
CN112581358A (zh) 图像处理模型的训练方法、图像处理方法及装置
CN110675473B (zh) 生成gif动态图的方法、装置、电子设备及介质
CN112269559A (zh) 音量调整方法、装置、电子设备及存储介质
CN111586279B (zh) 确定拍摄状态的方法、装置、设备及存储介质
CN111753606A (zh) 一种智能模型的升级方法及装置
CN111931712B (zh) 人脸识别方法、装置、抓拍机及系统
CN111341317B (zh) 唤醒音频数据的评价方法、装置、电子设备及介质
CN109819308B (zh) 虚拟资源获取方法、装置、终端、服务器及存储介质
CN111325083B (zh) 记录考勤信息的方法和装置
CN111982293B (zh) 体温测量方法、装置、电子设备及存储介质
CN111723615B (zh) 对检测物图像进行检测物匹配判定的方法和装置

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
GR01 Patent grant
GR01 Patent grant