CN113240822A - 一种基于移动端的自动考勤方法及装置 - Google Patents
一种基于移动端的自动考勤方法及装置 Download PDFInfo
- Publication number
- CN113240822A CN113240822A CN202110496586.5A CN202110496586A CN113240822A CN 113240822 A CN113240822 A CN 113240822A CN 202110496586 A CN202110496586 A CN 202110496586A CN 113240822 A CN113240822 A CN 113240822A
- Authority
- CN
- China
- Prior art keywords
- mobile terminal
- biological characteristic
- local
- characteristic information
- attendance
- 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.)
- Pending
Links
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
Abstract
本申请实施例提供了一种基于移动端的自动考勤方法及装置,包括,通过识别目标移动端的定位位置,在定位位置包含于所述考勤区域时,接收目标移动端发送的生物特征信息,并记录接收生物特征信息的目标时间,目标移动端用于在定位位置包含于考勤区域时,采集用户的生物特征信息,判断用户的生物特征信息是否为目标移动端对应的目标生物特征信息,在用户的生物特征信息为目标移动端对应的目标生物特征信息时,将目标时间作为目标移动端的考勤时间。实现了在用户进入考勤区域时,通过生物特征信息进行自动打卡的过程,无需用户进入软件手动打卡,增强了用户的使用体验。
Description
技术领域
本申请涉及电子考勤领域,特别是涉及一种基于移动端的自动考勤方法及装置。
背景技术
考勤是人们通常使用的记录工作人员出勤情况的一种管理方式,传统的考勤方式多为打卡式考勤、或人工考勤。现有用户打卡时,需要打开打卡软件,操作过程较为繁琐,十分影响用户的操作体验。
发明内容
本申请实施例提供一种基于移动端的自动考勤方法及装置,以解决现有用户打卡时,需要打开打卡软件,操作过程较为繁琐,十分影响用户的操作体验的问题,包括:
一种基于移动端的自动考勤方法,所述考勤管理装置对管辖的所有已备案的移动端分别设置考勤区域,包括:
识别目标移动端的定位位置;
在所述定位位置包含于所述考勤区域时,接收所述目标移动端发送的生物特征信息,并记录接收所述生物特征信息的目标时间,所述目标移动端用于在所述定位位置包含于所述考勤区域时,采集用户的生物特征信息;
判断所述用户的生物特征信息是否为所述目标移动端对应的目标生物特征信息;
在所述用户的生物特征信息为所述目标移动端对应的目标生物特征信息时,将所述目标时间作为所述目标移动端的考勤时间。
可选地,在所述接收所述目标移动端发送的生物特征信息前,所述目标移动端用于通过本地生物特征信息识别模型对所述生物特征信息进行本地生物特征信息识别,得到本地生物特征信息识别值,在所述本地生物特征信息识别值满足预设数值条件时,将所述生物特征信息发送至所述考勤管理装置。
可选地,所述本地生物特征信息识别模型通过下述步骤训练得到,包括:
获取本地困难样本集合和本地简单样本集合,其中,所述本地困难样本集合和所述本地简单样本集合为所述目标移动端对本地训练样本集合进行生物特征信息识别得到的;
对所述本地困难样本集合和所述本地简单样本集合进行采样,得到用于训练所述生物特征信息模型的训练样本集合,其中,所述训练样本集合中包含有对所述本地困难样本集合多次采样后的样本;
使用损失函数对所述训练样本集合中的训练样本进行训练,得到所述本地生物特征信息识别模型。
可选地,在所述本地生物特征信息识别值不满足预设数值条件时,将所述生物特征信息以及异常标识发送至所述考勤管理装置;
所述考勤管理装置用于在接收到所述异常标识时,通知管理员对所述生物特征信息进行检查,在管理员确认所述生物特征信息无误时,将所述目标时间作为所述目标移动端的考勤时间。
可选地,所述生物特征信息包括人脸信息、指纹信息、虹膜信息以及声音信息。
一种基于移动端的自动考勤装置,所述考勤管理装置对管辖的所有已备案的移动端分别设置考勤区域,包括:
定位位置识别模块,用于识别目标移动端的定位位置;
生物特征信息接收模块,用于在所述定位位置包含于所述考勤区域时,接收所述目标移动端发送的生物特征信息,并记录接收所述生物特征信息的目标时间,所述目标移动端用于在所述定位位置包含于所述考勤区域时,采集用户的生物特征信息;
生物特征信息判断模块,用于判断所述用户的生物特征信息是否为所述目标移动端对应的目标生物特征信息;
考勤时间确定模块,用于在所述用户的生物特征信息为所述目标移动端对应的目标生物特征信息时,将所述目标时间作为所述目标移动端的考勤时间。
可选地,在所述接收所述目标移动端发送的生物特征信息前,所述目标移动端用于通过本地生物特征信息识别模型对所述生物特征信息进行本地生物特征信息识别,得到本地生物特征信息识别值,在所述本地生物特征信息识别值满足预设数值条件时,将所述生物特征信息发送至所述考勤管理装置。
可选地,所述本地生物特征信息识别模型通过下述步骤训练得到,包括:
训练样本获取模块,用于获取本地困难样本集合和本地简单样本集合,其中,所述本地困难样本集合和所述本地简单样本集合为所述目标移动端对本地训练样本集合进行生物特征信息识别得到的;
训练样本集合采集模块,用于对所述本地困难样本集合和所述本地简单样本集合进行采样,得到用于训练所述生物特征信息模型的训练样本集合,其中,所述训练样本集合中包含有对所述本地困难样本集合多次采样后的样本;
损失函数训练模块,用于使用损失函数对所述训练样本集合中的训练样本进行训练,得到所述本地生物特征信息识别模型。
可选地,在所述本地生物特征信息识别值不满足预设数值条件时,将所述生物特征信息以及异常标识发送至所述考勤管理装置;
所述考勤管理装置用于在接收到所述异常标识时,通知管理员对所述生物特征信息进行检查,在管理员确认所述生物特征信息无误时,将所述目标时间作为所述目标移动端的考勤时间。
可选地,所述生物特征信息包括人脸信息、指纹信息、虹膜信息以及声音信息。
本申请具有以下优点:
在本申请中,通过识别目标移动端的定位位置,在所述定位位置包含于所述考勤区域时,接收所述目标移动端发送的生物特征信息,并记录接收所述生物特征信息的目标时间,所述目标移动端用于在所述定位位置包含于所述考勤区域时,采集用户的生物特征信息,判断所述用户的生物特征信息是否为所述目标移动端对应的目标生物特征信息,在所述用户的生物特征信息为所述目标移动端对应的目标生物特征信息时,将所述目标时间作为所述目标移动端的考勤时间。实现了在用户进入考勤区域时,通过生物特征信息进行自动打卡的过程,无需用户进入软件手动打卡,增强了用户的使用体验。
附图说明
为了更清楚地说明本申请的技术方案,下面将对本申请的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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种基于移动端的自动考勤方法的步骤流程图;
图2是本申请另一实施例提供的又一种基于移动端的自动考勤方法的步骤流程图;
图3是本申请一实施例提供的一种基于移动端的自动考勤装置的示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
参照图1,示出了本申请一实施例提供的一种基于移动端的自动考勤方法的步骤流程图,考勤管理装置对管辖的所有已备案的移动端分别设置考勤区域,具体可以包括如下步骤:
步骤101,识别目标移动端的定位位置;
其中,目标移动端可以为手机、平板电脑、笔记本以及任何能用于定位打卡的设备。
在用户使用目标移动端的过程中,如,当目标移动端为手机时,用户可以通过该手机进行视频浏览、购物以及娱乐聊天,在此过程中,目标移动端每隔一段时间获取一次目标移动端的定位位置,例如,目标移动端每隔0.2S获取一次目标移动端的定位位置,并将获取到的定位位置发送至考勤管理装置,此过程用户无需关注打卡以及定位过程,由目标移动端在后台自动运行。
步骤102,在所述定位位置包含于所述考勤区域时,接收所述目标移动端发送的生物特征信息,并记录接收所述生物特征信息的目标时间,所述目标移动端用于在所述定位位置包含于所述考勤区域时,采集用户的生物特征信息;
其中,生物特征信息包括人脸信息、指纹信息、虹膜信息以及声音信息。
在所述定位位置包含于考勤区域时,即在用户进入考勤区域时,目标移动会向考勤管理装置发送生物特征信息,例如,用户通过手机浏览视频并向公司出发,当用户进入公司后,用户依然在通过手机浏览视频,此时,手机自动通过摄像头获取用户的人脸图像,并将该人脸图像发送至考勤管理装置,考勤管理装置接收该生物特征信息,并记录接收所述生物特征信息的目标时间。
步骤103,判断所述用户的生物特征信息是否为所述目标移动端对应的目标生物特征信息;
考勤管理装置存储有目标移动端对应的目标生物特征信息,在接收到用户的生物特征信息后,判断用户的生物特征信息是否为目标生物特征信息;
步骤104,在所述用户的生物特征信息为所述目标移动端对应的目标生物特征信息时,将所述目标时间作为所述目标移动端的考勤时间。
在用户的生物特征信息为所述目标移动端对应的目标生物特征信息时,即用户本人拿着目标移动端进入了考勤区域,满足了考勤条件,将所述目标时间作为所述目标移动端的考勤时间,进而完成了打卡过程。
在本申请中,通过识别目标移动端的定位位置,在所述定位位置包含于所述考勤区域时,接收所述目标移动端发送的生物特征信息,并记录接收所述生物特征信息的目标时间,所述目标移动端用于在所述定位位置包含于所述考勤区域时,采集用户的生物特征信息,判断所述用户的生物特征信息是否为所述目标移动端对应的目标生物特征信息,在所述用户的生物特征信息为所述目标移动端对应的目标生物特征信息时,将所述目标时间作为所述目标移动端的考勤时间。实现了在用户进入考勤区域时,通过生物特征信息进行自动打卡的过程,无需用户进入软件手动打卡,增强了用户的使用体验。并且此过程会对用户的生物特征信息进行确认,保证了移动端使用者为用户本人,防止了代打卡的行为出现,有利于公司的考勤管理。
参照图2,示出了本申请一实施例提供的又一种基于移动端的自动考勤方法的步骤流程图,考勤管理装置对管辖的所有已备案的移动端分别设置考勤区域,具体可以包括如下步骤:
步骤201,识别目标移动端的定位位置;
步骤202,在所述定位位置包含于所述考勤区域时,所述目标移动端用于通过本地生物特征信息识别模型对所述生物特征信息进行本地生物特征信息识别,得到本地生物特征信息识别值,在所述本地生物特征信息识别值满足预设数值条件时,将所述生物特征信息发送至所述考勤管理装置。
例如,可以通过目标移动端上的摄像设备采集到人脸图像,人脸图像为摄像设备连续采集的一组人脸图像,然后对所述人脸图像进行图像预处理,得到预处理人脸图像,从能够移除所述人脸图像中的每个人脸图像的平均亮度值,降低光照对算法的影响,提高在使用算法对预处理人脸图像进行计算的计算精确度,在对采集到的人脸图像进行图像预处理之前,若采集到的人脸图像的图像格式与用于进行本地人脸识别模型训练的本地训练样本的图像格式不同,则将人脸图像的图像格式转换成本地训练样本对应的图像格式,然后再对格式转换后的人脸图像进行图像预处理。
例如,本地训练样本的图像格式为RGB格式,而人脸图像的图像格式为YUV格式,则需要先将人脸图像的图像格式转换成RGB格式,再对转换为RGB格式的人脸图像进行图像预处理,在人脸图像进行图像预处理时,由于人脸图像为原始图像,使得人脸图像中包含有人脸区域、背景和噪声,如此,可以首先对人脸图像依次进行人脸检测、人脸校准和去除图像背景处理,得到人脸处理图像,以降低人脸图像中背景和噪声数据对识别算法的影响,使得在对预处理人脸图像进行人脸识别时提高识别的精确度。
进一步地,在得到人脸处理图像之后,还可以根据人脸处理图像中的所有像素值,确定出人脸处理图像对应的像素均值;根据像素均值,确定出人脸处理图像中每个像素对应的方差;利用像素均值和每个像素对应的方差对每个像素进行归一化处理,得到每个像素的归一化数据;根据每个像素的归一化数据,得到所述预处理人脸图像。
当然,在得到所述预处理人脸图像时,可以采用上述一种或多种方式对人脸图像进行处理,从而得到预处理人脸图像。
在本申请实施例中,通过上述处理过程,可以保证生物特征信息识别的准确性。
在本申请一实施例中,本地生物特征信息识别模型通过下述步骤训练得到,包括:
获取本地困难样本集合和本地简单样本集合,其中,所述本地困难样本集合和所述本地简单样本集合为所述目标移动端对本地训练样本集合进行生物特征信息识别得到的;
对所述本地困难样本集合和所述本地简单样本集合进行采样,得到用于训练所述生物特征信息模型的训练样本集合,其中,所述训练样本集合中包含有对所述本地困难样本集合多次采样后的样本;
使用损失函数对所述训练样本集合中的训练样本进行训练,得到所述本地生物特征信息识别模型。
本地生物特征信息识别模型可以是卷积神经网络(Convolutional NeuralNetworks,简称CNN),进一步地,生物特征信息识别模型可以为N层的残差网络结构,通常选用小网络和小输入分辨率的人脸图像作为本地训练样本,例如可以选用图像预处理后尺寸为64×64的人脸图像作为本地训练样本,这样能够使得本地训练样本与实际输入的所述预处理人脸图像中的人脸图像相同,促使所述本地人脸识别模型对所述预处理人脸图像进行本地人脸识别得到的所述本地人脸识别值更准确,提高本地人脸识别准确度,其中,N为不小于2的整数。
具体来讲,所述本地人脸识别模型可以为N层的残差网络结构,并使用多分类损失函数对本地训练样本进行训练,得到所述本地人脸识别模型。
具体来讲,所述本地人脸识别模型的训练过程通常在服务器中进行,例如可以在服务器端中进行训练。当然,所述本地人脸识别模型的训练过程也可以直接在本地设备中进行,本申请不作具体限制。
具体地,在将服务器中训练的所述本地人脸识别模型部署到本地设备中时,可以首先获取在服务器端训练的所述本地人脸识别模型;然后对所述本地人脸识别模型进行本地模型部署处理,并将处理后的所述本地人脸识别模型部署在本地设备中;通过部署在本地设备中的所述本地人脸识别模型对所述预处理人脸图像进行本地人脸识别,得到所述本地人脸识别值。
在本申请一实施例中,在所述本地生物特征信息识别值不满足预设数值条件时,将所述生物特征信息以及异常标识发送至所述考勤管理装置;
所述考勤管理装置用于在接收到所述异常标识时,通知管理员对所述生物特征信息进行检查,在管理员确认所述生物特征信息无误时,将所述目标时间作为所述目标移动端的考勤时间。
步骤203,接收所述目标移动端发送的生物特征信息,并记录接收所述生物特征信息的目标时间,所述目标移动端用于在所述定位位置包含于所述考勤区域时,采集用户的生物特征信息;
步骤204,判断所述用户的生物特征信息是否为所述目标移动端对应的目标生物特征信息;
步骤205,在所述用户的生物特征信息为所述目标移动端对应的目标生物特征信息时,将所述目标时间作为所述目标移动端的考勤时间。
在本申请实施例中,根据所述本地人脸识别值能够准确判断出所述生物特征信息是否为目标用户,由于本地部署的是算法简单的本地生物特征信息模型对生物特征信息进行识别,使得在本地进行生物特征信息识别的所需时间更短,从而能够在确保本地生物特征信息准确度的情况下进行本地生物特征信息识别以提高生物特征信息识别效率。
在一实施例中,如图3所示,提供了一种基于移动端的自动考勤装置,应用于移动端,所述考勤管理装置对管辖的所有已备案的移动端分别设置考勤区域,包括:
定位位置识别模块301,用于识别目标移动端的定位位置;
生物特征信息接收模块302,用于在所述定位位置包含于所述考勤区域时,接收所述目标移动端发送的生物特征信息,并记录接收所述生物特征信息的目标时间,所述目标移动端用于在所述定位位置包含于所述考勤区域时,采集用户的生物特征信息;
生物特征信息判断模块303,用于判断所述用户的生物特征信息是否为所述目标移动端对应的目标生物特征信息;
考勤时间确定模块304,用于在所述用户的生物特征信息为所述目标移动端对应的目标生物特征信息时,将所述目标时间作为所述目标移动端的考勤时间。
在本申请一实施例中,在所述接收所述目标移动端发送的生物特征信息前,所述目标移动端用于通过本地生物特征信息识别模型对所述生物特征信息进行本地生物特征信息识别,得到本地生物特征信息识别值,在所述本地生物特征信息识别值满足预设数值条件时,将所述生物特征信息发送至所述考勤管理装置。
在本申请一实施例中,所述本地生物特征信息识别模型通过下述步骤训练得到,包括:
训练样本获取模块,用于获取本地困难样本集合和本地简单样本集合,其中,所述本地困难样本集合和所述本地简单样本集合为所述目标移动端对本地训练样本集合进行生物特征信息识别得到的;
训练样本集合采集模块,用于对所述本地困难样本集合和所述本地简单样本集合进行采样,得到用于训练所述生物特征信息模型的训练样本集合,其中,所述训练样本集合中包含有对所述本地困难样本集合多次采样后的样本;
损失函数训练模块,用于使用损失函数对所述训练样本集合中的训练样本进行训练,得到所述本地生物特征信息识别模型。
在本申请一实施例中,在所述本地生物特征信息识别值不满足预设数值条件时,将所述生物特征信息以及异常标识发送至所述考勤管理装置;
所述考勤管理装置用于在接收到所述异常标识时,通知管理员对所述生物特征信息进行检查,在管理员确认所述生物特征信息无误时,将所述目标时间作为所述目标移动端的考勤时间。
在本申请一实施例中,所述生物特征信息包括人脸信息、指纹信息、虹膜信息以及声音信息。
综上,通过识别目标移动端的定位位置,在所述定位位置包含于所述考勤区域时,接收所述目标移动端发送的生物特征信息,并记录接收所述生物特征信息的目标时间,所述目标移动端用于在所述定位位置包含于所述考勤区域时,采集用户的生物特征信息,判断所述用户的生物特征信息是否为所述目标移动端对应的目标生物特征信息,在所述用户的生物特征信息为所述目标移动端对应的目标生物特征信息时,将所述目标时间作为所述目标移动端的考勤时间。实现了在用户进入考勤区域时,通过生物特征信息进行自动打卡的过程,无需用户进入软件手动打卡,增强了用户的使用体验。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请一实施例还提供了电子设备,可以包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序,计算机程序被处理器执行时实现如上基于移动端的自动考勤方法的步骤。
本申请一实施例还提供了计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现如上基于移动端的自动考勤方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做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申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种基于移动端的自动考勤方法及装置,进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,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申请的限制。
Claims (10)
1.一种基于移动端的自动考勤方法,其特征在于,所述考勤管理装置对管辖的所有已备案的移动端分别设置考勤区域,包括:
识别目标移动端的定位位置;
在所述定位位置包含于所述考勤区域时,接收所述目标移动端发送的生物特征信息,并记录接收所述生物特征信息的目标时间,所述目标移动端用于在所述定位位置包含于所述考勤区域时,采集用户的生物特征信息;
判断所述用户的生物特征信息是否为所述目标移动端对应的目标生物特征信息;
在所述用户的生物特征信息为所述目标移动端对应的目标生物特征信息时,将所述目标时间作为所述目标移动端的考勤时间。
2.根据权利要求1所述的基于移动端的自动考勤方法,其特征在于,在所述接收所述目标移动端发送的生物特征信息前,所述目标移动端用于通过本地生物特征信息识别模型对所述生物特征信息进行本地生物特征信息识别,得到本地生物特征信息识别值,在所述本地生物特征信息识别值满足预设数值条件时,将所述生物特征信息发送至所述考勤管理装置。
3.如权利要求2所述的基于移动端的自动考勤方法,其特征在于,所述本地生物特征信息识别模型通过下述步骤训练得到,包括:
获取本地困难样本集合和本地简单样本集合,其中,所述本地困难样本集合和所述本地简单样本集合为所述目标移动端对本地训练样本集合进行生物特征信息识别得到的;
对所述本地困难样本集合和所述本地简单样本集合进行采样,得到用于训练所述生物特征信息模型的训练样本集合,其中,所述训练样本集合中包含有对所述本地困难样本集合多次采样后的样本;
使用损失函数对所述训练样本集合中的训练样本进行训练,得到所述本地生物特征信息识别模型。
4.如权利要求1所述的基于移动端的自动考勤方法,其特征在于,在所述本地生物特征信息识别值不满足预设数值条件时,将所述生物特征信息以及异常标识发送至所述考勤管理装置;
所述考勤管理装置用于在接收到所述异常标识时,通知管理员对所述生物特征信息进行检查,在管理员确认所述生物特征信息无误时,将所述目标时间作为所述目标移动端的考勤时间。
5.根据权利要求1所述的基于移动端的自动考勤方法,其特征在于,所述生物特征信息包括人脸信息、指纹信息、虹膜信息以及声音信息。
6.一种基于移动端的自动考勤装置,其特征在于,所述考勤管理装置对管辖的所有已备案的移动端分别设置考勤区域,包括:
定位位置识别模块,用于识别目标移动端的定位位置;
生物特征信息接收模块,用于在所述定位位置包含于所述考勤区域时,接收所述目标移动端发送的生物特征信息,并记录接收所述生物特征信息的目标时间,所述目标移动端用于在所述定位位置包含于所述考勤区域时,采集用户的生物特征信息;
生物特征信息判断模块,用于判断所述用户的生物特征信息是否为所述目标移动端对应的目标生物特征信息;
考勤时间确定模块,用于在所述用户的生物特征信息为所述目标移动端对应的目标生物特征信息时,将所述目标时间作为所述目标移动端的考勤时间。
7.根据权利要求6所述的基于移动端的自动考勤装置,其特征在于,在所述接收所述目标移动端发送的生物特征信息前,所述目标移动端用于通过本地生物特征信息识别模型对所述生物特征信息进行本地生物特征信息识别,得到本地生物特征信息识别值,在所述本地生物特征信息识别值满足预设数值条件时,将所述生物特征信息发送至所述考勤管理装置。
8.如权利要求7所述的基于移动端的自动考勤装置,其特征在于,所述本地生物特征信息识别模型通过下述步骤训练得到,包括:
训练样本获取模块,用于获取本地困难样本集合和本地简单样本集合,其中,所述本地困难样本集合和所述本地简单样本集合为所述目标移动端对本地训练样本集合进行生物特征信息识别得到的;
训练样本集合采集模块,用于对所述本地困难样本集合和所述本地简单样本集合进行采样,得到用于训练所述生物特征信息模型的训练样本集合,其中,所述训练样本集合中包含有对所述本地困难样本集合多次采样后的样本;
损失函数训练模块,用于使用损失函数对所述训练样本集合中的训练样本进行训练,得到所述本地生物特征信息识别模型。
9.如权利要求6所述的基于移动端的自动考勤装置,其特征在于,在所述本地生物特征信息识别值不满足预设数值条件时,将所述生物特征信息以及异常标识发送至所述考勤管理装置;
所述考勤管理装置用于在接收到所述异常标识时,通知管理员对所述生物特征信息进行检查,在管理员确认所述生物特征信息无误时,将所述目标时间作为所述目标移动端的考勤时间。
10.根据权利要求6所述的基于移动端的自动考勤装置,其特征在于,所述生物特征信息包括人脸信息、指纹信息、虹膜信息以及声音信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496586.5A CN113240822A (zh) | 2021-05-07 | 2021-05-07 | 一种基于移动端的自动考勤方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496586.5A CN113240822A (zh) | 2021-05-07 | 2021-05-07 | 一种基于移动端的自动考勤方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113240822A true CN113240822A (zh) | 2021-08-10 |
Family
ID=77132520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110496586.5A Pending CN113240822A (zh) | 2021-05-07 | 2021-05-07 | 一种基于移动端的自动考勤方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240822A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516076A (zh) * | 2017-08-10 | 2017-12-26 | 苏州妙文信息科技有限公司 | 人像识别方法及装置 |
CN107742329A (zh) * | 2017-08-28 | 2018-02-27 | 中兴捷维通讯技术有限责任公司 | 基于地理围栏和人脸识别的考勤管理系统及方法 |
CN108711199A (zh) * | 2018-05-10 | 2018-10-26 | 成都精位科技有限公司 | 自动打卡方法、装置、电子设备及可读存储介质 |
CN108846912A (zh) * | 2018-06-14 | 2018-11-20 | 深圳市商汤科技有限公司 | 考勤方法、终端及服务器 |
CN109800701A (zh) * | 2019-01-15 | 2019-05-24 | 安徽杰锐达智能科技有限公司 | 一种基于人脸识别的智能化安防认证系统 |
CN110276257A (zh) * | 2019-05-20 | 2019-09-24 | 阿里巴巴集团控股有限公司 | 人脸识别方法、装置、系统、服务器及可读存储介质 |
CN112614260A (zh) * | 2020-11-19 | 2021-04-06 | 马鞍山黑火信息科技有限公司 | 一种基于人脸识别和定位的智能安防系统 |
-
2021
- 2021-05-07 CN CN202110496586.5A patent/CN113240822A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516076A (zh) * | 2017-08-10 | 2017-12-26 | 苏州妙文信息科技有限公司 | 人像识别方法及装置 |
CN107742329A (zh) * | 2017-08-28 | 2018-02-27 | 中兴捷维通讯技术有限责任公司 | 基于地理围栏和人脸识别的考勤管理系统及方法 |
CN108711199A (zh) * | 2018-05-10 | 2018-10-26 | 成都精位科技有限公司 | 自动打卡方法、装置、电子设备及可读存储介质 |
CN108846912A (zh) * | 2018-06-14 | 2018-11-20 | 深圳市商汤科技有限公司 | 考勤方法、终端及服务器 |
CN109800701A (zh) * | 2019-01-15 | 2019-05-24 | 安徽杰锐达智能科技有限公司 | 一种基于人脸识别的智能化安防认证系统 |
CN110276257A (zh) * | 2019-05-20 | 2019-09-24 | 阿里巴巴集团控股有限公司 | 人脸识别方法、装置、系统、服务器及可读存储介质 |
CN112614260A (zh) * | 2020-11-19 | 2021-04-06 | 马鞍山黑火信息科技有限公司 | 一种基于人脸识别和定位的智能安防系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284729B (zh) | 基于视频获取人脸识别模型训练数据的方法、装置和介质 | |
KR102002024B1 (ko) | 객체 라벨링 처리 방법 및 객체 관리 서버 | |
CN110276257B (zh) | 人脸识别方法、装置、系统、服务器及可读存储介质 | |
CN110084113B (zh) | 活体检测方法、装置、系统、服务器及可读存储介质 | |
CN110290280B (zh) | 一种终端状态的识别方法、装置及存储介质 | |
CN111126098B (zh) | 证件图像采集方法、装置、设备及存储介质 | |
CN112669515B (zh) | 票据图像识别方法、装置、电子设备和存储介质 | |
CN111178147B (zh) | 屏幕破碎分级方法、装置、设备及计算机可读存储介质 | |
CN110602446A (zh) | 垃圾回收提醒方法、系统及存储介质 | |
CN110427810B (zh) | 视频定损方法、装置、拍摄端及机器可读存储介质 | |
CN111507854A (zh) | 基于历史赔案的车辆定损方法、装置、介质和电子设备 | |
CN111178347B (zh) | 证件图像的模糊度检测方法、装置、设备及存储介质 | |
CN113568934A (zh) | 一种数据查询方法、装置、电子设备和存储介质 | |
CN112132220A (zh) | 一种自训练方法、系统、装置、电子设备及存储介质 | |
CN112101296A (zh) | 人脸注册方法、人脸验证方法、装置及系统 | |
CN110956093A (zh) | 基于大数据的模型识别方法、装置、设备及介质 | |
CN113240822A (zh) | 一种基于移动端的自动考勤方法及装置 | |
CN110795980A (zh) | 基于网络视频的逃犯识别方法、设备、存储介质及装置 | |
CN113591620A (zh) | 一种基于一体式移动采集设备的预警方法、装置及系统 | |
CN113128262A (zh) | 一种目标的识别方法及装置、存储介质及电子装置 | |
CN111160093A (zh) | 识别证件中证件照伪装的方法、装置、设备及存储介质 | |
CN112203049B (zh) | 一种案场老客户到访消息通知服务系统及方法 | |
CN115953819B (zh) | 人脸识别模型的训练方法、装置、设备和存储介质 | |
CN113298811B (zh) | 智能教室人数的自动计数方法、装置、设备及存储介质 | |
CN112487848B (zh) | 文字识别方法和终端设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210810 |