CN113627384A - 考勤系统、方法和存储介质 - Google Patents
考勤系统、方法和存储介质 Download PDFInfo
- Publication number
- CN113627384A CN113627384A CN202110982238.9A CN202110982238A CN113627384A CN 113627384 A CN113627384 A CN 113627384A CN 202110982238 A CN202110982238 A CN 202110982238A CN 113627384 A CN113627384 A CN 113627384A
- Authority
- CN
- China
- Prior art keywords
- attendance
- feature
- feature vector
- person
- face
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 207
- 238000005192 partition Methods 0.000 claims abstract description 108
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001815 facial effect Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 7
- 241000157593 Milvus Species 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- ZKKMHTVYCRUHLW-UHFFFAOYSA-N 2h-pyran-5-carboxamide Chemical compound NC(=O)C1=COCC=C1 ZKKMHTVYCRUHLW-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请公开一种考勤系统、方法和存储介质，属于信息采集和应用技术领域。本申请提供的考勤系统通过人脸生物特征提取模块，获取待考勤人物的人脸图像并提取特征向量；通过分布式人脸特征检索模块将特征向量和特征向量数据库进行对比并获取检索结果，包括根据所述待考勤人物的人脸图像以及分区规则，从对应的分区库中进行检索；根据所述检索结果输出所述待考勤人物的考勤结果；其中，所述特征向量数据库包括分区库和特征向量底库，所述分区库用于将所述特征向量底库中存储的特征向量按预设分区规则进行分类存储；通过上述考勤系统极大的提高了考勤系统的识别速度和准确率，以及使用的方便性，有助于公司管理员工考勤情况。
Description
技术领域
本申请涉及信息采集和应用技术领域，尤其涉及一种考勤系统、方法和存储介质。
背景技术
目前，已有部分考勤系统结合了人脸识别技术，通过人脸识别技术确认员工身份，生成考勤记录。然而，这些考勤系统的识别速度较慢，并且随着考勤系统的使用，以及员工数量的增多，考勤数据不断增多，这导致考勤系统的识别速度与准确率会受到影响。
发明内容
本申请提出了一种考勤系统、方法和存储介质，以解决现有技术存在的问题，提高考勤系统的识别速度和准确率，便于员工考勤信息的管理。
为了实现上述目的，本申请采用了如下方案：
一方面，本申请实施例提供了一种考勤系统，包括：
人脸生物特征提取模块，用于获取待考勤人物的人脸图像，并提取所述待考勤人物的人脸图像的特征向量；
分布式人脸特征检索模块，包括特征向量数据库和分布式特征检索引擎，用于通过所述分布式特征检索引擎，根据所述待考勤人物的人脸图像的特征向量和所述特征向量数据库进行对比并获取检索结果，包括：根据所述待考勤人物的人脸图像以及分区规则，从对应的分区库中进行检索；
接口服务模块，包括结果输出接口，所述结果输出接口与所述分布式人脸特征检索模块连接，用于根据所述检索结果输出所述待考勤人物的考勤结果；
其中，所述特征向量数据库包括分区库和特征向量底库，所述分区库用于将所述特征向量底库中存储的特征向量按预设分区规则进行分类存储。
可选的，所述分区库用于将所述特征向量底库中存储的特征向量按预设分区规则进行分类存储包括：
根据办公地ID将不同办公地的员工的人脸特征向量分类存储入对应的分区库中；
和/或根据不同部门的员工的人脸特征向量分类存储入对应的分区库中；
和/或根据工作时间段将不同工作时间的员工的人脸特征向量分类存储入对应的分区库中。
可选的，所述分布式人脸特征检索模块还用于：
根据所述待考勤人物所在考勤地的办公地ID，将所述待考勤人物的人脸图像的特征向量与所述办公地ID对应的分区库中的特征向量进行检索比对，若检索到匹配人物信息，则生成检索结果；
若未检索到匹配人物信息，则将所述待考勤人物的人脸图像的特征向量与所述特征向量底库中的特征向量进行检索比对，生成检索结果。
可选的，所述接口服务模块还包括：
PAD接口，用于接收图像采集设备采集的待考勤人物的人脸图像数据；
特征向量接口，用于将所述人脸生物特征提取模块提取的待考勤人物的人脸图像的特征向量接入所述分布式人脸特征检索模块；
HR系统接口，用于与考勤管理后台连接，通过所述考勤管理后台将员工信息与员工的人脸图像数据导入所述考勤系统，并根据所述员工的人脸图像数据生成所述特征向量底库；
所述考勤管理系统根据所述考勤结果生成员工的考勤记录。
另一方面，本申请实施例提供了一种考勤方法，包括：
获取待考勤人物的人脸图像，并提取所述待考勤人物的人脸图像的特征向量；
通过分布式人脸特征检索模块生成检索结果包括：
通过所述分布式特征检索引擎，根据所述待考勤人物的人脸图像的特征向量和所述特征向量数据库进行对比并获取检索结果，包括：根据所述待考勤人物的人脸图像以及分区规则，从对应的分区库中进行检索；
根据所述检索结果输出所述待考勤人物的考勤结果；
其中，所述特征向量数据库包括分区库和特征向量底库，在通过分布式特征检索引擎，根据待识别人物的人脸图像的特征向量和特征向量数据库中进行对比并获取检索结果之前还包括：
将所述特征向量底库中存储的特征向量按预设分区规则进行分类存入对应的分区库。
可选的，所述将所述特征向量底库中存储的特征向量按预设规则进行分类存入对应的分区库包括：
根据办公地ID将不同办公地的员工的人脸特征向量分类存储入对应的分区库中；
和/或根据不同部门的员工的人脸特征向量分类存储入对应的分区库中；
和/或根据工作时间段将不同工作时间的员工的人脸特征向量分类存储入对应的分区库中。
可选的，所述通过分布式特征检索引擎，根据待考勤人物的人脸图像的特征向量和特征向量数据库中进行对比并获取检索结果包括：
根据所述待考勤人物所在考勤地的办公地ID，将所述待考勤人物的人脸图像的特征向量与所述办公地ID对应的分区库中的特征向量进行检索比对，若检索到匹配人物信息，则生成检索结果；
若未检索到匹配人物信息，则将所述待考勤人物的人脸图像的特征向量与所述特征向量底库中的特征向量进行检索比对，生成检索结果。
可选的，所述方法还包括：
通过PAD接口接收图像采集设备采集的待考勤人物的人脸图像数据；
通过特征向量接口将所述人脸生物特征提取模块提取的待考勤人物的人脸图像的特征向量接入所述分布式人脸特征检索模块；
通过HR系统接口与考勤管理后台连接，通过所述考勤管理后台将员工信息与员工的人脸图像数据导入所述考勤系统，并根据所述员工的人脸图像数据生成所述特征向量底库；
通过所述考勤管理后台根据考勤结果生成员工的考勤记录。
另一方面，本申请实施例还提供了一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如本申请实施例提供的任一项所述的考勤方法的步骤。
另一方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如本申请实施例提供的任一项所述的考勤方法的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括：
本申请提供的考勤系统，通过人脸生物特征提取模块，获取待考勤人物的人脸图像，并提取所述待考勤人物的人脸图像的特征向量；通过分布式人脸特征检索模块，分别根据所述待考勤人物的人脸图像的特征向量和特征向量数据库进行对比并获取检索结果，包括根据所述待考勤人物的人脸图像以及分区规则，从对应的分区库中进行检索；通过接口服务模块，包括结果输出接口，所述结果输出接口与所述分布式人脸特征检索模块连接，根据所述检索结果输出所述待考勤人物的识别结果；根据所述检索结果输出所述待考勤人物的考勤结果；其中，所述特征向量数据库包括分区库和特征向量底库，所述分区库用于将所述特征向量底库中存储的特征向量按预设分区规则进行分类存储；通过上述考勤系统极大的提高了考勤系统的识别速度和准确率，以及使用的方便性，有助于公司管理员工考勤情况。
附图说明
图1为本申请实施例提供的一种考勤系统结构图；
图2为本申请实施例提供的一种考勤方法流程图；
图3为本申请实施例提供的一种电子设备结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例的附图，对本申请实施例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申请的一部分实施例，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做出创造性劳动前提下所获得的所有其他实施例，都属于本申请的保护范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的考勤系统进行详细地说明。
参考图1示出了本申请实施例提供的考勤系统结构图示意，所述考勤系统10包括：
人脸生物特征提取模块101，用于获取待考勤人物的人脸图像，并提取所述待考勤人物的人脸图像的特征向量；
分布式人脸特征检索模块102，包括特征向量数据库1021和分布式特征检索引擎1022，用于通过所述分布式特征检索引擎1021，根据所述待考勤人物的人脸图像的特征向量和所述特征向量数据库进行对比并获取检索结果，包括：根据所述待考勤人物的人脸图像以及分区规则，从对应的分区库中进行检索；
接口服务模块103，包括结果输出接口1033，所述结果输出接口与所述分布式人脸特征检索模块连接，用于根据所述检索结果输出所述待考勤人物的考勤结果；
其中，所述特征向量数据库1021包括分区库1021n和特征向量底库1021a，所述分区库1021n用于将所述特征向量底库中存储的特征向量按预设分区规则进行分类存储。
示例性的，参考图1分区库1021n，根据不同的分区规则，分区会出现若干个，也可以并行使用多套分区规则，如根据分区规则1，生成分区库10211-10215、根据分区规则2生成分区库10216-102112，根据分区规则3生成分区库102113-102115；在根据提取到的人脸特征向量进行检索时，若所述提取到的人脸特征向量符合任一种分区规则，则可优先在应的分区库中进行检索，若对应的分区库中检索不到匹配的人物，再从特征向量底库中进行检索。
示例性的，通过所述分布式特征检索引擎1021在所述分布式特征向量数据库1021中进行检索时，包括：根据所述待考勤人物的人脸图像以及分区规则，从对应的分区库中进行检索；例如，所述待考勤人物于上午9点在办公区B23实施考勤，则若根据办公区进行分区，则可在办公区B23所属的分区库中进行检索，若还根据上班时间进行分区，则可在上午9点对应的分区库中进行检索。
因此，本申请实施例提供的考勤系统，首先通过人脸生物特征提取模块，获取待考勤人物的人脸图像，并提取所述待考勤人物的人脸图像的特征向量；其次通过分布式人脸特征检索模块，分别根据所述待考勤人物的人脸图像的特征向量和特征向量数据库进行对比并获取检索结果；然后通过结果输出接口，根据所述检索结果输出所述待考勤人物的考勤结果。其中，所述特征向量数据库包括分区库和特征向量底库，所述分区库用于将所述特征向量底库中存储的特征向量按预设分区规则进行分类存储；通过分布式人脸特征检索模块，分别根据所述待考勤人物的人脸图像的特征向量和特征向量数据库进行对比并获取检索结果，包括根据所述待考勤人物的人脸图像以及分区规则，从对应的分区库中进行检索。通过上述考勤系统极大的提高了考勤系统的识别速度和准确率，以及使用的方便性。
可选的，所述分区库1021x用于将所述特征向量底库1021a中存储的特征向量按预设分区规则进行分类存储包括：
根据办公地ID将不同办公地的员工的人脸特征向量分类存储入对应的分区库中；
和/或根据不同部门的员工的人脸特征向量分类存储入对应的分区库中；
和/或根据工作时间段将不同工作时间的员工的人脸特征向量分类存储入对应的分区库中。
具体的，如办公地B01-B30，将在这30个不同办公地的员工的人脸特征向量存入对应的分区库中，如有N01位员工在B01办公地日常办公，则将这N01位员工每个人的人脸特征向量存入对应的分区库中，如存入分区库F1-F30；如工作时间段有T1：9：00-17:00，T2：14:00-21:00，存入分区库F31-F32；也可以根据其他分区规则，将对应该分区的员工的人脸特征向量存入。
可选的，所述分布式人脸特征检索模块102还用于：
根据所述待考勤人物所在考勤地的办公地ID，将所述待考勤人物的人脸图像的特征向量与所述办公地ID对应的分区库中的特征向量进行检索比对，若检索到匹配人物信息，则生成检索结果；
若未检索到匹配人物信息，则将所述待考勤人物的人脸图像的特征向量与所述特征向量底库中的特征向量进行检索比对，生成检索结果。
具体的，若存在以办公地ID进行分区的情况，则在所述分布式人脸特征检索模块102在进行检索时候，可先对所述待考勤人物所在的办公地ID对应的分区库进行检索比对，若检索到匹配人物信息，则生成检索结果；当分区库中检索不到匹配人物时再在特征向量底库中进行检索；通过上述方式，对待考勤人物的人脸图像的特征向量先在对应分区库中检索，检索不到匹配的人物信息，再在特征向量底库中进行检索，能够极大的提高检索效率。
示例性的，如某待考勤人物A，于上午9点出现在办公地B12，进行考勤操作，若以所述待考勤人物所在办公区进行分区的分区库F12、以工作时间进行分区的分区库F31考勤，则可通过所述分布式特征检索引擎同时在分区库F12、F31中进行检索比对，若在上述3个分区库中都无法检索到匹配人物信息，则再通过特征向量底库进行检索比对，若此时检索到了匹配人物信息，则输出检索结果，如待考勤人物A：张三、xx分公司员工、xx部门、员工ID为12345。
示例性的，本申请实施例中的分布式特征检索引擎1022可以采用如Milvus分布式特征检索引擎来实现，Milvus检索引擎不但集成了业界成熟的向量搜索技术如Faiss和SPTAG，也实现了高效的NSG(Navigating Spreading-out Graph)图索引。同时，Milvus团队针对Faiss IVF索引进行了深度优化，还实现了CPU与多GPU的融合计算，大幅提高了向量搜索性能。Milvus可以在单机环境下可完成SIFT1b十亿级向量搜索任务。单节点Milvus可以在秒内完成十亿级的向量搜索，分布式架构亦能满足用户的水平扩展需求。
不过，Milvus目前支持的向量索引类型大都属于ANNS(Approximate NearestNeighbors Search，近似最近邻搜索)。ANNS的核心思想是不再局限于只返回最精确的结果项，而是仅搜索可能是近邻的数据项，即以牺牲可接受范围内的精度的方式提高检索效率。Milvus基于不同的距离计算方式比较向量间的距离，选择合适的距离计算方式能提高数据分类和聚类性能。
基于milvus分布式特征检索引擎，本申请实施例根据使用需求选择合适的距离计算方式，并结合本申请实施例设计的分区库结构，可以有效提高检索精度与因应系统高并发量的运算与访问，来实现检索比对全集团员工人脸特征向量组。
可选的，所述人脸生物特征提取模块包括：
人脸检测模块1101，用于根据获取待考勤人物的人脸图像检测人脸包括：基于关键点的数量评估所述待考勤人物的人脸图像是否为正脸，若为正脸且人脸大小大于200×200像素，则基于所述关键点确定人脸边界框并输出；
特征向量提取模块1102，用于根据所述人脸检测模块1101输出的人脸图像，通过ReSent残差网络101层进行人脸特征提取。
具体的，RetinaFace的检测过程和所有的single-stage的检测器过程相似，主要可调整的超参数包括threshold,nms_threshold,scale等。
具体的，人脸检测模块可使用人脸检测算法来实现对人脸的检测，例如使用经典算法RetinaFace，RetinaFace能够基于其独有的特征金字塔网络架构来检测人脸的存在与人脸关键点采集，具有较好的精确度；当经由关键点检测检测到人脸的存在之后，基于关键点数量评估是否为正脸，若为正脸、则进一步基于关键点画出人脸的边界框，基于边界框评估人脸的大小；这里设置人脸大小大于200×200像素，是因为若采集的人脸大小，会影响后续提取特征向量上特征的表现，因此基于统计学分析验证，将判断人脸大小的标准为200x200像素，最小提取的人脸必须大于此大小后，才能进行特征提取，确保特征向量的可以保留最佳的人脸生物特征细节。
本申请实施例使用的人脸检测算法RetinaFace除了加入特征金字塔以外，还在5个金字塔特征图中加入了独立的上下文模块从而提高建模能力，并且利用可变形卷积网络(DCN)替换了横向连接和上下文模块中的所有3×3个卷积层，从而能够获得更精准的人脸检测效果。
threshold:分类概率的阈值，超过这个阈值的检测被判定为正例；
nms_threshold:非极大值抑制中的IOU(并交比)阈值，即在nms中与正例的IOU超过这个阈值的检测将被舍弃；
scale:图像金字塔的缩放值，通过对原图进行由scale值指定的大小缩放得到网络图片的输入大小，注意在检测时网络的输入不必保持相同的大小。
具体的，在特征向量提取模块，采用了Resnet残差网络，Resnet残差网络至今仍是经典的深度学习模型。采用Resnet残差网络使得在进行模型训练时相对更容易，直观上看残差学习需要学习的内容少，因为残差一般会比较小，学习难度小点。且在集成学习中可以通过基模型拟合残差，使得集成的模型变得更精确。
具体的，本申请实施例采用的人脸检测/识别模型在进行anchor(锚点)设定时，在从P2到P6，图像金字塔每层输出对应不同的锚点尺寸，P2被设计成通过平铺小锚点来捕捉微小的人脸，这样做的代价是花费更多的计算时间和更多的误报风险；将scale step(裁剪步长)设置为2^(1/3)，aspect ratio(纵横比)设置为1:1，输入图像大小为640*640，锚点可以覆盖从16x16到406x406的特征金字塔层。
具体的，本申请实施例采用的人脸检测/识别模型在训练过程中，当IOU大于0.5时，锚点匹配到ground-truth box(GT框)，当IoU小于0.3时匹配到背景(理解为非我们需要的目标)。不匹配的锚点在训练中被忽略。由于大多数锚点(>99％)在匹配步骤后为负，我们采用标准OHEM(online hard example mining，在线困难样本挖掘)来缓解正、负训练样本之间的显著不平衡。更具体地说，我们根据损失值对负锚进行排序，并选择损失最大的锚点，这样负样本和正样本之间的比例至少为3:1。
具体的，本申请实施例采用的人脸检测/识别模型还进行了数据增强：从原始图像随机裁剪方形图像块，并调整这些图像块到640*640产生更大的训练人脸。更具体地说，在原始图像的短边[0.3,1]之间随机裁剪正方形图像块。对于裁剪边界上的人脸，如果人脸框的中心在裁剪图像块内，则保持人脸框的重叠部分。除了随机裁剪，我们还通过0.5概率的随机水平翻转和光度颜色蒸馏来增加训练数据。
值得注意的是，一般认为神经网络的每一层分别对应于提取不同层次的特征信息，有低层，中层和高层，而网络越深的时候，提取到的不同层次的信息会越多，而不同层次间的层次信息的组合也会越多。因此，本申请基于人脸生物特征个体的丰富的多样性，选择使用Resnet残差网络101层的模型来进行人脸特征的提取，可以有效的提高人脸特征向量提取模块提取到更丰富的人脸特征，有助于提高特征向量检索对比的精确度。
可选的，所述接口服务模块103还包括：
PAD接口1031，用于接收图像采集设备采集的待考勤人物的人脸图像数据；
特征向量接口1032，用于将所述人脸生物特征提取模块提取的待考勤人物的人脸图像的特征向量接入所述分布式人脸特征检索模块；
HR系统接口1034，用于与考勤管理后台104连接，通过所述考勤管理后台104将员工信息与员工的人脸图像数据导入所述考勤系统，并根据所述员工的人脸图像数据生成所述特征向量底库；
所述考勤管理系统根据所述考勤结果生成员工的考勤记录。
结合图1，对本申请提供的实施例做进一步说明：
PAD接口1031：接收人脸图像数据，接收到人脸图像数据后将该图像伴随终端上唯一的设备号信息回传，接口为:
1)Image/String/终端传来的人脸图片base64；
2)device_id/String/终端编号。
特征向量接口1032：当用户人脸图像进入人脸生物特征提取模块101进行运算后，运算完成的特征向量返给特征向量接口1032，此特征向量需要进入分布式特征检索模块102，此接口格式定义为:
1)Image/String/终端传来的人脸图片base64；
2)workplace_id/String/分院编号。
结果接口1033：基于分布式特征检索模块102比对完的结果，返回待考勤人物此次考勤信息给考勤管理后台104，此接口格式定义为：
1)code/String/返回状态码；
2)message/String/信息；
3)result emp_name/String/用户(员工)姓名；
result emp_num/String/用户(员工)编号；
result is_open/String/开门成功or失败；
result Department/String/部门；
result click_time/String/时间字段。
HR系统接口1034：此接口是可以作为拓展用，可对接管理后台，目的是将使用此系统的用户基础资料与图像数据导入人脸识别考勤系统中，建立该用户群的基础人脸特征向量数据，或是在管理后台添加相关权限配置，此接口定义可如下所示：
1)psnName/String/用户(员工)姓名；
2)psnCode/String/用户(员工)编号；
3)psnClsCope/String/用户(员工)在职状态；
4)locationId/String/用户(员工)办公地id；
5)locationName/String/用户(员工)办公地名称；
6)deptName/String/用户(员工)末级部门；
7)facePicSeaweedGuid/String/用户(员工)照片fid；
8)operation/String/操作标记。
示例性的，当有人进入识别区域时，可通过图像采集装置(如平板电脑、手机、考勤申请端等)取得图像后会先进行人脸检测，判断人脸的存在，此时分为两种状态：检测到人脸和未检测到人脸，如果检测到人脸则提取人脸特征向量，然后进行识别，识别成功后返回信息；或没有检测到人脸则返回重新拍摄，直至取得人脸图像为止。取得图像后将进行人脸特征提取与比对，最后在终端主页面显示该待考勤人物的部门和姓名(本申请自带接口，具体可依照需求定义显示)。包含识别成功与识别失败场景。
值得注意的是，在实现上述识别前的准备工作是需要录入员工信息的基本人脸图像，经由特征提取模块提取出每一位录入的人员独一无二的人脸特征向量组，并且依据不同地区或是地点将每位人员的人脸特征向量组放入该分区库中。
示例性的，员工在入职时需要提供员工基本信息与员工照片，先将这些数据传到本申请实施例提供的考勤系统中，建立该员工信息后，该员工即可使用考勤系统服务。经由平板、手机、摄像头或者其他图像采集终端获取人脸图像后，将图像给本申请考勤管理后台，通过人脸图像提取该人员特征后，进入人脸特征向量数据库中进行检索比对，识别该员工身份，若是检索到该名员工信息则生成该员工本次考勤信息。
本申请实施例基于提取人脸特征向量进行检索比对的考勤系统，主要实现的功能是通过人脸特征向量组的比对结果，确认该员工身份，结合当下比对查询的时间，生成相应的考勤记录，实现高精度人脸生物特征与非接触式考勤的目的，智能高效的管控员工的出勤、出入状况。
并且，本申请实施例提供了自主研发设计的特征提取与比对的架构，可实现高精度、高并发的技术优势；非接触式的方式，实现非接触式全国集团员工考勤管理的目的，同时也避免了疾病的传染；通过HR系统接口可对接HR管理系统，或员工查询系统(或APP)，对员工进行考勤状态记录，与相应的统计分析(如统计员工考勤出现迟到、早退或缺勤的情况)，支持对应发送给各人员，后续可根据这些数据对应考勤扣款原则进行扣款金额计算，也能满足了人事人员对考勤系统的需求。
参考图2示出了本申请实施例提供的考勤方法的流程图示意，所述考勤控制方法包括：
步骤201，获取待考勤人物的人脸图像，并提取所述待考勤人物的人脸图像的特征向量；
步骤202，通过分布式特征检索引擎，根据待考勤人物的人脸图像的特征向量和特征向量数据库进行对比并获取检索结果，包括：根据所述待考勤人物的人脸图像以及分区规则，从对应的分区库中进行检索；
步骤203，根据所述检索结果输出所述待考勤人物的识别结果；
步骤204，根据所述检索结果输出所述待考勤人物的考勤结果；
步骤205，其中，所述特征向量数据库包括分区库和特征向量底库，在通过分布式特征检索引擎，根据待考勤人物的人脸图像的特征向量和特征向量数据库中进行对比并获取检索结果之前还包括：
将所述特征向量底库中存储的特征向量按预设分区规则进行分类存入对应的分区库。
可选的，获取待考勤人物的人脸图像，并提取所述待考勤人物的人脸图像的特征向量包括：
根据获取待考勤人物的人脸图像检测人脸包括：基于关键点的数量评估所述待考勤人物的人脸图像是否为正脸，若为正脸且人脸大小大于200×200像素，则基于所述关键点确定人脸边界框并输出；
根据所述人脸检测模块输出的人脸图像，通过ReSent残差网络101层进行人脸特征提取。
可选的，所述获取待考勤人物的人脸图像，并提取所述待考勤人物的人脸图像的特征向量包括：
通过人脸检测子模块基于关键点数量评估所述待考勤人物的人脸图像是否为正脸，若为正脸且人脸大小大于预设像素，则基于所述关键点确定人脸边界框并输出；
根据所述人脸检测子模块输出的人脸图像，通过ReSent残差网络进行人脸特征提取。
可选的，所述将所述特征向量底库中存储的特征向量按预设规则进行分类存入对应的分区库包括：
根据办公地ID将不同办公地的员工的人脸特征向量分类存储入对应的分区库中；
和/或根据不同部门的员工的人脸特征向量分类存储入对应的分区库中；
和/或根据工作时间段将不同工作时间的员工的人脸特征向量分类存储入对应的分区库中。
可选的，所述通过分布式特征检索引擎，根据待考勤人物的人脸图像的特征向量和特征向量数据库中进行对比并获取检索结果包括：
根据所述待考勤人物所在考勤地的办公地ID，将所述待考勤人物的人脸图像的特征向量与所述办公地ID对应的分区库中的特征向量进行检索比对，若检索到匹配人物信息，则生成检索结果；
若未检索到匹配人物信息，则将所述待考勤人物的人脸图像的特征向量与所述特征向量底库中的特征向量进行检索比对，生成检索结果。
可选的，所述方法还包括：
通过PAD接口接收图像采集设备采集的待考勤人物的人脸图像数据；
通过特征向量接口将所述人脸生物特征提取模块提取的待考勤人物的人脸图像的特征向量接入所述分布式人脸特征检索模块；
通过HR系统接口与考勤管理后台连接，通过所述考勤管理后台将员工信息与员工的人脸图像数据导入所述考勤系统，并根据所述员工的人脸图像数据生成所述特征向量底库；
通过所述考勤管理后台根据考勤结果生成员工的考勤记录。
本申请实施例提供的考勤方法与本申请实施例提供的考勤系统实现的技术效果相同，此处不再赘述。
本申请提供的技术方案是基于提取人脸特征向量进行检索比对的考勤系统，主要实现的功能是通过人脸特征向量组的比对结果，确认该员工身份，结合当下比对查询的时间，生成相应的考勤记录，实现高精度人脸生物特征与非接触式考勤的目的，智能高效的管控员工的出勤状况。
请参考图3，本申请实施例还提供一种电子设备30，包括处理器31，存储器32，存储在存储器32上并可在所述处理器31上运行的计算机程序，该计算机程序被处理器31执行时实现上述考勤方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述考勤方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本申请创造的保护范围之中。
Claims (10)
1.一种考勤系统，其特征在于，包括：
人脸生物特征提取模块，用于获取待考勤人物的人脸图像，并提取所述待考勤人物的人脸图像的特征向量；
分布式人脸特征检索模块，包括特征向量数据库和分布式特征检索引擎，用于通过所述分布式特征检索引擎，根据所述待考勤人物的人脸图像的特征向量和所述特征向量数据库进行对比并获取检索结果，包括：根据所述待考勤人物的人脸图像以及分区规则，从对应的分区库中进行检索；
接口服务模块，包括结果输出接口，所述结果输出接口与所述分布式人脸特征检索模块连接，用于根据所述检索结果输出所述待考勤人物的考勤结果；
其中，所述特征向量数据库包括分区库和特征向量底库，在通过分布式特征检索引擎，根据待识别人物的人脸图像的特征向量和特征向量数据库中进行对比并获取检索结果之前还包括：
将所述特征向量底库中存储的特征向量按预设分区规则进行分类存入对应的分区库。
2.根据权利要求1所述的考勤系统，其特征在于，所述将所述特征向量底库中存储的特征向量按预设分区规则进行分类存入对应的分区库包括：
根据办公地ID将不同办公地的员工的人脸特征向量分类存储入对应的分区库中；
和/或根据不同部门的员工的人脸特征向量分类存储入对应的分区库中；
和/或根据工作时间段将不同工作时间的员工的人脸特征向量分类存储入对应的分区库中。
3.根据权利要求2所述的考勤系统，其特征在于，所述分布式人脸特征检索模块还用于：
根据所述待考勤人物所在考勤地的办公地ID，将所述待考勤人物的人脸图像的特征向量与所述办公地ID对应的分区库中的特征向量进行检索比对，若检索到匹配人物信息，则生成检索结果；
若未检索到匹配人物信息，则将所述待考勤人物的人脸图像的特征向量与所述特征向量底库中的特征向量进行检索比对，生成检索结果。
4.根据权利要求1所述的考勤系统，其特征在于，所述接口服务模块还包括：PAD接口，用于接收图像采集设备采集的待考勤人物的人脸图像数据；
特征向量接口，用于将所述人脸生物特征提取模块提取的待考勤人物的人脸图像的特征向量接入所述分布式人脸特征检索模块；
HR系统接口，用于与考勤管理后台连接，通过所述考勤管理后台将员工信息与员工的人脸图像数据导入所述考勤系统，并根据所述员工的人脸图像数据生成所述特征向量底库；
所述考勤管理系统根据所述考勤结果生成员工的考勤记录。
5.一种考勤方法，其特征在于，所述方法包括：
获取待考勤人物的人脸图像，并提取所述待考勤人物的人脸图像的特征向量；
通过分布式人脸特征检索模块生成检索结果包括：
通过所述分布式特征检索引擎，根据所述待考勤人物的人脸图像的特征向量和所述特征向量数据库进行对比并获取检索结果，包括：根据所述待考勤人物的人脸图像以及分区规则，从对应的分区库中进行检索；
根据所述检索结果输出所述待考勤人物的考勤结果；
其中，所述特征向量数据库包括分区库和特征向量底库，所述分区库用于将所述特征向量底库中存储的特征向量按预设分区规则进行分类存储。
6.根据权利要求5所述的考勤方法，其特征在于，所述分区库用于将所述特征向量底库中存储的特征向量按预设分区规则进行分类存储包括：
根据办公地ID将不同办公地的员工的人脸特征向量分类存储入对应的分区库中；
和/或根据不同部门的员工的人脸特征向量分类存储入对应的分区库中；
和/或根据工作时间段将不同工作时间的员工的人脸特征向量分类存储入对应的分区库中。
7.根据权利要求6所述的考勤控制方法，其特征在于，所述通过所述分布式特征检索引擎，根据所述待考勤人物的人脸图像的特征向量和所述特征向量数据库进行对比并获取检索结果包括：
根据所述待考勤人物所在考勤地的办公地ID，将所述待考勤人物的人脸图像的特征向量与所述办公地ID对应的分区库中的特征向量进行检索比对，若检索到匹配人物信息，则生成检索结果；
若未检索到匹配人物信息，则将所述待考勤人物的人脸图像的特征向量与所述特征向量底库中的特征向量进行检索比对，生成检索结果。
8.根据权利要求5所述的考勤方法，其特征在于，所述方法还包括：
通过PAD接口接收图像采集设备采集的待考勤人物的人脸图像数据；
通过特征向量接口将所述人脸生物特征提取模块提取的待考勤人物的人脸图像的特征向量接入所述分布式人脸特征检索模块；
通过HR系统接口与考勤管理后台连接，通过所述考勤管理后台将员工信息与员工的人脸图像数据导入所述考勤系统，并根据所述员工的人脸图像数据生成所述特征向量底库；
通过所述考勤管理后台根据考勤结果生成员工的考勤记录。
9.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求5至8中任一项所述的考勤方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求5至8中任一项所述的考勤方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110982238.9A CN113627384A (zh) | 2021-08-25 | 2021-08-25 | 考勤系统、方法和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110982238.9A CN113627384A (zh) | 2021-08-25 | 2021-08-25 | 考勤系统、方法和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113627384A true CN113627384A (zh) | 2021-11-09 |
Family
ID=78387685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110982238.9A Pending CN113627384A (zh) | 2021-08-25 | 2021-08-25 | 考勤系统、方法和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113627384A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114333133A (zh) * | 2021-12-29 | 2022-04-12 | 杭州海康威视数字技术股份有限公司 | 基于门禁的通勤认证方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080205795A1 (en) * | 2006-12-11 | 2008-08-28 | Florida Atlantic University | System and methods of image retrieval |
| CN110728225A (zh) * | 2019-10-08 | 2020-01-24 | 北京联华博创科技有限公司 | 一种用于考勤的高速人脸搜索方法 |
| CN112149517A (zh) * | 2020-08-31 | 2020-12-29 | 三盟科技股份有限公司 | 一种人脸考勤方法、系统、计算机设备及存储介质 |
-
2021
- 2021-08-25 CN CN202110982238.9A patent/CN113627384A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080205795A1 (en) * | 2006-12-11 | 2008-08-28 | Florida Atlantic University | System and methods of image retrieval |
| CN110728225A (zh) * | 2019-10-08 | 2020-01-24 | 北京联华博创科技有限公司 | 一种用于考勤的高速人脸搜索方法 |
| CN112149517A (zh) * | 2020-08-31 | 2020-12-29 | 三盟科技股份有限公司 | 一种人脸考勤方法、系统、计算机设备及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114333133A (zh) * | 2021-12-29 | 2022-04-12 | 杭州海康威视数字技术股份有限公司 | 基于门禁的通勤认证方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858365B (zh) | 一种特殊人群聚集行为分析方法、装置及电子设备 | |
| CN108388888B (zh) | 一种车辆识别方法、装置和存储介质 | |
| CN108596277B (zh) | 一种车辆身份识别方法、装置和存储介质 | |
| US9679201B2 (en) | Semantic parsing of objects in video | |
| US7310442B2 (en) | Scene analysis surveillance system | |
| CN109902628B (zh) | 一种基于视觉物联网的图书馆座位管理系统 | |
| CN109784274B (zh) | 识别尾随的方法及相关产品 | |
| CN110414441B (zh) | 一种行人行踪分析方法及系统 | |
| Mady et al. | Face recognition and detection using Random forest and combination of LBP and HOG features | |
| CN108563651B (zh) | 一种多视频的目标搜索方法、装置及设备 | |
| JP5180922B2 (ja) | 画像検索システム及び画像検索方法 | |
| CN111405249A (zh) | 监控方法、装置及服务器和计算机可读存储介质 | |
| Amaro et al. | Evaluation of machine learning techniques for face detection and recognition | |
| CN113627384A (zh) | 考勤系统、方法和存储介质 | |
| EP3570207B1 (en) | Video cookies | |
| CN112001280B (zh) | 一种实时、可在线优化的人脸识别系统和方法 | |
| CN113689613A (zh) | 门禁系统、门禁控制方法和存储介质 | |
| CN109871456B (zh) | 一种看守所人员关系分析方法、装置和电子设备 | |
| CN111382628B (zh) | 同行判定方法及装置 | |
| CN111563479B (zh) | 同行人去重方法、团伙分析方法、装置及电子设备 | |
| CN114359646A (zh) | 一种视频分析方法、装置、系统、电子设备和介质 | |
| Koujaku et al. | Community change detection in dynamic networks in noisy environment | |
| CN113127758A (zh) | 物品存放点推送方法、装置、电子设备及存储介质 | |
| CN113269022B (zh) | 一种用于预测隐性特定人员的系统及方法 | |
| Ahire et al. | A Comparative Study on Facial Detection for Criminal Probe |
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 |