CN113888128A - 一种基于人脸识别的无感考勤方法及系统 - Google Patents
一种基于人脸识别的无感考勤方法及系统 Download PDFInfo
- Publication number
- CN113888128A CN113888128A CN202111171486.1A CN202111171486A CN113888128A CN 113888128 A CN113888128 A CN 113888128A CN 202111171486 A CN202111171486 A CN 202111171486A CN 113888128 A CN113888128 A CN 113888128A
- Authority
- CN
- China
- Prior art keywords
- attendance
- face
- face image
- information
- checked
- 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 30
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000001939 inductive effect Effects 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000011144 upstream manufacturing Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000001953 sensory effect Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims 2
- 238000000605 extraction Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000003203 everyday effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
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
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1091—Recording time for administrative or management purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供一种基于人脸识别的无感考勤方法和系统，方法包括：获取注册信息，在预设区域范围内，实时采集待考勤人员的人脸图像信息，并根据预先训练好的第一网络模型对所述人脸图像信息进行处理，获取最佳人脸图像帧，将其与所述生物特征向量数据库进行特征对比，根据特征对比的相似度，获取对比结果，进而获取待考勤人员的身份；将待考勤人员的身份、待考勤人员的人脸图像信息的采集时间作为考勤信息与预先设置的考勤规则进行匹配，完成无感考勤；本发明无需主动配合，被考勤人员仅需要在上下班时间正常通过考勤区域即可，能够有效的解决传统考勤系统的效率低，造成人员拥堵问题。
Description
技术领域
本发明涉及安防领域，尤其涉及一种基于人脸识别的无感考勤方法及系统。
背景技术
现有比较成熟的考勤技术一是指纹识别，二是需被考勤人员主动式在固定地点人脸识别考勤，前者考勤进度缓慢，易造成上下班高峰期人员拥堵，考勤效率低且需要接触机器，后者传统的基于人脸识别的考勤方法，需被考勤人员在固定的地点或固定的姿势面对摄像头，主动的配合来进行考勤，虽然具有了非接触性，但人像抓拍角度固定，特征底库并不是实时更新，依然存在无法高效的解决高峰时段的考勤，以及随着考勤人员的面部生物特征的变化，误识别率逐渐升高等问题。
发明内容
鉴于以上所述现有技术的缺点，本发明提供一种基于人脸识别的无感考勤方法及系统，以解决上述技术问题。
本发明提供的基于人脸识别的无感考勤方法，包括：
获取注册信息，所述注册信息包括考勤人员的基本信息和标准人脸图像信息，将每个考勤人员的标准人脸图像信息进行多维向量化处理，形成生物特征向量数据库；
在预设区域范围内，实时采集待考勤人员的人脸图像信息，并根据预先训练好的第一网络模型对所述人脸图像信息进行处理，获取最佳人脸图像帧；
对所述最佳人脸图像帧进行多维向量化处理，获取所述最佳人脸图像帧的多维向量化数据，并将其与所述生物特征向量数据库进行特征对比，根据特征对比的相似度，获取对比结果，进而获取待考勤人员的身份；
将所述待考勤人员的身份、待考勤人员的人脸图像信息的采集时间作为考勤信息与预先设置的考勤规则进行匹配，完成无感考勤。
于本发明的一实施例中，所述第一网络模型为卷积神经网络模型，根据预设的筛选参数对所述第一网络模型进行训练，所述筛选参数包括人脸完整性标准、人脸大小阈值、人脸位置阈值、清晰度阈值。
于本发明的一实施例中，在预设区域范围内，通过预设多个人脸目标跟随抓拍设备，实时捕捉经过所述区域范围人员的人脸图像信息，并通过所述第一网络模型对人脸图像信息进行实时运算，获取当前图像帧中的人脸位置坐标，并根据筛选参数进行评价，获取评价得分，进而获取所述最佳人脸图像帧。
于本发明的一实施例中，对所述最佳人脸图像帧进行多维向量化处理包括：
通过对所述最佳人脸图像帧进行人脸关键部位检测，获取检测结果；
将人脸关键部位检测的检测结果进行人脸对齐后，进行人脸图像帧的多维向量化处理。
于本发明的一实施例中，预先建立第二网络模型并进行训练，通过训练后的第二网络模型进行所述特征对比，所述第二网络模型通过Triple Loss损失函数进行训练，在构建图像金字塔的基础上，通过全卷积网络进行检测，并通过边框回归和非极大值抑制进行修正。
于本发明的一实施例中，所述根据特征对比的相似度，获取对比结果包括：
如果所述特征对比的相似度达到预设的相似阈值，则判定匹配成功，并将匹配成功的人脸图像向量更新至生物特征向量数据库，进行样本向量数据的更新；
以及，根据不同的人物检测情况对所述相似阈值进行动态更新，所述动态更新包括，
根据已考勤人员的匹配度平均值对所述相似阈值进行调整，和/或，
当图像信息中包括多个人脸图像时，同时对所有人脸图像进行识别，并选择一目标人脸，根据所述目标人脸的匹配度与所述目标人脸的历史匹配度的差异，对相似阈值进行调整；所述目标人脸根据匹配度的得分和/或占据图像面积确定。
于本发明的一实施例中，将所述考勤信息发送至消息队列供上游服务消费，上游服务跟进预先设置的考勤规则对信息队列中的信息进行过滤，生成对应的考勤结果。
本发明还提供一种基于人脸识别的无感考勤系统，包括：
信息服务模块，用于获取注册信息，所述注册信息包括考勤人员的基本信息和标准人脸图像信息，将每个考勤人员的标准人脸图像信息进行多维向量化处理，形成生物特征向量数据库；
图像采集模块，用于在预设区域范围内，实时采集待考勤人员的人脸图像信息，
图像处理模块，用于根据预先训练好的第一网络模型对所述人脸图像信息进行处理，获取最佳人脸图像帧；
对所述最佳人脸图像帧进行多维向量化处理，获取所述最佳人脸图像帧的多维向量化数据，并将其与所述生物特征向量数据库进行特征对比，根据特征对比的相似度，获取对比结果，进而获取待考勤人员的身份；
考勤规则匹配模块，用于将所述待考勤人员的身份、待考勤人员的人脸图像信息的采集时间作为考勤信息与预先设置的考勤规则进行匹配，完成无感考勤。
本发明还提供一种计算机可读存储介质，其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上述中任一项所述方法。
本发明还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上述中任一项所述方法。
本发明通过获取最佳动态人脸数据，以及动态人脸数据匹配成功后的自学习的无感考勤，可以使被考勤人员无需主动配合，在上下班时间按正常状态通过考勤区域即可完成考勤，本发明能够有效的解决传统考勤系统的效率低，造成人员拥堵问题，避免了由于被考勤人员人脸面部特征变化，造成的识别率低的问题，另外，本发明中的考勤区域可根据公司人员灵活增减设备，保证高效的进行考勤。
附图说明
图1是本发明实施例中基于人脸识别的无感考勤方法的流程示意图。
图2是本发明实施例中基于人脸识别的无感考勤方法的实施例1的原理示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。
如图1所示，本实施例中的基于人脸识别的无感考勤方法，包括：
S101.获取注册信息，所述注册信息包括考勤人员的基本信息和标准人脸图像信息，将每个考勤人员的标准人脸图像信息进行多维向量化处理，形成生物特征向量数据库；
S102.在预设区域范围内，实时采集待考勤人员的人脸图像信息，并根据预先训练好的第一网络模型对所述人脸图像信息进行处理，获取最佳人脸图像帧；
S103.对所述最佳人脸图像帧进行多维向量化处理，获取所述最佳人脸图像帧的多维向量化数据，并将其与所述生物特征向量数据库进行特征对比，根据特征对比的相似度，获取对比结果，进而获取待考勤人员的身份；
S104.将所述待考勤人员的身份、待考勤人员的人脸图像信息的采集时间作为考勤信息与预先设置的考勤规则进行匹配，完成无感考勤。
在本实施例的步骤S101中，获取注册信息，所述注册信息包括考勤人员的基本信息和标准人脸图像信息，将每个考勤人员的标准人脸图像信息进行多维向量化处理，形成生物特征向量数据库。在本实施例中，通过获取注册信息添加存储人员基本信息及标准人脸底图，以便将人员信息推送至特征提取比对服务，进行生物特征多维向量数据库的预构建，本实施例中的多维向量数据库为512维向量数据库。
在本实施例的步骤S102中，在预设区域范围内，实时采集待考勤人员的人脸图像信息，并根据预先训练好的第一网络模型对所述人脸图像信息进行处理，获取最佳人脸图像帧。在预设区域范围内，可以通过预设数量人脸目标跟随的抓拍设备，实时采集经过该区域人员的人脸图像帧，利用卷积神经网络模型以及抓拍角度的实时跟随进行最佳人脸图像帧的获取，并根据预设的人脸完整性标准、人脸大小阈值、人脸位置阈值、清晰度阈值进行图像帧的预处理、过滤，最终将抓拍筛选出的最佳人脸图像帧推送至特征提取比对服务。本实施例中的可以通过抓拍设备高速获取目标区域内的人脸图像帧，进行预处理，利用卷积神经网络模型对人脸的图像帧画面进行实时运算，计算出当前图像帧中的人脸位置坐标以及得分信息，进而获取当前帧图像中的最佳人脸。
在本实施例的步骤S103中，对所述最佳人脸图像帧进行多维向量化处理，获取所述最佳人脸图像帧的多维向量化数据，并将其与所述生物特征向量数据库进行特征对比，根据特征对比的相似度，获取对比结果，进而获取待考勤人员的身份。在本实施例中，特征提取比对通过提取来自人员信息存储服务的标准人脸底图的512维向量特征数据和接收采集服务推送的人脸图像帧，并利用算法完成人脸图像帧的512维向量化，构建生物特征向量数据库，再通过对事先构建好的生物特征数据库中的人脸向量数据进行特征比对，若相似阈值符合预先设定的值即视为比对成功，则将此抓拍图像及相关考勤时间等信息以消息队列的方式推送给上游服务，使用消息队列的方式实现服务间的解耦、异步处理以及方便后续服务的扩展。
在本实施例中，特征数据包括人员面部生理特征，可以由人员信息存储服务以api接口形式下发标准人脸底图及相关基础人员信息至特征提取比对服务，并将这些标准底图照片利用算法进行人脸特征提取，并进行512维向量化。在本实施例中，将每个被考勤人员的实时生物特征的512维人像向量数据与预先构建的生物特征数据库的特征512维向量进行相似度匹配，若达到预设的相似阈值，则视为匹配成功，该人员则设定为考勤人员，完成考勤时间以及关联的人员基本信息的消息队列推送，并且将已经匹配成功的该人脸图像向量更新至生物特征数据库进行样本向量数据的更新。
在本实施例中，预先建立第二网络模型并进行训练，通过训练后的第二网络模型进行所述特征对比，第二网络模型通过Triple Loss损失函数进行训练，在构建图像金字塔的基础上，通过全卷积网络进行检测，并通过边框回归和非极大值抑制进行修正。在本实施例中，获取最佳人脸图像后，通过对该最佳人脸图像进行人脸关键部位检测，并将检测到的人脸关键部位进行人脸对齐，然后进行人脸图像帧的512维向量化，最后将生成的512维向量化人脸图推送至特征提取比对服务。可选的，可以通过FaceNet算法进行人脸图像的向量化，利用卷积神经网络的特征提取能力，并改变常用的交叉熵损失函数为Triple Loss损失函数来训练函数。可选的，本实施例中的第二网络模型的网络结构为：
Stage1：构建图像金字塔的基础上，利用全卷积网络进行检测，利用边框回归(Bounding Box Regression)和NMS(Non-maximum suppression，非极大值抑制)来进行修正；
Stage2：将通过Stage1的所有窗口输入作为进一步判断及完成boundingboxregression和NMS；
Stage3：在Stage2基础上增加更强的约束能力。
在本实施例中，根据特征对比的相似度，获取对比结果包括：如果特征对比的相似度达到预设的相似阈值，则判定匹配成功，并将匹配成功的人脸图像向量更新至生物特征向量数据库，进行样本向量数据的更新；以及，根据不同的人物检测情况对所述相似阈值进行动态更新，所述动态更新包括，根据已考勤人员的匹配度平均值对所述相似阈值进行调整，和/或，当图像信息中包括多个人脸图像时，同时对所有人脸图像进行识别，并选择一目标人脸，根据所述目标人脸的匹配度与所述目标人脸的历史匹配度的差异，对相似阈值进行调整；所述目标人脸根据匹配度的得分和/或占据图像面积确定。在本实施例中，相似阈值可以根据不同的人物检测情况动态更新，如基于当天的已考勤人员的匹配度平均值动态调整判定阈值，当平均值较高时，调高阈值，平均值较低时，调低阈值，或者，当一张图片中包含多个符合规则的人脸时，可以同时对多个人物进行人脸识别考勤，并选择处其中的标定人物对相似阈值进行动态调整，具体可以基于标定人物的人脸匹配度与该人脸的历史匹配度的差异对历史相似阈值进行调整，得到相似阈值。标定人物可以为图像匹配度最高的人物或者占据图像面积最大的人物，如图像中包含人物1和人物2，人物1为标定人物，人物1的匹配度为80％，历史匹配度为85％，历史相似阈值为75％，则可以根据此情况将当前的相似阈值相较于历史相似阈值调低5％，将相似阈值调整为70％，并以该相似阈值对人物2进行校验，避免天气、环境、图像清晰度等因素对识别结果造成的影响。其中所述预设范围内，至少配置一个可无感采集生物特征的区域，一个可无感采集生物特征的区域匹配至少一台摄像设备，通过该配置配置的至少一台摄像设备摄录对应区域的被考勤人员的影像，和根据该摄录影像，在预设区域范围内无感采集至少一个被考勤人员的生物特征，这样的好处是能够实现同时无感采集多个被考勤人员的生物特征，能够避免在无感采集多个被考勤人员的生物特征时，出现高峰拥堵现象。
在本实施例的步骤S104中，将所述待考勤人员的身份、待考勤人员的人脸图像信息的采集时间作为考勤信息与预先设置的考勤规则进行匹配，完成无感考勤。本实施例可以通过预设符合企业管理标准的考勤规则及班次，对特征提取比对服务所推送的考勤数据进行过滤与结果匹配、生成、存储。将考勤信息发送至消息队列供上游服务消费，上游服务跟进预先设置的考勤规则对信息队列中的信息进行过滤，生成对应的考勤结果。例如，筛选出与预设定的规则班次不满足的考勤人员信息，不作处理，其中班次即为每天需完成考勤打卡的时间范围，规则即为每天需何种班次进行考勤打卡。
下面以两个具体实施例进行说明:
实施例1
如图2所示，在符合相关法律规定的应用场景中，设置人员信息存储服务W1，人像数据采集服务W2，特征提取比对服务W3，考勤规则匹配服务W4。
可以通过将需要进行考勤的人员的相关信息进行注册，添加并存储人员基本信息以及与之关联的标准人脸底图至W1服务，并完成与W3服务的对接，W3服务对其每个人员的底图使用FaceNet算法进行特征向量数据的提取，并构建生物特征数据库，然后可在W4服务中去自定义设定需要进行考勤的规则与班次(即被考勤人员每天应该被什么样的考勤时段进行考勤)，最后在预设的区域内，可为任意的出入口或其他需要设置的考勤点区域，通过人脸目标检测跟随的抓拍设备，利用卷积神经网络模型对人脸的图像帧画面进行实时运算，计算出当前图像帧中的人脸位置坐标以及得分信息，进而获取当前帧图像中的最佳人脸图像信息，W2服务对所抓拍的人像数据进行过滤处理，推送至W3服务进行生物特征提取后与预先构建的生物特征数据库进行特征匹配，若匹配成功，将该人脸图像向量更新至生物特征数据库进行样本向量数据的更新，并发送最终的匹配成功的考勤信息至消息队列供上游服务消费，W4对其消息进行消费过滤，并根据匹配到的规则班次，生成对应的考勤结果。
实施例2
S1101，进行人员信息的添加，如姓名，年龄等基本信息，其中包括每个人对应的标准人脸底图；
S1102，采集过滤实时抓拍人脸数据，根据预设的人脸完整性标准、人脸大小阈值、人脸位置阈值、清晰度阈值进行图像过滤，最终将抓拍筛选出的人像数据推送至特征提取比对服务，进行人脸生物特征提取；
S1103，通过api接口的形式，接收S1101下发的人脸底图，并通过使用FaceNet算法获取其生物特征向量数据，以此预先构建生物特征数据库，并且对采集到的抓拍图像进行生物特征提取，完成与生物特征库的比对，若匹配成功，则将推送考勤人员信息至消息队列中；
S1104，预先设定考勤规则与班次，二是用于对消息队列中的消息进行匹配过滤，过滤掉不符合考勤规则和班次的无效信息，对有效的消息进行结果匹配后，生成对应的考勤结果进行数据存储。
在本发实施例中，可以通过S1101将需要进行考勤的人员的相关信息进行添加，再对其每个人员的底图进行特征提取，并构建生物特征数据库，然后可在步骤S1104中去自定义设定需要进行考勤的规则与班次(即被考勤人员每天应该被什么样的考勤时段进行考勤)，最后在预设的区域内，可为任意的出入口或其他需要设置的考勤点区域，通过人像抓拍设备，通过人脸目标检测跟随的抓拍设备，利用卷积神经网络模型对人脸的图像帧画面进行实时运算，计算出当前图像帧中的人脸位置坐标以及得分信息，进而获取当前帧图像中的最佳人脸图像信息。在本实施例中，通过S1102对所抓拍的人像数据进行过滤处理后，步骤S1103进行生物特征提取后与预先构建的生物特征数据库进行特征匹配，若匹配成功，将该人脸图像向量更新至生物特征数据库进行样本向量数据的更新，并发送最终的匹配成功的考勤信息至消息队列供上游服务消费，通过步骤S1104对其消息进行消费过滤，并根据匹配到的规则班次，生成对应的考勤结果。可选的，还可以通过数据库存储的人员考勤信息，生成每天的考勤明细以及报表数据。
相应的，本发明还提供一种基于人脸识别的无感考勤系统，包括：
信息服务模块，用于获取注册信息，所述注册信息包括考勤人员的基本信息和标准人脸图像信息，将每个考勤人员的标准人脸图像信息进行多维向量化处理，形成生物特征向量数据库；
图像采集模块，用于在预设区域范围内，实时采集待考勤人员的人脸图像信息，
图像处理模块，用于根据预先训练好的第一网络模型对所述人脸图像信息进行处理，获取最佳人脸图像帧；
对所述最佳人脸图像帧进行多维向量化处理，获取所述最佳人脸图像帧的多维向量化数据，并将其与所述生物特征向量数据库进行特征对比，根据特征对比的相似度，获取对比结果，进而获取待考勤人员的身份；
考勤规则匹配模块，用于将所述待考勤人员的身份、待考勤人员的人脸图像信息的采集时间作为考勤信息与预先设置的考勤规则进行匹配，完成无感考勤。
本发明中的基于人脸识别的无感考勤系统，可以通过上述基于人脸识别的无感考勤方法，执行相应的操作，完成无感考勤。通过人脸目标检测跟随抓拍设备采集最佳动态人脸数据，动态人像数据匹配成功后的自学习，进行无需主动配合的无感考勤，被考勤人员仅需要在上下班时间正常通过考勤区域即可，能够有效的解决传统考勤系统的效率低，造成人员拥堵问题，且考勤区域可根据公司人员灵活增减设备，以此保证高效的进行考勤。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子终端执行如上方法的各个步骤。
在本实施例中，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中，除非另外规定，否则通过使用“第一”、“第二”等序号对共同的对象进行描述，只表示其指代相同对象的不同实例，而非是采用表示被描述的对象必须采用给定的顺序，无论是时间地、空间地、排序地或任何其他方式。在上述实施例中，说明书对“本实施例”、“一实施例”、“另一实施例”、或“其他实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中，但不必是全部实施例。“本实施例”、“一实施例”、“另一实施例”的多次出现不一定全部都指代相同的实施例。
在上述实施例中，尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如，其他存储结构(例如，动态RAM(DRAM))可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于人脸识别的无感考勤方法，其特征在于，包括：
获取注册信息，所述注册信息包括考勤人员的基本信息和标准人脸图像信息，将每个考勤人员的标准人脸图像信息进行多维向量化处理，形成生物特征向量数据库；
在预设区域范围内，实时采集待考勤人员的人脸图像信息，并根据预先训练好的第一网络模型对所述人脸图像信息进行处理，获取最佳人脸图像帧；
对所述最佳人脸图像帧进行多维向量化处理，获取所述最佳人脸图像帧的多维向量化数据，并将其与所述生物特征向量数据库进行特征对比，根据特征对比的相似度，获取对比结果，进而获取待考勤人员的身份；
将所述待考勤人员的身份、待考勤人员的人脸图像信息的采集时间作为考勤信息与预先设置的考勤规则进行匹配，完成无感考勤。
2.根据权利要求1所述的基于人脸识别的无感考勤方法，其特征在于，所述第一网络模型为卷积神经网络模型，根据预设的筛选参数对所述第一网络模型进行训练，所述筛选参数包括人脸完整性标准、人脸大小阈值、人脸位置阈值、清晰度阈值。
3.根据权利要求2所述的基于人脸识别的无感考勤方法，其特征在于，在预设区域范围内，通过预设多个人脸目标跟随抓拍设备，实时捕捉经过所述区域范围人员的人脸图像信息，并通过所述第一网络模型对人脸图像信息进行实时运算，获取当前图像帧中的人脸位置坐标，并根据筛选参数进行评价，获取评价得分，进而获取所述最佳人脸图像帧。
4.根据权利要求3所述的基于人脸识别的无感考勤方法，其特征在于，对所述最佳人脸图像帧进行多维向量化处理包括：
通过对所述最佳人脸图像帧进行人脸关键部位检测，获取检测结果；
将人脸关键部位检测的检测结果进行人脸对齐后，进行人脸图像帧的多维向量化处理。
5.根据权利要求4所述的基于人脸识别的无感考勤方法，其特征在于，
预先建立第二网络模型并进行训练，通过训练后的第二网络模型进行所述特征对比，所述第二网络模型通过Triple Loss损失函数进行训练，在构建图像金字塔的基础上，通过全卷积网络进行检测，并通过边框回归和非极大值抑制进行修正。
6.根据权利要求1所述的基于人脸识别的无感考勤方法，其特征在于，所述根据特征对比的相似度，获取对比结果包括：
如果所述特征对比的相似度达到预设的相似阈值，则判定匹配成功，并将匹配成功的人脸图像向量更新至生物特征向量数据库，进行样本向量数据的更新；
以及，根据不同的人物检测情况对所述相似阈值进行动态更新，所述动态更新包括，
根据已考勤人员的匹配度平均值对所述相似阈值进行调整，和/或，
当图像信息中包括多个人脸图像时，同时对所有人脸图像进行识别，并选择一目标人脸，根据所述目标人脸的匹配度与所述目标人脸的历史匹配度的差异，对相似阈值进行调整；所述目标人脸根据匹配度的得分和/或占据图像面积确定。
7.根据权利要求1所述的基于人脸识别的无感考勤方法，其特征在于，将所述考勤信息发送至消息队列供上游服务消费，上游服务跟进预先设置的考勤规则对信息队列中的信息进行过滤，生成对应的考勤结果。
8.一种基于人脸识别的无感考勤系统，其特征在于，包括：
信息服务模块，用于获取注册信息，所述注册信息包括考勤人员的基本信息和标准人脸图像信息，将每个考勤人员的标准人脸图像信息进行多维向量化处理，形成生物特征向量数据库；
图像采集模块，用于在预设区域范围内，实时采集待考勤人员的人脸图像信息，
图像处理模块，用于根据预先训练好的第一网络模型对所述人脸图像信息进行处理，获取最佳人脸图像帧；
对所述最佳人脸图像帧进行多维向量化处理，获取所述最佳人脸图像帧的多维向量化数据，并将其与所述生物特征向量数据库进行特征对比，根据特征对比的相似度，获取对比结果，进而获取待考勤人员的身份；
考勤规则匹配模块，用于将所述待考勤人员的身份、待考勤人员的人脸图像信息的采集时间作为考勤信息与预先设置的考勤规则进行匹配，完成无感考勤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法。
10.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至7中任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111171486.1A CN113888128A (zh) | 2021-10-08 | 2021-10-08 | 一种基于人脸识别的无感考勤方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111171486.1A CN113888128A (zh) | 2021-10-08 | 2021-10-08 | 一种基于人脸识别的无感考勤方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113888128A true CN113888128A (zh) | 2022-01-04 |
Family
ID=79005470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111171486.1A Pending CN113888128A (zh) | 2021-10-08 | 2021-10-08 | 一种基于人脸识别的无感考勤方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113888128A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612068A (zh) * | 2022-03-10 | 2022-06-10 | 浪潮卓数大数据产业发展有限公司 | 一种考勤自动补签方法及装置 |
| CN114677732A (zh) * | 2022-03-22 | 2022-06-28 | 通号智慧城市研究设计院有限公司 | 人脸识别考勤方法、装置、系统、计算机设备和介质 |
| CN115410306A (zh) * | 2022-09-01 | 2022-11-29 | 南京北新智能科技有限公司 | 一种基于人脸识别的无感考勤门禁算法 |
| CN116092209A (zh) * | 2022-12-24 | 2023-05-09 | 深圳市捷易科技有限公司 | 一种智慧教室无接触式考勤方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458973A (zh) * | 2019-07-26 | 2019-11-15 | 广州杰赛科技股份有限公司 | 基于人脸识别的实时考勤方法、装置及存储介质 |
| CN110992502A (zh) * | 2019-11-18 | 2020-04-10 | 广州杰赛科技股份有限公司 | 一种人脸识别考勤方法、系统以及可读存储介质 |
-
2021
- 2021-10-08 CN CN202111171486.1A patent/CN113888128A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458973A (zh) * | 2019-07-26 | 2019-11-15 | 广州杰赛科技股份有限公司 | 基于人脸识别的实时考勤方法、装置及存储介质 |
| CN110992502A (zh) * | 2019-11-18 | 2020-04-10 | 广州杰赛科技股份有限公司 | 一种人脸识别考勤方法、系统以及可读存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612068A (zh) * | 2022-03-10 | 2022-06-10 | 浪潮卓数大数据产业发展有限公司 | 一种考勤自动补签方法及装置 |
| CN114612068B (zh) * | 2022-03-10 | 2024-02-02 | 浪潮卓数大数据产业发展有限公司 | 一种考勤自动补签方法及装置 |
| CN114677732A (zh) * | 2022-03-22 | 2022-06-28 | 通号智慧城市研究设计院有限公司 | 人脸识别考勤方法、装置、系统、计算机设备和介质 |
| CN115410306A (zh) * | 2022-09-01 | 2022-11-29 | 南京北新智能科技有限公司 | 一种基于人脸识别的无感考勤门禁算法 |
| CN116092209A (zh) * | 2022-12-24 | 2023-05-09 | 深圳市捷易科技有限公司 | 一种智慧教室无接触式考勤方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113888128A (zh) | 一种基于人脸识别的无感考勤方法及系统 | |
| CN108875732B (zh) | 模型训练与实例分割方法、装置和系统及存储介质 | |
| US10635890B2 (en) | Facial recognition method and apparatus, electronic device, and storage medium | |
| CN108038937B (zh) | 一种迎宾信息的展示方法、装置、终端设备和存储介质 | |
| CN107358146B (zh) | 视频处理方法、装置及存储介质 | |
| CN111104841B (zh) | 暴力行为检测方法及系统 | |
| CN106778607A (zh) | 一种基于人脸识别的人与身份证同一性认证装置及方法 | |
| CN107169458B (zh) | 数据处理方法、装置及存储介质 | |
| US20160371537A1 (en) | Method, system, and computer program product for recognizing face | |
| CN107633558A (zh) | 一种基于人像与身份证比对识别的自助检票方法和设备 | |
| CN105022999B (zh) | 一种人码伴随实时采集系统 | |
| KR101433472B1 (ko) | 상황 인식 기반의 객체 검출, 인식 및 추적 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 | |
| CN111914775B (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN102945366A (zh) | 一种人脸识别的方法及装置 | |
| CN102509138A (zh) | 一种基于二代身份证和人脸特征识别的身份验证系统及其工作方法 | |
| CN104167025A (zh) | 基于动态人脸识别与wifi定位的移动考勤系统及其方法 | |
| CN109426787A (zh) | 一种人体目标轨迹确定方法及装置 | |
| CN111382808A (zh) | 一种车辆检测处理方法及装置 | |
| CN112101195B (zh) | 人群密度预估方法、装置、计算机设备和存储介质 | |
| CN111079577B (zh) | 一种动态区域聚集预警实时推荐的计算方法及系统 | |
| CN107133590A (zh) | 一种基于人脸图像的身份识别系统 | |
| Jaikumar et al. | Fingerprint based student attendance system with SMS alert to parents | |
| CN115830651A (zh) | 指纹图像增强方法、装置、电子设备及存储介质 | |
| CN109871456B (zh) | 一种看守所人员关系分析方法、装置和电子设备 | |
| CN112906592A (zh) | 客流量分析方法及系统、电子设备 |
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 |