CN114140924A - 一种基于区域终端的智慧考勤系统 - Google Patents

一种基于区域终端的智慧考勤系统 Download PDF

Info

Publication number
CN114140924A
CN114140924A CN202111159542.XA CN202111159542A CN114140924A CN 114140924 A CN114140924 A CN 114140924A CN 202111159542 A CN202111159542 A CN 202111159542A CN 114140924 A CN114140924 A CN 114140924A
Authority
CN
China
Prior art keywords
face recognition
face
recognition camera
access
station
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
Application number
CN202111159542.XA
Other languages
English (en)
Inventor
肖曦
凌东龙
戴轩
胡剑科
康雄
雷幸树
伍斌斌
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.)
Changsha Gigabit Information Technology Co ltd
Hunan Nade Cohen Information System Co ltd
Loudi City Company Hunan Tobacco Co
Original Assignee
Changsha Gigabit Information Technology Co ltd
Hunan Nade Cohen Information System Co ltd
Loudi City Company Hunan Tobacco Co
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 Changsha Gigabit Information Technology Co ltd, Hunan Nade Cohen Information System Co ltd, Loudi City Company Hunan Tobacco Co filed Critical Changsha Gigabit Information Technology Co ltd
Priority to CN202111159542.XA priority Critical patent/CN114140924A/zh
Publication of CN114140924A publication Critical patent/CN114140924A/zh
Pending legal-status Critical Current

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
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
    • G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/38—Individual registration on entry or exit not involving the use of a pass with central registration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Time Recorders, Dirve Recorders, Access Control (AREA)

Abstract

本发明提供一种基于区域终端的智慧考勤系统，属于门禁管理技术领域，包括用户数据采集单元、管理员授权用户及数据绑定单元、数据管理单元、访问用户申请进出及信息采集单元、访问用户审批及虚拟卡生成单元、考勤机访问数据存储单元、数据下发缓存及分发管理单元、门禁控制单元、刷卡机单元和人脸识别及考勤点单元。本发明可以自动化的对进入公司的考勤区域内自动人脸识别考勤，避免出现一些职员忘记打卡和指纹打卡等接触式和排队等问题的出现，同时可以在对方位人员进行人脸识别，可以识别出访问人员与原始申请人员是否一致，具有安全性更高，更加的方便，避免了出入卡被盗用或者借用的问题。

Description

一种基于区域终端的智慧考勤系统
技术领域
本发明涉及门禁管理技术领域，尤其涉及一种基于区域终端的智慧考勤系统。
背景技术
目前，技防类门禁系统设备接入一般是采用SDK接入或者网络协议接入。但是由于目前缺乏一种统一的接入方式，不同品牌甚至同一品牌不同型号的门禁设备采用不同的SDK或者协议。
目前门禁管理系统加载与门禁设备控制器对应的SDK或通信协议，点对点的连接门禁设备。但是，由于一般门禁设备部署在各个独立的区域，所以各个门禁设备一般位于独立的网段；基于安全考虑，门禁管理系统与各门禁控制器之间通常有防火墙。如果采用交叉通讯的方式则，即用户和设备一对多关系，会造成网络管理混乱。同时，门禁设备一般有通讯连接上限，如果连接到同一台门禁设备的账户数量到达上限时，其他预登陆的账户需等待已登录门禁管理系统的账户退出后，才能登录。当管理系统客户端、设备型号、设备数量大量增长时，会造成门禁管理系统与门禁设备间的通信、运行非常复杂。
现有的门禁基本都是使用单个出入卡或者单个二维码的识别开启模式，由于IC会随时被借用或者被盗等，对进入人员的身份没能够进行唯一的确定。同时对于上班的高峰期，常常出现打卡排队的情况，非常的费时同时影响了工作人员通过门禁的效率。因此，需要设计一种更安全更自动化的门禁与考勤结合的一体化系统。
发明内容
本发明的目的在于提供一种基于区域终端的智慧考勤系统，解决背景技术中提到的技术问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于区域终端的智慧考勤系统，包括用户数据采集单元、管理员授权用户及数据绑定单元、数据管理单元、访问用户申请进出及信息采集单元、访问用户审批及虚拟卡生成单元、考勤机访问数据存储单元、数据下发缓存及分发管理单元、门禁控制单元、刷卡机单元和人脸识别及考勤点单元，所述用户数据采集单元与管理员授权用户及数据绑定单元连接，用户数据采集单元用于采集单位职员人脸信息、基本信息和分发出入卡，并把职员的人脸信息、基本信息和出入卡信息发给管理员授权用户及数据绑定单元进行审批，管理员授权用户及数据绑定单元与数据管理单元连接，管理员授权用户及数据绑定单元用于审批用户数据采集单元传入的职员信息，并分配权限，把审批后的信息和权限信息发给数据管理单元存储，访问用户申请进出及信息采集单元与访问用户审批及虚拟卡生成单元连接，访问用户申请进出及信息采集单元用于供单位外访问人员申请访问提交访问信息材料和采集访问人员人脸信息，并传给访问用户审批及虚拟卡生成单元，访问用户审批及虚拟卡生成单元对访问用户申请进出及信息采集单元传入的访问信息进行审批，并对审批通过后的访问返回访问码给访问用户申请进出及信息采集单元，访问用户审批及虚拟卡生成单元与考勤机访问数据存储单元连接，访问用户审批及虚拟卡生成单元把审批后的访问者的信息和访问码传给数据管理单元，数据管理单元与考勤机访问数据存储单元连接，数据管理单元把职员与访问者的人脸信息、职员与访问者的基本信息、职员出入卡信息和访问码传给考勤机访问数据存储单元，考勤机访问数据存储单元与外部的OA系统单元连接，考勤机访问数据存储单元与数据下发缓存及分发管理单元连接，考勤机访问数据存储单元将职员与访问者的人脸信息、职员出入卡信息和访问码传给数据下发缓存及分发管理单元，数据下发缓存及分发管理单元分别与门禁控制单元、刷卡机单元和人脸识别及考勤点单元连接，数据下发缓存及分发管理单元根据刷卡机单元和人脸识别及考勤点单元传回的识别信息控制门禁控制单元开启。
进一步地，用户数据采集单元包括身份证识别模块、出入卡生成模块和人脸图像采集模块，身份证识别模块用于识别职员的身份证信息，并与外部信息系统接口连接认证身份证信息，出入卡生成模块包括出入卡发卡机、出入卡写卡装置和触摸屏，触摸屏用于输入职员的权限信息，然后出入卡写卡装置根据权限信息写入到出入卡，出入卡发卡机把出入卡吐出，人脸图像采集模块用于采集职员的人脸信息。
进一步地，访问用户申请进出及信息采集单元包括访问用户申请界面模块、身份证信息识别模块、虚拟卡获取模块和访问用户人脸采集模块，访问用户申请界面模块用于供访问用户输入访问信息和身份证信息，并把身份证信息传给身份证信息识别模块，身份证信息识别模块与外部信息系统接口连接，并把身份证信息传入进行认证，访问用户人脸采集模块用于采集访问用户的人脸信息，虚拟卡获取模块用于获取审批后返回的访问码。
进一步地，人脸识别及考勤点单元包括人脸识别摄像站、人脸识别摄像集群构建模块、人脸识别范围人脸识别范围计算模块与摄像站人脸识别数量分配模块，人脸识别范围人脸识别范围计算模块与摄像站人脸识别数量分配模块用于根据人脸考勤的地点和门禁地点设计若干个人脸识别摄像站，人脸识别摄像集群构建模块与人人脸识别范围人脸识别范围计算模块连接，人脸识别摄像集群构建模块根据人脸识别摄像站的位置信息和识别半径构建人脸识别摄像集群，人脸识别范围人脸识别范围计算模块与摄像站人脸识别数量分配模块连接，人脸识别范围人脸识别范围计算模块用于计算构建人脸识别摄像集群的人脸识别范围，人脸识别摄像集群构建模块用于根据每个人脸识别摄像站的识别能力分配识别人数，人脸识别摄像站包括若干个摄像头，一个考勤点设置有两种以上摄像头。
进一步地，人脸识别及考勤点单元识别人脸的过程包括如下步骤：
步骤1：设计若干个人脸识别摄像站，人脸识别摄像站的个数与人脸考勤的地点和门禁地点位置宽度成正比，每个人脸识别摄像站的摄像头的摄像面均在同一个平面上，人脸识别摄像站与人脸识别摄像站的摄像面为平行或者成小于45°夹角结构面，根据人脸识别摄像站的位置信息和识别半径构建人脸识别摄像集群；
步骤2：计算构建人脸识别摄像集群的人脸识别范围；
步骤3：根据每个人脸识别摄像站的识别能力分配识别人数；
步骤4：将分配到的识别人数进行识别，并上传识别结果给数据下发缓存及分发管理单元。
进一步地，步骤1中构建人脸识别摄像集群的具体过程为：
步骤1.1：给定大小为n的人脸识别摄像站对象数据集，令I＝1，选取k个初始聚类中心Zj(I)，j＝1，2，3，…，k，k为正整数；
步骤1.2：计算每个人脸识别摄像站与聚类中心的距离D(xi,Zj(I))，i＝1，2，3，…，k，如果满足D(xi,Zk(I))＝min{D(xi,Zj(I)),i＝1,2,3,…n}则xi∈Ck；
步骤1.3：计算k个新的聚类中心，
Figure RE-GDA0003482803090000031
即取聚类中所有元素各自维度的距离；
步骤1.4：判断Zj(I+1)≠Zj(I)，j＝1，2，3，…，k，则I＝I+1，返回步骤2.2，否则进入下一步；
步骤1.5：人脸识别摄像站聚类距离的确定，具体算式如下：
Figure RE-GDA0003482803090000041
其中，x1为识别点构建的X坐标、x2为识别点构建的Y坐标、x3为平均辐射半径，将x1、x2和x3代入K-means算法进行计算，得出的聚类结果即为人脸识别摄像站的人脸识别摄像集群。
进一步地，步骤2的具体过程为，
步骤2.1:计算两两人脸识别摄像站间的直线距离，此处的距离为识别面的距离；
步骤2.2:计算人脸识别摄像站断裂点；公式为：
Figure RE-GDA0003482803090000042
其中，Lik为第i个人脸识别摄像站到断裂点k的距离；Mi、Mj为人脸识别摄像站i、j识别性能，设定用人脸识别摄像站的每天平均人脸识别量来表示，初始使用设定考勤量来表示，Lij为人脸识别摄像站i、j的距离；
步骤2.3:计算人脸识别摄像站的识别面场强，公式为：
Figure RE-GDA0003482803090000043
其中，Fik为第i个人脸识别摄像站在k点处的人脸识别速度大小；
步骤2.4:计算人脸识别摄像站的识别半径，公式为：
Figure RE-GDA0003482803090000044
其中，Rik为第i个人脸识别摄像站在k点处的辐射半径；
步骤2.5:计算人脸识别摄像站平均识别半径，公式为：
Figure RE-GDA0003482803090000045
进一步地，步骤3中，分配识别人数的分配指标体系包括人脸识别摄像站人脸识别能力、人脸识别摄像站利用率和人脸识别摄像站地位，人脸识别摄像站人脸识别能力包括含平均识别半径和每天平均识别人脸数量，人脸识别摄像站利用率包括摄像头图像识别运行时间利用率和人脸识别摄像站同时识别人脸数量与人脸识别摄像站同时顶级人脸识别量的比例，人脸识别摄像站地位包括相对度数中心度、相对接近中心度和相对特征向量中心度；
摄像头图像识别运行时间利用率具体构建过程为，如下式，
Figure RE-GDA0003482803090000051
式中Pt表示不同人脸识别摄像站的摄像头平均运行时间利用率，Tm表示人脸识别摄像站每天累计运行时间，Mi表示对应摄像头的数量，Td表示每天每个摄像头计划营运时间，n表示每天的考勤次数；
人脸识别摄像站同时识别人脸数量与人脸识别摄像站同时顶级人脸识别量的比例的构建过程为，
Figure RE-GDA0003482803090000052
式中Qt表示不同人脸识别摄像站的摄像头平均运行时间利用率，Qm表示人脸识别摄像站每天平均识别人脸数量，
Figure RE-GDA0003482803090000053
是统计不同种类型摄像头识别人脸数量的比例系数，Tj表示不同摄像头的额定识别人脸数量，Mi表示对应摄像头的数量，N表示对应摄像头处理运行的频次；
人脸识别摄像站根据所识别面的位置人走过的次数竞合得到的相对度数中心度、相对接近中心度和相对特征向量中心度，构建人脸识别摄像站基于识别面人走过的频率次数竞合的社会网络，首先建立人脸识别摄像站与识别面人走过次数的二阶发生网络，二阶发生网络形成一个原始网络邻接矩阵为R′，人脸识别摄像站数为n，识别面出现的人数为m，其中矩阵元素为，
Figure RE-GDA0003482803090000054
其中i＝1,2,…,n；j＝1,2,…,m；
将二阶发生网络转为一阶网络进行分析，根据点对之间的关系，将人脸识别摄像站与识别面出现人员年龄关系用对应乘积法转化成人脸识别摄像站与人脸识别摄像站之间的一阶网络矩阵，人脸识别摄像站与人脸识别摄像站关系测量的是人脸识别摄像站之间识别面共同出现年龄段的人员，设转化生成基于年龄段结构竞合关系的一阶网络矩阵的人脸识别摄像站与人脸识别摄像站的网络的邻接矩阵为Rh，其中元素为
Figure RE-GDA0003482803090000061
定义为人脸识别摄像站人员年龄段结构竞合系数，该矩阵Rh对应的网络，称之为人脸识别摄像站人员年龄段结构竞合关系子网；
点度中心度是网络中与该点有直接联系的点的数目，用来衡量个体在网络中居于中心的地位，即为人脸识别摄像站的识别面出现人员的数量，分为绝对度数中心度和相对度数中心度，相对度数中心度便于大小不同的网络之间的对比，其公式表示为：
Figure RE-GDA0003482803090000062
式中，g为网络由g个结点组成，ni表示第i个结点，nj表示第j个结点；
接近中心度通过计算结点与其他结点的距离来看结点的中心性，网络中结点的接近中心度与其他结点的捷径距离之和成反比，如果一个点通过短的路径与其他点相连，则该点具有好的接近中心性，相对接近中心度公式表示为：
Figure RE-GDA0003482803090000063
式中，g为网络由g个点组成，ni表示第i个结点，nj表示第j个结点；
特征向量中心度是通过相邻点的重要性来衡量该点的价值，强调结点在网络中的价值，网络中结点的价值通过近邻点来决定，相对特征向量公式表示为：
Figure RE-GDA0003482803090000064
式中，g为网络由g个点组成，rij是网络的邻接矩阵，λ为常数；
建立人脸识别摄像站与人脸识别摄像站内存储的人脸数据的数据二阶网络，将数据二阶网络形成一个原始的网络邻接矩阵R″，人脸识别摄像站数为n，人脸数据的数为m，转化生成基于人脸数据竞合的人脸识别摄像站与人脸识别摄像站数据一阶网络，邻接矩阵为Rk，设定人脸识别摄像站人脸数据竞合系数，该矩阵Rk对应的网络，称之为人脸识别摄像站人脸数据资源竞合关系子网，人脸识别摄像站人脸数据资源竞合关系子网中的人脸识别摄像站的相对点度中心度同样根据公式
Figure RE-GDA0003482803090000065
进行求解，而相对特征向量中心度根据公式
Figure RE-GDA0003482803090000066
进行求解。
进一步地，分配识别人数的分配博弈特征函数为：
Figure RE-GDA0003482803090000067
其中，xs表示摄像头全部联合混合策略的全体，xN/S表示N/S中摄像头全部联合或者策略的全体，ui(x,y)表示博弈方i对应策略组合x,y的期望分配人脸比列数量，即为同一时间考勤点出现人员的占比，对于n个摄像头联盟博弈中的子联盟S∈P(N)，联盟成员协同后可收获的最大联盟总效用，记为v(S)，一个联盟能给出的所有v(S)，构成了一个P(N)→R的实值函数；
分配的特征函数表示为：
Figure RE-GDA0003482803090000071
其中，
Figure RE-GDA0003482803090000072
中的
Figure RE-GDA0003482803090000073
是人脸识别摄像站之间基于人脸识别摄像站人脸数据资源的竞合系数，即子联盟内的人脸识别摄像站通过对人脸数据资源竞合产生相互联系，决定人脸识别摄像站对人脸识别摄像站子联盟的效用贡献程度，
Figure RE-GDA0003482803090000074
代表人脸识别摄像站i的资源效用和，Rij是效用指标标准化后的值，Ri1代表人脸识别摄像站自身识别半径，Ri2代表人脸识别摄像站每天识别量，
Figure RE-GDA0003482803090000075
代表人脸识别摄像站i的识别水平，Sij是效用指标标准化后的值，包含人脸识别摄像站的摄像头图像识别运行时间利用率，人脸识别摄像站同时识别人脸数量与人脸识别摄像站同时顶级人脸识别量的比例，
Figure RE-GDA0003482803090000076
代表人脸识别摄像站i的网络结构效用，Cij是效用指标准化后的值，Ci1代表人脸识别摄像站社会网络结构效用识别面人员年龄段竞合子网中相对度数中心度，Ci2代表识别面人员年龄段竞合子网中相对接近中心度，Ci3代表识别面人员年龄段竞合子网中相对特征向量中心度，Ci4代表人脸数据资源竞合子网中相对度数中心度，Ci5代表人脸数据资源竞合子网中相对特征向量中心度，需要注意的是当i在子联盟网络中为孤立结点时联盟效用为0。
进一步地，分配识别人数过程即为分配Shapely值过程，Shapely值给出合作博弈<N,v>中，博弈方摄像头i的效用，即博弈方摄像头i对每一个它所参与的摄像头子联盟的边际贡献的期望值，博弈方i的Shapely值计算公式如下：
Figure RE-GDA0003482803090000077
博弈方人脸识别摄像站以随机的顺序形成子联盟，且任何一种顺序发生的概率相同，为
Figure RE-GDA0003482803090000078
博弈方摄像头i与其前面的(|S|-1)个摄像头形成联盟S，则摄像头i对该联盟的边际贡献为v(S)-v(S-i)，S/i和N/S的博弈方摄像头相继排列次序共有(|S|-1)！(n-|S|)！种，故组成各个联盟的概率为
Figure RE-GDA0003482803090000079
最后乘起来即为i的分配识别人数值，该数值为一个时间点的占比数值；
分配识别人数的流程为，输入协同识别联盟矩阵以及联盟效用指标原始数据，将效用指标原始数据进行标准化，从协同识别联盟中提取成员组成所有合作博弈人脸识别摄像站组合，通过特征函数计算每一种组合效用，并存入组合，计算每种组合内每个人脸识别摄像站Shapely值累加和，通过Shapely 值利益分配函数计算每个人脸识别摄像站的Shapely值。
本系统将代替企业原有的各种卡证，满足员工的工作、生活和日常的管理，在服务上更加人性化，并能够降低企业持续性投入，原有的企业卡证的使用的成本存在重复投资的问题，而本系统降低了管理成本。采用总线集成技术和信息集成技术，将智慧园区等多个管理子系统的权限集成在一起，并通过内部网络来实现多个系统的信息资源共享，从而为企业提升管理便利的同时，也能为员工带来更贴心的服务。
在门禁的开启上，需要人脸和识别的门禁卡相同后，门禁才开启，避免了门禁卡被盗用或者借用的问题。
本发明由于采用了上述技术方案，具有以下有益效果：
本发明可以自动化的对进入公司的考勤区域内自动人脸识别考勤，避免出现一些职员忘记打卡和指纹打卡等接触式和排队等问题的出现，同时可以在对方位人员进行人脸识别，可以识别出访问人员与原始申请人员是否一致，具有安全性更高，更加的方便，避免了出入卡被盗用或者借用的问题，同时通过搞精度的分配算法，每个摄像头都能够发挥到最优的状态，实现对人数多的考勤点进行合理的分配，快速精准的考勤，实现对不同身高或者侧脸进出考勤点都能够进行考勤，考勤效果解决了现有的人脸考勤的缺陷。
附图说明
图1是本发明系统框图；
图2是本发明用户数据采集单元模块框图；
图3是本发明访问用户申请进出及信息采集单元；
图4是本发明摄像站结构示意图；
图5是本发明人脸识别及考勤点单元模块框图；
图6是本发明人脸自动识别过程流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
如图1所示，一种基于区域终端的智慧考勤系统，包括用户数据采集单元、管理员授权用户及数据绑定单元、数据管理单元、访问用户申请进出及信息采集单元、访问用户审批及虚拟卡生成单元、考勤机访问数据存储单元、数据下发缓存及分发管理单元、门禁控制单元、刷卡机单元和人脸识别及考勤点单元，所述用户数据采集单元与管理员授权用户及数据绑定单元连接，用户数据采集单元用于采集单位职员人脸信息、基本信息和分发出入卡，并把职员的人脸信息、基本信息和出入卡信息发给管理员授权用户及数据绑定单元进行审批，管理员授权用户及数据绑定单元与数据管理单元连接，管理员授权用户及数据绑定单元用于审批用户数据采集单元传入的职员信息，并分配权限，把审批后的信息和权限信息发给数据管理单元存储，访问用户申请进出及信息采集单元与访问用户审批及虚拟卡生成单元连接，访问用户申请进出及信息采集单元用于供单位外访问人员申请访问提交访问信息材料和采集访问人员人脸信息，并传给访问用户审批及虚拟卡生成单元，访问用户审批及虚拟卡生成单元对访问用户申请进出及信息采集单元传入的访问信息进行审批，并对审批通过后的访问返回访问码给访问用户申请进出及信息采集单元，访问用户审批及虚拟卡生成单元与考勤机访问数据存储单元连接，访问用户审批及虚拟卡生成单元把审批后的访问者的信息和访问码传给数据管理单元，数据管理单元与考勤机访问数据存储单元连接，数据管理单元把职员与访问者的人脸信息、职员与访问者的基本信息、职员出入卡信息和访问码传给考勤机访问数据存储单元，考勤机访问数据存储单元与外部的OA 系统单元连接，考勤机访问数据存储单元与数据下发缓存及分发管理单元连接，考勤机访问数据存储单元将职员与访问者的人脸信息、职员出入卡信息和访问码传给数据下发缓存及分发管理单元，数据下发缓存及分发管理单元分别与门禁控制单元、刷卡机单元和人脸识别及考勤点单元连接，数据下发缓存及分发管理单元根据刷卡机单元和人脸识别及考勤点单元传回的识别信息控制门禁控制单元开启。
用户数据采集单元是用于给公司新入职的人员信息录入，或者系统刚安装时，所有职员的信息录入。该系统可以使用在烟草公司等领域，可以更安全，更自动化的关系公司的整个园区的区域。
管理员授权用户及数据绑定单元一般是人事的管理层和总经理进行审批，有人事审批后，再由总经理审批，根据不同的权限可以进入不同的区域，也就是公式内部，不如电梯等，一些楼层没有权限无法上去。楼梯内也设置有摄像头站点进行自动的人脸识别，也就是说在人员上电梯时，需要刷出入卡，同时刷卡的人员需要人脸匹配对后才可以上。
数据管理单元为一个服务器，是一个外部无法方位的服务器，只能往外传数据，是的更加的安全。访问用户申请进出及信息采集单元一般是安装在手机移动端的网页或者微信小程序的模式进行供用户申请。访问用户审批及虚拟卡生成单元，为人事领导审批，审批时需要跟内部OA系统的访问部门进行核对后才能审批。考勤机访问数据存储单元主要是作为一个中间数据存储的服务器，可以进行方位。数据下发缓存及分发管理单元，作为一个控制器记性数据的分发和控制的而管理。
本发明实施例中，如图2所示，用户数据采集单元包括身份证识别模块、出入卡生成模块和人脸图像采集模块，身份证识别模块用于识别职员的身份证信息，并与外部信息系统接口连接认证身份证信息，出入卡生成模块包括出入卡发卡机、出入卡写卡装置和触摸屏，触摸屏用于输入职员的权限信息，然后出入卡写卡装置根据权限信息写入到出入卡，出入卡发卡机把出入卡吐出，人脸图像采集模块用于采集职员的人脸信息。
本发明实施例中，如图3所示，访问用户申请进出及信息采集单元包括访问用户申请界面模块、身份证信息识别模块、虚拟卡获取模块和访问用户人脸采集模块，访问用户申请界面模块用于供访问用户输入访问信息和身份证信息，并把身份证信息传给身份证信息识别模块，身份证信息识别模块与外部信息系统接口连接，并把身份证信息传入进行认证，访问用户人脸采集模块用于采集访问用户的人脸信息，虚拟卡获取模块用于获取审批后返回的访问码。
本发明实施例中，如图4-5所示，人脸识别及考勤点单元包括人脸识别摄像站、人脸识别摄像集群构建模块、人脸识别范围人脸识别范围计算模块与摄像站人脸识别数量分配模块，人脸识别范围人脸识别范围计算模块与摄像站人脸识别数量分配模块用于根据人脸考勤的地点和门禁地点设计若干个人脸识别摄像站，人脸识别摄像集群构建模块与人人脸识别范围人脸识别范围计算模块连接，人脸识别摄像集群构建模块根据人脸识别摄像站的位置信息和识别半径构建人脸识别摄像集群，人脸识别范围人脸识别范围计算模块与摄像站人脸识别数量分配模块连接，人脸识别范围人脸识别范围计算模块用于计算构建人脸识别摄像集群的人脸识别范围，人脸识别摄像集群构建模块用于根据每个人脸识别摄像站的识别能力分配识别人数，人脸识别摄像站包括若干个摄像头，一个考勤点设置有两种以上摄像头。
人脸识别及考勤点单元识别人脸的过程包括如下步骤：
步骤1：设计若干个人脸识别摄像站，人脸识别摄像站的个数与人脸考勤的地点和门禁地点位置宽度成正比，每个人脸识别摄像站的摄像头的摄像面均在同一个平面上，人脸识别摄像站与人脸识别摄像站的摄像面为平行或者成小于45°夹角结构面，根据人脸识别摄像站的位置信息和识别半径构建人脸识别摄像集群。
步骤1中构建人脸识别摄像集群的具体过程为：
步骤1.1：给定大小为n的人脸识别摄像站对象数据集，令I＝1，选取k个初始聚类中心Zj(I)，j＝1，2，3，…，k，k为正整数；
步骤1.2：计算每个人脸识别摄像站与聚类中心的距离D(xi,Zj(I))，i＝1，2，3，…，k，如果满足D(xi,Zk(I))＝min{D(xi,Zj(I)),i＝1,2,3,…n}则xi∈Ck；
步骤1.3：计算k个新的聚类中心，
Figure RE-GDA0003482803090000111
即取聚类中所有元素各自维度的距离；
步骤1.4：判断Zj(I+1)≠Zj(I)，j＝1，2，3，…，k，则I＝I+1，返回步骤2.2，否则进入下一步；
步骤1.5：人脸识别摄像站聚类距离的确定，具体算式如下：
Figure RE-GDA0003482803090000112
其中，x1为识别点构建的X坐标、x2为识别点构建的Y坐标、x3为平均辐射半径，将x1、x2和x3代入K-means算法进行计算，得出的聚类结果即为人脸识别摄像站的人脸识别摄像集群。
步骤2：计算构建人脸识别摄像集群的人脸识别范围。
步骤2.1:计算两两人脸识别摄像站间的直线距离，此处的距离为识别面的距离；
步骤2.2:计算人脸识别摄像站断裂点；公式为：
Figure RE-GDA0003482803090000121
其中，Lik为第i个人脸识别摄像站到断裂点k的距离；Mi、Mj为人脸识别摄像站i、j识别性能，设定用人脸识别摄像站的每天平均人脸识别量来表示，初始使用设定考勤量来表示，Lij为人脸识别摄像站i、j的距离；
步骤2.3:计算人脸识别摄像站的识别面场强，公式为：
Figure RE-GDA0003482803090000122
其中，Fik为第i个人脸识别摄像站在k点处的人脸识别速度大小；
步骤2.4:计算人脸识别摄像站的识别半径，公式为：
Figure RE-GDA0003482803090000123
其中，Rik为第i个人脸识别摄像站在k点处的辐射半径；
步骤2.5:计算人脸识别摄像站平均识别半径，公式为：
Figure RE-GDA0003482803090000124
步骤3：根据每个人脸识别摄像站的识别能力分配识别人数。
步骤3中，分配识别人数的分配指标体系包括人脸识别摄像站人脸识别能力、人脸识别摄像站利用率和人脸识别摄像站地位，人脸识别摄像站人脸识别能力包括含平均识别半径和每天平均识别人脸数量，人脸识别摄像站利用率包括摄像头图像识别运行时间利用率和人脸识别摄像站同时识别人脸数量与人脸识别摄像站同时顶级人脸识别量的比例，人脸识别摄像站地位包括相对度数中心度、相对接近中心度和相对特征向量中心度；
摄像头图像识别运行时间利用率具体构建过程为，如下式，
Figure RE-GDA0003482803090000125
式中Pt表示不同人脸识别摄像站的摄像头平均运行时间利用率，Tm表示人脸识别摄像站每天累计运行时间，Mi表示对应摄像头的数量，Td表示每天每个摄像头计划营运时间，n表示每天的考勤次数；
人脸识别摄像站同时识别人脸数量与人脸识别摄像站同时顶级人脸识别量的比例的构建过程为，
Figure RE-GDA0003482803090000131
式中Qt表示不同人脸识别摄像站的摄像头平均运行时间利用率，Qm表示人脸识别摄像站每天平均识别人脸数量，
Figure RE-GDA0003482803090000132
是统计不同种类型摄像头识别人脸数量的比例系数，Tj表示不同摄像头的额定识别人脸数量，Mi表示对应摄像头的数量，N表示对应摄像头处理运行的频次；
人脸识别摄像站根据所识别面的位置人走过的次数竞合得到的相对度数中心度、相对接近中心度和相对特征向量中心度，构建人脸识别摄像站基于识别面人走过的频率次数竞合的社会网络，首先建立人脸识别摄像站与识别面人走过次数的二阶发生网络，二阶发生网络形成一个原始网络邻接矩阵为R′，人脸识别摄像站数为n，识别面出现的人数为m，其中矩阵元素为，
Figure RE-GDA0003482803090000133
其中i＝1,2,…,n；j＝1,2,…,m；
将二阶发生网络转为一阶网络进行分析，根据点对之间的关系，将人脸识别摄像站与识别面出现人员年龄关系用对应乘积法转化成人脸识别摄像站与人脸识别摄像站之间的一阶网络矩阵，人脸识别摄像站与人脸识别摄像站关系测量的是人脸识别摄像站之间识别面共同出现年龄段的人员，设转化生成基于年龄段结构竞合关系的一阶网络矩阵的人脸识别摄像站与人脸识别摄像站的网络的邻接矩阵为Rh，其中元素为
Figure RE-GDA0003482803090000134
定义为人脸识别摄像站人员年龄段结构竞合系数，该矩阵Rh对应的网络，称之为人脸识别摄像站人员年龄段结构竞合关系子网；
点度中心度是网络中与该点有直接联系的点的数目，用来衡量个体在网络中居于中心的地位，即为人脸识别摄像站的识别面出现人员的数量，分为绝对度数中心度和相对度数中心度，相对度数中心度便于大小不同的网络之间的对比，其公式表示为：
Figure RE-GDA0003482803090000135
式中，g为网络由g个结点组成，ni表示第i个结点，nj表示第j个结点；
接近中心度通过计算结点与其他结点的距离来看结点的中心性，网络中结点的接近中心度与其他结点的捷径距离之和成反比，如果一个点通过短的路径与其他点相连，则该点具有好的接近中心性，相对接近中心度公式表示为：
Figure RE-GDA0003482803090000141
式中，g为网络由g个点组成，ni表示第i个结点，nj表示第j个结点；
特征向量中心度是通过相邻点的重要性来衡量该点的价值，强调结点在网络中的价值，网络中结点的价值通过近邻点来决定，相对特征向量公式表示为：
Figure RE-GDA0003482803090000142
式中，g为网络由g个点组成，rij是网络的邻接矩阵，λ为常数；
建立人脸识别摄像站与人脸识别摄像站内存储的人脸数据的数据二阶网络，将数据二阶网络形成一个原始的网络邻接矩阵R″，人脸识别摄像站数为n，人脸数据的数为m，转化生成基于人脸数据竞合的人脸识别摄像站与人脸识别摄像站数据一阶网络，邻接矩阵为Rk，设定人脸识别摄像站人脸数据竞合系数，该矩阵Rk对应的网络，称之为人脸识别摄像站人脸数据资源竞合关系子网，人脸识别摄像站人脸数据资源竞合关系子网中的人脸识别摄像站的相对点度中心度同样根据公式
Figure RE-GDA0003482803090000143
进行求解，而相对特征向量中心度根据公式
Figure RE-GDA0003482803090000144
进行求解。
分配识别人数的分配博弈特征函数为：
Figure RE-GDA0003482803090000145
其中，xs表示摄像头全部联合混合策略的全体，xN/S表示N/S中摄像头全部联合或者策略的全体，ui(x,y)表示博弈方i对应策略组合x,y的期望分配人脸比列数量，即为同一时间考勤点出现人员的占比，对于n个摄像头联盟博弈中的子联盟S∈P(N)，联盟成员协同后可收获的最大联盟总效用，记为v(S)，一个联盟能给出的所有v(S)，构成了一个P(N)→R的实值函数；
分配的特征函数表示为：
Figure RE-GDA0003482803090000146
其中，
Figure RE-GDA0003482803090000147
中的
Figure RE-GDA0003482803090000148
是人脸识别摄像站之间基于人脸识别摄像站人脸数据资源的竞合系数，即子联盟内的人脸识别摄像站通过对人脸数据资源竞合产生相互联系，决定人脸识别摄像站对人脸识别摄像站子联盟的效用贡献程度，
Figure RE-GDA0003482803090000149
代表人脸识别摄像站i的资源效用和，Rij是效用指标标准化后的值，Ri1代表人脸识别摄像站自身识别半径，Ri2代表人脸识别摄像站每天识别量，
Figure RE-GDA0003482803090000151
代表人脸识别摄像站i的识别水平，Sij是效用指标标准化后的值，包含人脸识别摄像站的摄像头图像识别运行时间利用率，人脸识别摄像站同时识别人脸数量与人脸识别摄像站同时顶级人脸识别量的比例，
Figure RE-GDA0003482803090000152
代表人脸识别摄像站i的网络结构效用，Cij是效用指标准化后的值，Ci1代表人脸识别摄像站社会网络结构效用识别面人员年龄段竞合子网中相对度数中心度，Ci2代表识别面人员年龄段竞合子网中相对接近中心度，Ci3代表识别面人员年龄段竞合子网中相对特征向量中心度，Ci4代表人脸数据资源竞合子网中相对度数中心度，Ci5代表人脸数据资源竞合子网中相对特征向量中心度，需要注意的是当i在子联盟网络中为孤立结点时联盟效用为0。
分配识别人数过程即为分配Shapely值过程，Shapely值给出合作博弈 <N,v>中，博弈方摄像头i的效用，即博弈方摄像头i对每一个它所参与的摄像头子联盟的边际贡献的期望值，博弈方i的Shapely值计算公式如下：
Figure RE-GDA0003482803090000153
博弈方人脸识别摄像站以随机的顺序形成子联盟，且任何一种顺序发生的概率相同，为
Figure RE-GDA0003482803090000154
博弈方摄像头i与其前面的(|S|-1)个摄像头形成联盟S，则摄像头i对该联盟的边际贡献为v(S)-v(S-i)，S/i和N/S的博弈方摄像头相继排列次序共有(|S|-1)！(n-|S|)！种，故组成各个联盟的概率为
Figure RE-GDA0003482803090000155
最后乘起来即为i的分配识别人数值，该数值为一个时间点的占比数值；
分配识别人数的流程为，输入协同识别联盟矩阵以及联盟效用指标原始数据，将效用指标原始数据进行标准化，从协同识别联盟中提取成员组成所有合作博弈人脸识别摄像站组合，通过特征函数计算每一种组合效用，并存入组合，计算每种组合内每个人脸识别摄像站Shapely值累加和，通过Shapely 值利益分配函数计算每个人脸识别摄像站的Shapely值。
步骤4：将分配到的识别人数进行识别，并上传识别结果给数据下发缓存及分发管理单元。将识别的人脸数据进行判断，判断为本公司的员工，同时在考勤的时间范围内时，同时首次识别，就是首次出现设定为考勤识别，其它的不作为考勤识别。然后如果是访问者，经过人脸识别后，然后人脸与刷出入卡对应后才能开启门禁，使得门禁管理更加的安全。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于区域终端的智慧考勤系统，其特征在于：包括用户数据采集单元、管理员授权用户及数据绑定单元、数据管理单元、访问用户申请进出及信息采集单元、访问用户审批及虚拟卡生成单元、考勤机访问数据存储单元、数据下发缓存及分发管理单元、门禁控制单元、刷卡机单元和人脸识别及考勤点单元，所述用户数据采集单元与管理员授权用户及数据绑定单元连接，用户数据采集单元用于采集单位职员人脸信息、基本信息和分发出入卡，并把职员的人脸信息、基本信息和出入卡信息发给管理员授权用户及数据绑定单元进行审批，管理员授权用户及数据绑定单元与数据管理单元连接，管理员授权用户及数据绑定单元用于审批用户数据采集单元传入的职员信息，并分配权限，把审批后的信息和权限信息发给数据管理单元存储，访问用户申请进出及信息采集单元与访问用户审批及虚拟卡生成单元连接，访问用户申请进出及信息采集单元用于供单位外访问人员申请访问提交访问信息材料和采集访问人员人脸信息，并传给访问用户审批及虚拟卡生成单元，访问用户审批及虚拟卡生成单元对访问用户申请进出及信息采集单元传入的访问信息进行审批，并对审批通过后的访问返回访问码给访问用户申请进出及信息采集单元，访问用户审批及虚拟卡生成单元与考勤机访问数据存储单元连接，访问用户审批及虚拟卡生成单元把审批后的访问者的信息和访问码传给数据管理单元，数据管理单元与考勤机访问数据存储单元连接，数据管理单元把职员与访问者的人脸信息、职员与访问者的基本信息、职员出入卡信息和访问码传给考勤机访问数据存储单元，考勤机访问数据存储单元与外部的OA系统单元连接，考勤机访问数据存储单元与数据下发缓存及分发管理单元连接，考勤机访问数据存储单元将职员与访问者的人脸信息、职员出入卡信息和访问码传给数据下发缓存及分发管理单元，数据下发缓存及分发管理单元分别与门禁控制单元、刷卡机单元和人脸识别及考勤点单元连接，数据下发缓存及分发管理单元根据刷卡机单元和人脸识别及考勤点单元传回的识别信息控制门禁控制单元开启。
2.根据权利要求1所述的一种基于区域终端的智慧考勤系统，其特征在于：用户数据采集单元包括身份证识别模块、出入卡生成模块和人脸图像采集模块，身份证识别模块用于识别职员的身份证信息，并与外部信息系统接口连接认证身份证信息，出入卡生成模块包括出入卡发卡机、出入卡写卡装置和触摸屏，触摸屏用于输入职员的权限信息，然后出入卡写卡装置根据权限信息写入到出入卡，出入卡发卡机把出入卡吐出，人脸图像采集模块用于采集职员的人脸信息。
3.根据权利要求1所述的一种基于区域终端的智慧考勤系统，其特征在于：访问用户申请进出及信息采集单元包括访问用户申请界面模块、身份证信息识别模块、虚拟卡获取模块和访问用户人脸采集模块，访问用户申请界面模块用于供访问用户输入访问信息和身份证信息，并把身份证信息传给身份证信息识别模块，身份证信息识别模块与外部信息系统接口连接，并把身份证信息传入进行认证，访问用户人脸采集模块用于采集访问用户的人脸信息，虚拟卡获取模块用于获取审批后返回的访问码。
4.根据权利要求1所述的一种基于区域终端的智慧考勤系统，其特征在于：人脸识别及考勤点单元包括人脸识别摄像站、人脸识别摄像集群构建模块、人脸识别范围人脸识别范围计算模块与摄像站人脸识别数量分配模块，人脸识别范围人脸识别范围计算模块与摄像站人脸识别数量分配模块用于根据人脸考勤的地点和门禁地点设计若干个人脸识别摄像站，人脸识别摄像集群构建模块与人人脸识别范围人脸识别范围计算模块连接，人脸识别摄像集群构建模块根据人脸识别摄像站的位置信息和识别半径构建人脸识别摄像集群，人脸识别范围人脸识别范围计算模块与摄像站人脸识别数量分配模块连接，人脸识别范围人脸识别范围计算模块用于计算构建人脸识别摄像集群的人脸识别范围，人脸识别摄像集群构建模块用于根据每个人脸识别摄像站的识别能力分配识别人数，人脸识别摄像站包括若干个摄像头，一个考勤点设置有两种以上摄像头。
5.根据权利要求4所述的一种基于区域终端的智慧考勤系统，其特征在于，人脸识别及考勤点单元识别人脸的过程包括如下步骤：
步骤1：设计若干个人脸识别摄像站，人脸识别摄像站的个数与人脸考勤的地点和门禁地点位置宽度成正比，每个人脸识别摄像站的摄像头的摄像面均在同一个平面上，人脸识别摄像站与人脸识别摄像站的摄像面为平行或者成小于45°夹角结构面，根据人脸识别摄像站的位置信息和识别半径构建人脸识别摄像集群；
步骤2：计算构建人脸识别摄像集群的人脸识别范围；
步骤3：根据每个人脸识别摄像站的识别能力分配识别人数；
步骤4：将分配到的识别人数进行识别，并上传识别结果给数据下发缓存及分发管理单元。
6.根据权利要求5所述的一种基于区域终端的智慧考勤系统，其特征在于，步骤1中构建人脸识别摄像集群的具体过程为：
步骤1.1：给定大小为n的人脸识别摄像站对象数据集，令I＝1，选取k个初始聚类中心Zj(I)，j＝1，2，3，…，k，k为正整数；
步骤1.2：计算每个人脸识别摄像站与聚类中心的距离D(xi,Zj(I))，i＝1，2，3，…，k，如果满足D(xi,Zk(I))＝min{D(xi,Zj(I)),i＝1,2,3,…n}则xi∈Ck；
步骤1.3：计算k个新的聚类中心，
Figure RE-FDA0003482803080000031
即取聚类中所有元素各自维度的距离；
步骤1.4：判断Zj(I+1)≠Zj(I)，j＝1，2，3，…，k，则I＝I+1，返回步骤2.2，否则进入下一步；
步骤1.5：人脸识别摄像站聚类距离的确定，具体算式如下：
Figure RE-FDA0003482803080000032
其中，x1为识别点构建的X坐标、x2为识别点构建的Y坐标、x3为平均辐射半径，将x1、x2和x3代入K-means算法进行计算，得出的聚类结果即为人脸识别摄像站的人脸识别摄像集群。
7.根据权利要求6所述的一种基于区域终端的智慧考勤系统，其特征在于：步骤2的具体过程为，
步骤2.1:计算两两人脸识别摄像站间的直线距离，此处的距离为识别面的距离；
步骤2.2:计算人脸识别摄像站断裂点；公式为：
Figure RE-FDA0003482803080000033
其中，Lik为第i个人脸识别摄像站到断裂点k的距离；Mi、Mj为人脸识别摄像站i、j识别性能，设定用人脸识别摄像站的每天平均人脸识别量来表示，初始使用设定考勤量来表示，Lij为人脸识别摄像站i、j的距离；
步骤2.3:计算人脸识别摄像站的识别面场强，公式为：
Figure RE-FDA0003482803080000034
其中，Fik为第i个人脸识别摄像站在k点处的人脸识别速度大小；
步骤2.4:计算人脸识别摄像站的识别半径，公式为：
Figure RE-FDA0003482803080000041
其中，Rik为第i个人脸识别摄像站在k点处的辐射半径；
步骤2.5:计算人脸识别摄像站平均识别半径，公式为：
Figure RE-FDA0003482803080000042
8.根据权利要求7所述的一种基于区域终端的智慧考勤系统，其特征在于：步骤3中，分配识别人数的分配指标体系包括人脸识别摄像站人脸识别能力、人脸识别摄像站利用率和人脸识别摄像站地位，人脸识别摄像站人脸识别能力包括含平均识别半径和每天平均识别人脸数量，人脸识别摄像站利用率包括摄像头图像识别运行时间利用率和人脸识别摄像站同时识别人脸数量与人脸识别摄像站同时顶级人脸识别量的比例，人脸识别摄像站地位包括相对度数中心度、相对接近中心度和相对特征向量中心度；
摄像头图像识别运行时间利用率具体构建过程为，如下式，
Figure RE-FDA0003482803080000043
式中Pt表示不同人脸识别摄像站的摄像头平均运行时间利用率，Tm表示人脸识别摄像站每天累计运行时间，Mi表示对应摄像头的数量，Td表示每天每个摄像头计划营运时间，n表示每天的考勤次数；
人脸识别摄像站同时识别人脸数量与人脸识别摄像站同时顶级人脸识别量的比例的构建过程为，
Figure RE-FDA0003482803080000044
式中Qt表示不同人脸识别摄像站的摄像头平均运行时间利用率，Qm表示人脸识别摄像站每天平均识别人脸数量，
Figure RE-FDA0003482803080000045
是统计不同种类型摄像头识别人脸数量的比例系数，Tj表示不同摄像头的额定识别人脸数量，Mi表示对应摄像头的数量，N表示对应摄像头处理运行的频次；
人脸识别摄像站根据所识别面的位置人走过的次数竞合得到的相对度数中心度、相对接近中心度和相对特征向量中心度，构建人脸识别摄像站基于识别面人走过的频率次数竞合的社会网络，首先建立人脸识别摄像站与识别面人走过次数的二阶发生网络，二阶发生网络形成一个原始网络邻接矩阵为R′，人脸识别摄像站数为n，识别面出现的人数为m，其中矩阵元素为，
Figure RE-FDA0003482803080000051
其中i＝1,2,…,n；j＝1,2,…,m；
将二阶发生网络转为一阶网络进行分析，根据点对之间的关系，将人脸识别摄像站与识别面出现人员年龄关系用对应乘积法转化成人脸识别摄像站与人脸识别摄像站之间的一阶网络矩阵，人脸识别摄像站与人脸识别摄像站关系测量的是人脸识别摄像站之间识别面共同出现年龄段的人员，设转化生成基于年龄段结构竞合关系的一阶网络矩阵的人脸识别摄像站与人脸识别摄像站的网络的邻接矩阵为Rh，其中元素为
Figure RE-FDA0003482803080000052
定义为人脸识别摄像站人员年龄段结构竞合系数，该矩阵Rh对应的网络，称之为人脸识别摄像站人员年龄段结构竞合关系子网；
点度中心度是网络中与该点有直接联系的点的数目，用来衡量个体在网络中居于中心的地位，即为人脸识别摄像站的识别面出现人员的数量，分为绝对度数中心度和相对度数中心度，相对度数中心度便于大小不同的网络之间的对比，其公式表示为：
Figure RE-FDA0003482803080000053
式中，g为网络由g个结点组成，ni表示第i个结点，nj表示第j个结点；
接近中心度通过计算结点与其他结点的距离来看结点的中心性，网络中结点的接近中心度与其他结点的捷径距离之和成反比，如果一个点通过短的路径与其他点相连，则该点具有好的接近中心性，相对接近中心度公式表示为：
Figure RE-FDA0003482803080000054
式中，g为网络由g个点组成，ni表示第i个结点，nj表示第j个结点；
特征向量中心度是通过相邻点的重要性来衡量该点的价值，强调结点在网络中的价值，网络中结点的价值通过近邻点来决定，相对特征向量公式表示为：
Figure RE-FDA0003482803080000055
式中，g为网络由g个点组成，rij是网络的邻接矩阵，λ为常数；
建立人脸识别摄像站与人脸识别摄像站内存储的人脸数据的数据二阶网络，将数据二阶网络形成一个原始的网络邻接矩阵R″，人脸识别摄像站数为n，人脸数据的数为m，转化生成基于人脸数据竞合的人脸识别摄像站与人脸识别摄像站数据一阶网络，邻接矩阵为Rk，设定人脸识别摄像站人脸数据竞合系数，该矩阵Rk对应的网络，称之为人脸识别摄像站人脸数据资源竞合关系子网，人脸识别摄像站人脸数据资源竞合关系子网中的人脸识别摄像站的相对点度中心度同样根据公式
Figure RE-FDA0003482803080000061
进行求解，而相对特征向量中心度根据公式
Figure RE-FDA0003482803080000062
进行求解。
9.根据权利要求8所述的一种基于区域终端的智慧考勤系统，其特征在于：分配识别人数的分配博弈特征函数为：
Figure RE-FDA0003482803080000063
其中，xs表示摄像头全部联合混合策略的全体，xN/S表示N/S中摄像头全部联合或者策略的全体，ui(x,y)表示博弈方i对应策略组合x,y的期望分配人脸比列数量，即为同一时间考勤点出现人员的占比，对于n个摄像头联盟博弈中的子联盟S∈P(N)，联盟成员协同后可收获的最大联盟总效用，记为v(S)，一个联盟能给出的所有v(S)，构成了一个P(N)→R的实值函数；
分配的特征函数表示为：
Figure RE-FDA0003482803080000064
其中，
Figure RE-FDA0003482803080000065
中的
Figure RE-FDA0003482803080000066
是人脸识别摄像站之间基于人脸识别摄像站人脸数据资源的竞合系数，即子联盟内的人脸识别摄像站通过对人脸数据资源竞合产生相互联系，决定人脸识别摄像站对人脸识别摄像站子联盟的效用贡献程度，
Figure RE-FDA0003482803080000067
代表人脸识别摄像站i的资源效用和，Rij是效用指标标准化后的值，Ri1代表人脸识别摄像站自身识别半径，Ri2代表人脸识别摄像站每天识别量，
Figure RE-FDA0003482803080000068
代表人脸识别摄像站i的识别水平，Sij是效用指标标准化后的值，包含人脸识别摄像站的摄像头图像识别运行时间利用率，人脸识别摄像站同时识别人脸数量与人脸识别摄像站同时顶级人脸识别量的比例，
Figure RE-FDA0003482803080000069
代表人脸识别摄像站i的网络结构效用，Cij是效用指标准化后的值，Ci1代表人脸识别摄像站社会网络结构效用识别面人员年龄段竞合子网中相对度数中心度，Ci2代表识别面人员年龄段竞合子网中相对接近中心度，Ci3代表识别面人员年龄段竞合子网中相对特征向量中心度，Ci4代表人脸数据资源竞合子网中相对度数中心度，Ci5代表人脸数据资源竞合子网中相对特征向量中心度，需要注意的是当i在子联盟网络中为孤立结点时联盟效用为0。
10.根据权利要求9所述的一种基于区域终端的智慧考勤系统，其特征在于：分配识别人数过程即为分配Shapely值过程，Shapely值给出合作博弈<N,v>中，博弈方摄像头i的效用，即博弈方摄像头i对每一个它所参与的摄像头子联盟的边际贡献的期望值，博弈方i的Shapely值计算公式如下：
Figure RE-FDA0003482803080000071
博弈方人脸识别摄像站以随机的顺序形成子联盟，且任何一种顺序发生的概率相同，为
Figure RE-FDA0003482803080000072
博弈方摄像头i与其前面的(|S|-1)个摄像头形成联盟S，则摄像头i对该联盟的边际贡献为v(S)-v(S-i)，S/i和N/S的博弈方摄像头相继排列次序共有(|S|-1)！(n-|S|)！种，故组成各个联盟的概率为
Figure RE-FDA0003482803080000073
最后乘起来即为i的分配识别人数值，该数值为一个时间点的占比数值；
分配识别人数的流程为，输入协同识别联盟矩阵以及联盟效用指标原始数据，将效用指标原始数据进行标准化，从协同识别联盟中提取成员组成所有合作博弈人脸识别摄像站组合，通过特征函数计算每一种组合效用，并存入组合，计算每种组合内每个人脸识别摄像站Shapely值累加和，通过Shapely值利益分配函数计算每个人脸识别摄像站的Shapely值。
CN202111159542.XA 2021-09-30 2021-09-30 一种基于区域终端的智慧考勤系统 Pending CN114140924A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111159542.XA CN114140924A (zh) 2021-09-30 2021-09-30 一种基于区域终端的智慧考勤系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111159542.XA CN114140924A (zh) 2021-09-30 2021-09-30 一种基于区域终端的智慧考勤系统

Publications (1)

Publication Number Publication Date
CN114140924A true CN114140924A (zh) 2022-03-04

Family

ID=80394138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111159542.XA Pending CN114140924A (zh) 2021-09-30 2021-09-30 一种基于区域终端的智慧考勤系统

Country Status (1)

Country Link
CN (1) CN114140924A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103246883A (zh) * 2013-05-20 2013-08-14 中国矿业大学(北京) 一种煤矿井下热红外图像人脸识别方法
CN110163155A (zh) * 2019-05-23 2019-08-23 北京旷视科技有限公司 人脸数据的处理方法、装置、电子设备及可读存储介质
CN111612943A (zh) * 2020-04-24 2020-09-01 上海图丽信息技术有限公司 一种人脸识别门禁考勤系统
CN111951424A (zh) * 2020-06-29 2020-11-17 山东汇佳软件科技股份有限公司 一种用于宿舍的智能管理系统
CN112149087A (zh) * 2020-08-24 2020-12-29 深圳达实软件有限公司 一种人脸权限快速授权方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103246883A (zh) * 2013-05-20 2013-08-14 中国矿业大学(北京) 一种煤矿井下热红外图像人脸识别方法
CN110163155A (zh) * 2019-05-23 2019-08-23 北京旷视科技有限公司 人脸数据的处理方法、装置、电子设备及可读存储介质
CN111612943A (zh) * 2020-04-24 2020-09-01 上海图丽信息技术有限公司 一种人脸识别门禁考勤系统
CN111951424A (zh) * 2020-06-29 2020-11-17 山东汇佳软件科技股份有限公司 一种用于宿舍的智能管理系统
CN112149087A (zh) * 2020-08-24 2020-12-29 深圳达实软件有限公司 一种人脸权限快速授权方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
武中凯 等: "《内陆型集装箱中心站中欧班列运输组织与优化》", 30 September 2019, 《上海交通大学出版社》, pages: 77 - 80 *

Similar Documents

Publication Publication Date Title
CN206946557U (zh) 一种银行金融云服务平台
CN107665419B (zh) 国家电网智慧工地管控平台的劳务实名制管理系统
CN110473323A (zh) 一种智慧小区管理方法及系统
CN112749413B (zh) 一种基于智慧园区管理的权限验证装置及方法
CN107016127A (zh) 一种基于生物识别技术的电子临时身份认证方法及系统
CN104240014B (zh) 一种在线式门禁控制方法及平台
CN101882260A (zh) 信访督办管理系统
CN106960409A (zh) 一种便捷的社会保障自助服务系统
CN106951967A (zh) 自助式废品回收交易系统
CN111538970B (zh) 一种基于智能化物联网的云平台系统
CN104240013A (zh) 一种门禁控制方法及门禁控制平台
CN107038509A (zh) 自助住宿管理系统
CN107909846A (zh) 一种停车数据获取方法及系统
CN115619134A (zh) 基于工程服务的技工平台构建方法及系统
CN106936842A (zh) 用户管理系统或方法
CN105225045A (zh) 一种基于用户id和指纹识别的移动考勤系统及考勤方法
CN107395634A (zh) 一种可穿戴设备的无口令身份认证方法
CN108924466A (zh) 一种基于多媒体技术的企业会议系统
CN109523665A (zh) 基于蓝牙通讯技术实现的智能门锁钥匙发卡平台
CN202205248U (zh) 访客智能安全管理装置
CN109726999A (zh) 一种家政服务卡管理系统
CN206886457U (zh) 一种智能化电梯使用和管理的运营控制系统
CN114140924A (zh) 一种基于区域终端的智慧考勤系统
CN201084203Y (zh) 无线指纹ic卡身份认证终端
CN110737918A (zh) 外部数据共享管理平台

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: 417000 No. 4099, Xinxing South Road, Louxing District, Loudi City, Hunan Province

Applicant after: Loudi City Company, Hunan Tobacco Co.

Applicant after: Hunan Cohen Information Technology Co.,Ltd.

Applicant after: Changsha Gigabit Information Technology Co.,Ltd.

Address before: 417000 No. 4099, Xinxing South Road, Louxing District, Loudi City, Hunan Province

Applicant before: Loudi City Company, Hunan Tobacco Co.

Country or region before: China

Applicant before: Hunan nade Cohen Information System Co.,Ltd.

Applicant before: Changsha Gigabit Information Technology Co.,Ltd.