CN117095436A - 企业员工信息智能管理系统及其方法 - Google Patents

企业员工信息智能管理系统及其方法 Download PDF

Info

Publication number
CN117095436A
CN117095436A CN202310973312.XA CN202310973312A CN117095436A CN 117095436 A CN117095436 A CN 117095436A CN 202310973312 A CN202310973312 A CN 202310973312A CN 117095436 A CN117095436 A CN 117095436A
Authority
CN
China
Prior art keywords
feature map
face
feature
classification
map
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
CN202310973312.XA
Other languages
English (en)
Inventor
叶晨珠
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 Yongguan Network Technology Co ltd
Original Assignee
Hangzhou Yongguan Network 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 Yongguan Network Technology Co ltd filed Critical Hangzhou Yongguan Network Technology Co ltd
Priority to CN202310973312.XA priority Critical patent/CN117095436A/zh
Publication of CN117095436A publication Critical patent/CN117095436A/zh
Pending legal-status Critical Current

Links

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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction
    • 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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本申请涉及智能识别领域，其具体地公开了一种企业员工信息智能管理系统及其方法，其采用基于深度学习的人工智能技术，通过对员工人脸特征和虹膜特征进行提取并融合以得到员工身份的相关信息，并根据相关身份信息完成对应员工上班打卡记录的功能。这样，可以有效记录员工考勤，避免其他方式易造成的错误、作弊等情况。

Description

企业员工信息智能管理系统及其方法
技术领域
本申请涉及智能识别领域，且更为具体地，涉及一种企业员工信息智能管理系统及其方法。
背景技术
企业员工信息管理是指对企业员工的基本信息、工作经历、薪酬、考勤、绩效等方面进行全面的管理和记录。这些信息对于企业的人力资源管理和运营至关重要。在现有的企业员工信息管理中，员工的考勤是非常重要的一部分，通常情况下，企业会使用专门的考勤系统来管理员工的考勤信息，企业会根据考勤信息来了解员工的工作状况，也会根据考勤信息进行相应的管理和决策。在实际应用中，员工考勤数据的收集存在一些问题，比如刷卡打卡容易出现员工作弊等问题，普通的人脸识别打卡受光线、角度等影响可能会导致识别出错，出现误打卡的情况。
因此，需要一种优化的企业员工信息智能管理方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种企业员工信息智能管理系统及其方法，其采用基于深度学习的人工智能技术，通过对员工人脸特征和虹膜特征进行提取并融合以得到员工身份的相关信息，并根据相关身份信息完成对应员工上班打卡记录的功能。这样，可以有效记录员工考勤，避免其他方式易造成的错误、作弊等情况。
根据本申请的一个方面，提供了一种企业员工信息智能管理系统，其包括：
人脸图像数据获取模块，用于获取由摄像头拍摄的人脸图像；
人脸特征提取模块，用于将所述人脸图像通过作为人脸检测网络的第一卷积神经网络模型以得到人脸特征图；
眼球区域提取模块，用于基于眼球在所述人脸图像中的位置，从所述人脸图像提取眼球区域；
区域图像增强模块，用于将所述眼球区域通过生成器以得到清晰度增强的生成眼球区域图像；
虹膜特征提取模块，用于将所述生成眼球区域图像通过具有显著性检测模块的第二卷积神经网络模型以得到虹膜特征图；
特征融合模块，用于融合所述人脸特征图和所述虹膜特征图以生成分类特征图；
人脸识别结果判断模块，用于将所述分类特征图通过分类器来进行分类，所述分类结果用于表示待检测人脸是否属于数据库中的对象；以及员工账号关联打卡模块，用于以所述对象所关联的账号来完成上班打卡。
在上述企业员工信息智能管理系统中，所述人脸特征提取模块，进一步用于：使用所述作为人脸检测网络的第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为人脸检测网络的第一卷积神经网络模型的最后一层的输出为所述人脸特征图，所述作为人脸检测网络的第一卷积神经网络模型的第一层的输入为所述人脸图像。
在上述企业员工信息智能管理系统中，所述区域图像增强模块，用于：将所述眼球区域输入所述生成器以由所述生成器对所述眼球区域进行反卷积处理以得到所述生成眼球区域图像。
在上述企业员工信息智能管理系统中，所述虹膜特征提取模块，包括：浅层特征提取单元，用于在所述第二卷积神经网络模型的浅层添加显著性特征检测器以得到浅层特征图；深层特征提取单元，用于从所述第二卷积神经网络模型的最后一层得到深层特征图；注意力掩码图生成单元，用于计算所述浅层特征图与所述深层特征图之间的按位置距离以生成注意力掩码图；以及，虹膜特征图生成单元，用于将所述注意力掩码图与所述深层特征图进行按位置点乘以得到所述虹膜特征图。
在上述企业员工信息智能管理系统中，所述特征融合模块，包括:KL散度值计算单元，用于计算所述人脸特征图的沿通道维度的各个特征矩阵与所述虹膜特征图的沿通道维度的各个特征矩阵之间的KL散度以得到多个KL散度值；几何相似度计算单元，用于计算所述多个KL散度值的加和值作为所述人脸特征图的沿通道维度的各个特征矩阵相对于所述虹膜特征图的全局特征分布的几何相似度；几何相似度排列单元，用于将所述人脸特征图的沿通道维度的各个特征矩阵相对于所述虹膜特征图的全局特征分布的几何相似度排列为几何相似度全局输入向量；概率计算单元，用于将所述几何相似度全局输入向量输入Softmax函数以得到概率化几何相似度全局特征向量；以及，分类特征图生成单元，用于以所述概率化几何相似度全局特征向量中各个位置的特征值作为权重值来融合所述人脸特征图和所述虹膜特征图以得到所述分类特征图。
在上述企业员工信息智能管理系统中，所述人脸识别结果判断模块，用于：使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果；其中，所述分类公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(Fc)}
其中O为所述分类结果，Project(Fc)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量，softmax为归一化指数函数。
根据本申请的另一方面，提供了一种企业员工信息智能管理方法，其包括：
获取由摄像头拍摄的人脸图像；
将所述人脸图像通过作为人脸检测网络的第一卷积神经网络模型以得到人脸特征图；
基于眼球在所述人脸图像中的位置，从所述人脸图像提取眼球区域；
将所述眼球区域通过生成器以得到清晰度增强的生成眼球区域图像；
将所述生成眼球区域图像通过具有显著性检测模块的第二卷积神经网络模型以得到虹膜特征图；
融合所述人脸特征图和所述虹膜特征图以生成分类特征图；
将所述分类特征图通过分类器来进行分类，所述分类结果用于表示待检测人脸是否属于数据库中的对象；以及
以所述对象所关联的账号来完成上班打卡。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的企业员工信息智能管理方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的企业员工信息智能管理方法。
与现有技术相比，本申请提供的企业员工信息智能管理系统及其方法，其采用基于深度学习的人工智能技术，通过对员工人脸特征和虹膜特征进行提取并融合以得到员工身份的相关信息，并根据相关身份信息完成对应员工上班打卡记录的功能。这样，可以有效记录员工考勤，避免其他方式易造成的错误、作弊等情况。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用于提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的企业员工信息智能管理系统的系统框图。
图2为根据本申请实施例的企业员工信息智能管理系统的架构图。
图3为根据本申请实施例的企业员工信息智能管理系统中虹膜特征提取模块的框图。
图4为根据本申请实施例的企业员工信息智能管理系统中特征融合模块的框图。
图5为根据本申请实施例的企业员工信息智能管理方法的流程图。
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言，员工信息管理是对企业员工的各项数据进行全面管理和记录，包括基本信息、工作经历、薪酬、考勤、绩效信息等，这些信息对于企业的人力资源管理和运营至关重要。在目前的企业员工信息管理中，考勤是一个重要的方面，通常情况下，企业会采用专门的考勤系统来管理员工的考勤信息，以了解员工的工作状况，并做出相应的管理和决策。然而，在实际应用中，员工考勤数据的收集可能存在一些问题，例如刷卡打卡易出现作弊行为，普通的人脸识别打卡可能受光线和角度等因素的影响导致识别错误，进而引发误打卡的情况。因此，期待一种优化的企业员工信息管理方案。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为企业员工信息管理提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取由摄像头拍摄的人脸图像。应可以理解，人脸是每个人独特且易于被识别的生物特征之一，具有辨识度高、易于获取和识别的特点。获取人脸图像后可以将其通过人脸检测网络，提取出人脸的位置和特征，人脸特征和虹膜特征相结合可以与数据库中的已有的员工信息进行比对，从而实现员工身份的验证和识别。
接着，将所述人脸图像通过作为人脸检测网络的第一卷积神经网络模型以得到人脸特征图。本领域普通技术人员应该知晓，卷积神经网络在特征提取方面表现优异。第一卷积神经网络可以对人脸图像进行特征提取，提取出人脸特征图，它可以捕捉到人脸的细节和关键特征，如面部轮廓、眼睛、嘴巴等，这些特征图用于后续的人脸识别任务，可以实现准确性较高的员工身份认证。
同时，基于眼球在所述人脸图像中的位置，从所述人脸图像提取眼球区域。眼球是人脸的重要特征之一，并且每个人的眼球形状和位置都具有一定的独特性。通过提取眼球区域，可以获取与个体身份密切相关的特征信息。相比于其他的面部特征，眼球的位置在不同表情和角度的变化较小，因此，提取眼球区域可以提高识别的稳定性和准确性。与其他面部特征相比，眼球区域对于欺骗行为的抗攻击性更强。例如，戴口罩、化妆等方式可能改变嘴巴或者鼻子的外观，从而影响识别准确性，眼球区域相对较小且不容易被遮挡或干扰，能够提高识别的鲁棒性。
接着，将所述眼球区域通过生成器以得到清晰度增强的生成眼球区域图像。在原始的眼球区域图像中，可能存在一些噪声、模糊或者细节不清晰的情况，这些会导致提取到的特征不够清晰和可靠。通过将眼球区域图像输入到生成器中，可以利用生成器的能力对图像进行增强和修复。生成器是一种神经网络模型，它可以学习到图像的特征和结构，并生成更具有高质量的图像。通过生成器对眼球区域图像进行处理，可以增强图像的清晰度，使细节更加明显，噪声和模糊度得到减少。清晰度增强的眼球区域图像可以提供更好的视觉信息，有助于后续更好地提取虹膜特征。
然后，将所述生成眼球区域图像通过具有显著性检测模块的第二卷积神经网络模型以得到虹膜特征图。应可以理解，显著性检测模块可以帮助识别眼球区域中最具有显著性的特征，例如虹膜的边界和纹理等，这样，第二卷积神经网络模型可以更加关注这些显著特征，并提取出更具有代表性的虹膜特征图。通过这种方式，可以提高虹膜特征的可靠性和区分度。
进而，融合所述人脸特征图和所述虹膜特征图以生成分类特征图。人脸特征图中包含了人脸的各种特征，例如面部轮廓、眼睛、鼻子和嘴巴等，这些特征可以用于人脸识别和身份验证；虹膜特征图则包含了虹膜的独特纹理和结构信息，作为人眼中最稳定和独特的生物特征之一，可以用于更精确的身份验证，通过将人脸特征图和虹膜特征图进行融合，可以结合两者的优势，得到更全面和准确的分类特征图。最后，将所述分类特征图通过分类器以获得用于表示待检测人脸是否属于数据库中对象的分类结果，并以所述对象所关联的账号来完成上班打卡。
特别地，在本申请技术方案中，考虑到所述人脸特征图和所述虹膜特征图通常具有不同的尺度，直接融合可能会导致尺度不匹配，进而丢失部分信息或引入不必要的噪声。所述人脸特征图和所述虹膜特征图反映了不同的人体特征，直接融合可能会导致语义信息的混淆，使得融合后的特征向量失去原有的语义表达能力。所述人脸特征图和所述虹膜特征图可能对于特征的重要性有不同的权重分配，直接融合可能无法合理地融合两者的权重，导致信息的失衡。因此，为了避免信息的丢失或扭曲，基于所述人脸特征图相对于所述虹膜特征图的高维特征分布的几何相似度约束来融合所述人脸特征图和所述虹膜特征图以得到分类特征图。
具体地，在本申请技术方案中，融合所述人脸特征图和所述虹膜特征图以得到分类特征图，包括：计算所述人脸特征图的沿通道维度的各个特征矩阵与所述虹膜特征图的沿通道维度的各个特征矩阵之间的KL散度以得到多个KL散度值，并计算所述多个KL散度值的加和值作为所述人脸特征图的沿通道维度的各个特征矩阵相对于所述虹膜特征图的全局特征分布的几何相似度；将所述人脸特征图的沿通道维度的各个特征矩阵相对于所述虹膜特征图的全局特征分布的几何相似度排列为几何相似度全局输入向量；将所述几何相似度全局输入向量输入Softmax函数以得到概率化几何相似度全局特征向量；以所述概率化几何相似度全局特征向量中各个位置的特征值作为权重值来融合所述人脸特征图和所述虹膜特征图以得到所述分类特征图。
在本申请的技术方案中，以KL散度来度量所述人脸特征图的沿通道维度的各个特征矩阵的特征流形相对于所述虹膜特征图的全局特征流形之间的几何相似度，并利用Softmax函数来实现几何相似度度量的概率化，进而以所述概率化几何相似度全局特征向量作为权重向量来对所述人脸特征图进行特征流形调制，并将调制后的人脸特征图与所述虹膜特征图进行特征流行整合以得到所述分类特征图。这样，基于所述人脸特征图相对于所述虹膜特征图的高维特征分布的几何相似度约束可以保证分类特征图在高维空间中的分布与原始特征图的分布相近，从而避免了信息的丢失或扭曲。并且，也可以增强分类特征图的表达能力，因为它可以利用原始特征图之间的相关性和互补性，从而提取出更多的有效信息。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的企业员工信息智能管理系统的系统框图。如图1所示，在企业员工信息智能管理系统100中，包括：人脸图像数据获取模块110，用于获取由摄像头拍摄的人脸图像；人脸特征提取模块120，用于将所述人脸图像通过作为人脸检测网络的第一卷积神经网络模型以得到人脸特征图；眼球区域提取模块130，用于基于眼球在所述人脸图像中的位置，从所述人脸图像提取眼球区域；区域图像增强模块140，用于将所述眼球区域通过生成器以得到清晰度增强的生成眼球区域图像；虹膜特征提取模块150，用于将所述生成眼球区域图像通过具有显著性检测模块的第二卷积神经网络模型以得到虹膜特征图；特征融合模块160，用于融合所述人脸特征图和所述虹膜特征图以生成分类特征图；人脸识别结果判断模块170，用于将所述分类特征图通过分类器来进行分类，所述分类结果用于表示待检测人脸是否属于数据库中的对象；以及，员工账号关联打卡模块180，用于以所述对象所关联的账号来完成上班打卡。
图2为根据本申请实施例的企业员工信息智能管理系统的架构图。如图2所示，在该架构中，首先，获取由摄像头拍摄的人脸图像。接着，将所述人脸图像通过作为人脸检测网络的第一卷积神经网络模型以得到人脸特征图。然后，基于眼球在所述人脸图像中的位置，从所述人脸图像提取眼球区域。接着，将所述眼球区域通过生成器以得到清晰度增强的生成眼球区域图像。紧接着，将所述生成眼球区域图像通过具有显著性检测模块的第二卷积神经网络模型以得到虹膜特征图。进而，融合所述人脸特征图和所述虹膜特征图以生成分类特征图。然后，将所述分类特征图通过分类器来进行分类，所述分类结果用于表示待检测人脸是否属于数据库中的对象。最后，以所述对象所关联的账号来完成上班打卡。
在企业员工信息智能管理系统100中，所述人脸图像数据获取模块110，用于获取由摄像头拍摄的人脸图像。应可以理解，人脸是每个人独特且易于被识别的生物特征之一，具有辨识度高、易于获取和识别的特点。获取人脸图像后可以将其通过人脸检测网络，提取出人脸的位置和特征，人脸特征和虹膜特征相结合可以与数据库中的已有的员工信息进行比对，从而实现员工身份的验证和识别。这里所述的人脸图像是由摄像头拍摄所获取的。
在企业员工信息智能管理系统100中，所述人脸特征提取模块120，用于将所述人脸图像通过作为人脸检测网络的第一卷积神经网络模型以得到人脸特征图。人脸检测是人脸识别的关键步骤，通过使用卷积神经网络进行人脸检测可以自动地从图像中提取和学习到有关人脸的特征模式，从而准确地判断出图像中是否存在人脸，并定位人脸在图像中的位置。具体来说，所述人脸机检测网络的第一卷积神经网络模型是一个训练好的深度神经网络模型，它被设计用于接受人脸图像作为输入，并输出一个人脸特征图，这个模型经过了大量的训练数据和优化，能够较好地捕捉和表示人脸的各种特征，例如面部轮廓、眼睛、鼻子和嘴巴等。通过将人脸图像输入到此卷积神经模型中，可以利用其对人脸图像进行处理，最终得到包含人脸位置信息的人脸特征图。这个人脸特征图可以作为后续步骤的输入，可以实现更精确和高效的员工信息管理流程。
具体地，在企业员工信息智能管理系统100中，所述人脸特征提取模块120，进一步用于：使用所述作为人脸检测网络的第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为人脸检测网络的第一卷积神经网络模型的最后一层的输出为所述人脸特征图，所述作为人脸检测网络的第一卷积神经网络模型的第一层的输入为所述人脸图像。
在企业员工信息智能管理系统100中，所述眼球区域提取模块130，用于基于眼球在所述人脸图像中的位置，从所述人脸图像提取眼球区域。应可以理解，眼球是人脸的重要特征之一，并且每个人的眼球形状和位置都具有一定的独特性。通过提取眼球区域，可以获取与个体身份密切相关的特征信息。相比于其他的面部特征，眼球的位置在不同表情和角度的变化较小，因此，提取眼球区域可以提高识别的稳定性和准确性。与其他面部特征相比，眼球区域对于欺骗行为的抗攻击性更强。例如，戴口罩、化妆等方式可能改变嘴巴或者鼻子的外观，从而影响识别准确性，眼球区域相对较小且不容易被遮挡或干扰，能够提高识别的鲁棒性。
在企业员工信息智能管理系统100中，所述区域图像增强模块140，用于将所述眼球区域通过生成器以得到清晰度增强的生成眼球区域图像。在原始的眼球区域图像中，可能存在一些噪声、模糊或者细节不清晰的情况，这些会导致提取到的特征不够清晰和可靠。通过将眼球区域图像输入到生成器中，可以利用生成器的能力对图像进行增强和修复。生成器是一种神经网络模型，它可以学习到图像的特征和结构，并生成更具有高质量的图像。通过生成器对眼球区域图像进行处理，可以增强图像的清晰度，使细节更加明显，噪声和模糊度得到减少。清晰度增强的眼球区域图像可以提供更好的视觉信息，有助于后续更好地提取虹膜特征。
具体地，在企业员工信息智能管理系统100中，所述区域图像增强模块140，所述区域图像增强模块，用于：将所述眼球区域输入所述生成器以由所述生成器对所述眼球区域进行反卷积处理以得到所述生成眼球区域图像。
在企业员工信息智能管理系统100中，所述虹膜特征提取模块150，用于将所述生成眼球区域图像通过具有显著性检测模块的第二卷积神经网络模型以得到虹膜特征图。应可以理解，显著性检测模块可以帮助识别眼球区域中最具有显著性的特征，例如虹膜的边界和纹理等，这样，第二卷积神经网络模型可以更加关注这些显著特征，并提取出更具有代表性的虹膜特征图。通过这种方式，可以提高虹膜特征的可靠性和区分度。
图3为根据本申请实施例的企业员工信息智能管理系统中虹膜特征提取模块的框图。如图3所示，所述虹膜特征提取模块150，包括：浅层特征提取单元151，用于在所述第二卷积神经网络模型的浅层添加显著性特征检测器以得到浅层特征图；深层特征提取单元152，用于从所述第二卷积神经网络模型的最后一层得到深层特征图；注意力掩码图生成单元153，用于计算所述浅层特征图与所述深层特征图之间的按位置距离以生成注意力掩码图；以及，虹膜特征图生成单元154，用于将所述注意力掩码图与所述深层特征图进行按位置点乘以得到所述虹膜特征图。
在企业员工信息智能管理系统100中，所述特征融合模块160，用于融合所述人脸特征图和所述虹膜特征图以生成分类特征图。应可以理解，人脸特征图中包含了人脸的各种特征，例如面部轮廓、眼睛、鼻子和嘴巴等，这些特征可以用于人脸识别和身份验证；虹膜特征图则包含了虹膜的独特纹理和结构信息，作为人眼中最稳定和独特的生物特征之一，可以用于更精确的身份验证，通过将人脸特征图和虹膜特征图进行融合，可以结合两者的优势，得到更全面和准确的分类特征图。
特别地，在本申请技术方案中，考虑到所述人脸特征图和所述虹膜特征图通常具有不同的尺度，直接融合可能会导致尺度不匹配，进而丢失部分信息或引入不必要的噪声。所述人脸特征图和所述虹膜特征图反映了不同的人体特征，直接融合可能会导致语义信息的混淆，使得融合后的特征向量失去原有的语义表达能力。所述人脸特征图和所述虹膜特征图可能对于特征的重要性有不同的权重分配，直接融合可能无法合理地融合两者的权重，导致信息的失衡。因此，为了避免信息的丢失或扭曲，基于所述人脸特征图相对于所述虹膜特征图的高维特征分布的几何相似度约束来融合所述人脸特征图和所述虹膜特征图以得到分类特征图。
图4为根据本申请实施例的企业员工信息智能管理系统中特征融合模块的框图。如图4所示，所述特征融合模块160，包括:KL散度值计算单元161，用于计算所述人脸特征图的沿通道维度的各个特征矩阵与所述虹膜特征图的沿通道维度的各个特征矩阵之间的KL散度以得到多个KL散度值；几何相似度计算单元162，用于计算所述多个KL散度值的加和值作为所述人脸特征图的沿通道维度的各个特征矩阵相对于所述虹膜特征图的全局特征分布的几何相似度；几何相似度排列单元163，用于将所述人脸特征图的沿通道维度的各个特征矩阵相对于所述虹膜特征图的全局特征分布的几何相似度排列为几何相似度全局输入向量；概率计算单元164，用于将所述几何相似度全局输入向量输入Softmax函数以得到概率化几何相似度全局特征向量；以及，分类特征图生成单元165，用于以所述概率化几何相似度全局特征向量中各个位置的特征值作为权重值来融合所述人脸特征图和所述虹膜特征图以得到所述分类特征图。
在本申请的技术方案中，以KL散度来度量所述人脸特征图的沿通道维度的各个特征矩阵的特征流形相对于所述虹膜特征图的全局特征流形之间的几何相似度，并利用Softmax函数来实现几何相似度度量的概率化，进而以所述概率化几何相似度全局特征向量作为权重向量来对所述人脸特征图进行特征流形调制，并将调制后的人脸特征图与所述虹膜特征图进行特征流行整合以得到所述分类特征图。这样，基于所述人脸特征图相对于所述虹膜特征图的高维特征分布的几何相似度约束可以保证分类特征图在高维空间中的分布与原始特征图的分布相近，从而避免了信息的丢失或扭曲。并且，也可以增强分类特征图的表达能力，因为它可以利用原始特征图之间的相关性和互补性，从而提取出更多的有效信息。
在企业员工信息智能管理系统100中，所述人脸识别结果判断模块170，用于将所述分类特征图通过分类器来进行分类，所述分类结果用于表示待检测人脸是否属于数据库中的对象。通过将分类特征图通过分类器可以判断待检测人脸是否属于数据库中的对象，这可以帮助识别和验证员工的身份信息，从而实现智能管理系统中的员工信息匹配和身份确认功能。通过对人脸进行分类，可以有效地判断人脸是否与数据库中的已知对象相匹配，以确保信息的准确性和安全性。
具体地，在企业员工信息智能管理系统100中，所述人脸识别结果判断模块170，用于：使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果；其中，所述分类公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(Fc)}
其中O为所述分类结果，Project(Fc)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量，softmax为归一化指数函数。
在企业员工信息智能管理系统100中，所述员工账号关联打卡模块180，用于以所述对象所关联的账号来完成上班打卡。通过将员工与账号进行关联，可以实现精确地上班打卡功能。当员工使用与其关联的账号进行打卡时，系统能够准确记录员工的上班时间和出勤情况，通过账号关联，可以确保每位员工的打卡数据都能准确地与其个人身份信息匹配，减少了错误率。
综上所述，基于本申请实施例的企业员工信息智能管理系统100被阐明，其采用基于深度学习的人工智能技术，通过对员工人脸特征和虹膜特征进行提取并融合以得到员工身份的相关信息，并根据相关身份信息完成对应员工上班打卡记录的功能。这样，可以有效记录员工考勤，避免其他方式易造成的错误、作弊等情况。
如上所述，根据本申请实施例的企业员工信息智能管理系统100可以实现在各种终端设备中，例如用于企业员工信息智能管理的服务器等。在一个示例中，根据本申请实施例的企业员工信息智能管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该企业员工信息智能管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该企业员工信息智能管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该企业员工信息智能管理系统100与该终端设备也可以是分立的设备，并且该企业员工信息智能管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图5为根据本申请实施例的企业员工信息智能管理方法的流程图。如图5所示，在企业员工信息智能管理方法中，包括：S110，获取由摄像头拍摄的人脸图像；S120，将所述人脸图像通过作为人脸检测网络的第一卷积神经网络模型以得到人脸特征图；S130，基于眼球在所述人脸图像中的位置，从所述人脸图像提取眼球区域；S140，将所述眼球区域通过生成器以得到清晰度增强的生成眼球区域图像；S150，将所述生成眼球区域图像通过具有显著性检测模块的第二卷积神经网络模型以得到虹膜特征图；S160，融合所述人脸特征图和所述虹膜特征图以生成分类特征图；S170，将所述分类特征图通过分类器来进行分类，所述分类结果用于表示待检测人脸是否属于数据库中的对象；以及，S180，以所述对象所关联的账号来完成上班打卡。
在一个示例中，在上述企业员工信息智能管理方法中，所述将所述人脸图像通过作为人脸检测网络的第一卷积神经网络模型以得到人脸特征图，包括：使用所述作为人脸检测网络的第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为人脸检测网络的第一卷积神经网络模型的最后一层的输出为所述人脸特征图，所述作为人脸检测网络的第一卷积神经网络模型的第一层的输入为所述人脸图像。
在一个示例中，在上述企业员工信息智能管理方法中，所述将所述眼球区域通过生成器以得到清晰度增强的生成眼球区域图像，包括：将所述眼球区域输入所述生成器以由所述生成器对所述眼球区域进行反卷积处理以得到所述生成眼球区域图像。
在一个示例中，在上述企业员工信息智能管理方法中，所述将所述生成眼球区域图像通过具有显著性检测模块的第二卷积神经网络模型以得到虹膜特征图，包括：在所述第二卷积神经网络模型的浅层添加显著性特征检测器以得到浅层特征图；从所述第二卷积神经网络模型的最后一层得到深层特征图；计算所述浅层特征图与所述深层特征图之间的按位置距离以生成注意力掩码图；以及，将所述注意力掩码图与所述深层特征图进行按位置点乘以得到所述虹膜特征图。
在一个示例中，在上述企业员工信息智能管理方法中，所述融合所述人脸特征图和所述虹膜特征图以生成分类特征图，包括：计算所述人脸特征图的沿通道维度的各个特征矩阵与所述虹膜特征图的沿通道维度的各个特征矩阵之间的KL散度以得到多个KL散度值；计算所述多个KL散度值的加和值作为所述人脸特征图的沿通道维度的各个特征矩阵相对于所述虹膜特征图的全局特征分布的几何相似度；将所述人脸特征图的沿通道维度的各个特征矩阵相对于所述虹膜特征图的全局特征分布的几何相似度排列为几何相似度全局输入向量；将所述几何相似度全局输入向量输入Softmax函数以得到概率化几何相似度全局特征向量；以及，以所述概率化几何相似度全局特征向量中各个位置的特征值作为权重值来融合所述人脸特征图和所述虹膜特征图以得到所述分类特征图。。
在一个示例中，在上述企业员工信息智能管理方法中，所述将所述分类特征图通过分类器来进行分类，所述分类结果用于表示待检测人脸是否属于数据库中的对象，包括：使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果；其中，所述分类公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(Fc)}
其中O为所述分类结果，Project(Fc)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量，softmax为归一化指数函数。
综上所述，基于本申请实施例的企业员工信息智能管理方法被阐明，其采用基于深度学习的人工智能技术，通过对员工人脸特征和虹膜特征进行提取并融合以得到员工身份的相关信息，并根据相关身份信息完成对应员工上班打卡记录的功能。这样，可以有效记录员工考勤，避免其他方式易造成的错误、作弊等情况。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。
图6为根据本申请实施例的电子设备的框图。
如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的企业员工信息智能管理方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如摄像头拍摄的人脸图像等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括判断待检测人脸是否属于数据库中的对象结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的企业员工信息智能管理方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的企业员工信息智能管理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

Claims (10)

1.一种企业员工信息智能管理系统，其特征在于，包括：
人脸图像数据获取模块，用于获取由摄像头拍摄的人脸图像；
人脸特征提取模块，用于将所述人脸图像通过作为人脸检测网络的第一卷积神经网络模型以得到人脸特征图；
眼球区域提取模块，用于基于眼球在所述人脸图像中的位置，从所述人脸图像提取眼球区域；
区域图像增强模块，用于将所述眼球区域通过生成器以得到清晰度增强的生成眼球区域图像；
虹膜特征提取模块，用于将所述生成眼球区域图像通过具有显著性检测模块的第二卷积神经网络模型以得到虹膜特征图；
特征融合模块，用于融合所述人脸特征图和所述虹膜特征图以生成分类特征图；
人脸识别结果判断模块，用于将所述分类特征图通过分类器来进行分类，所述分类结果用于表示待检测人脸是否属于数据库中的对象；以及
员工账号关联打卡模块，用于以所述对象所关联的账号来完成上班打卡。
2.根据权利要求1所述的企业员工信息智能管理系统，其特征在于，所述人脸特征提取模块，进一步用于：
使用所述作为人脸检测网络的第一卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为人脸检测网络的第一卷积神经网络模型的最后一层的输出为所述人脸特征图，所述作为人脸检测网络的第一卷积神经网络模型的第一层的输入为所述人脸图像。
3.根据权利要求2所述的企业员工信息智能管理系统，其特征在于，所述区域图像增强模块，用于：将所述眼球区域输入所述生成器以由所述生成器对所述眼球区域进行反卷积处理以得到所述生成眼球区域图像。
4.根据权利要求3所述的企业员工信息智能管理系统，其特征在于，所述虹膜特征提取模块，包括：
浅层特征提取单元，用于在所述第二卷积神经网络模型的浅层添加显著性特征检测器以得到浅层特征图；
深层特征提取单元，用于从所述第二卷积神经网络模型的最后一层得到深层特征图；
注意力掩码图生成单元，用于计算所述浅层特征图与所述深层特征图之间的按位置距离以生成注意力掩码图；以及
虹膜特征图生成单元，用于将所述注意力掩码图与所述深层特征图进行按位置点乘以得到所述虹膜特征图。
5.根据权利要求4所述的企业员工信息智能管理系统，其特征在于，所述特征融合模块，包括:
KL散度值计算单元，用于计算所述人脸特征图的沿通道维度的各个特征矩阵与所述虹膜特征图的沿通道维度的各个特征矩阵之间的KL散度以得到多个KL散度值；
几何相似度计算单元，用于计算所述多个KL散度值的加和值作为所述人脸特征图的沿通道维度的各个特征矩阵相对于所述虹膜特征图的全局特征分布的几何相似度；
几何相似度排列单元，用于将所述人脸特征图的沿通道维度的各个特征矩阵相对于所述虹膜特征图的全局特征分布的几何相似度排列为几何相似度全局输入向量；
概率计算单元，用于将所述几何相似度全局输入向量输入Softmax函数以得到概率化几何相似度全局特征向量；以及
分类特征图生成单元，用于以所述概率化几何相似度全局特征向量中各个位置的特征值作为权重值来融合所述人脸特征图和所述虹膜特征图以得到所述分类特征图。
6.根据权利要求5所述的企业员工信息智能管理系统，其特征在于，所述人脸识别结果判断模块，用于：使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果；
其中，所述分类公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(Fc)}
其中O为所述分类结果，Project(Fc)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量，softmax为归一化指数函数。
7.一种企业员工信息智能管理方法，其特征在于，包括：
获取由摄像头拍摄的人脸图像；
将所述人脸图像通过作为人脸检测网络的第一卷积神经网络模型以得到人脸特征图；
基于眼球在所述人脸图像中的位置，从所述人脸图像提取眼球区域；
将所述眼球区域通过生成器以得到清晰度增强的生成眼球区域图像；
将所述生成眼球区域图像通过具有显著性检测模块的第二卷积神经网络模型以得到虹膜特征图；
融合所述人脸特征图和所述虹膜特征图以生成分类特征图；
将所述分类特征图通过分类器来进行分类，所述分类结果用于表示待检测人脸是否属于数据库中的对象；以及
以所述对象所关联的账号来完成上班打卡。
8.根据权利要求7所述的企业员工信息智能管理方法，其特征在于，将所述人脸图像通过作为人脸检测网络的第一卷积神经网络模型以得到人脸特征图，包括：
使用所述作为人脸检测网络的第一卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为人脸检测网络的第一卷积神经网络模型的最后一层的输出为所述人脸特征图，所述作为人脸检测网络的第一卷积神经网络模型的第一层的输入为所述人脸图像。
9.根据权利要求8所述的企业员工信息智能管理方法，其特征在于，将所述眼球区域通过生成器以得到清晰度增强的生成眼球区域图像，包括：将所述眼球区域输入所述生成器以由所述生成器对所述眼球区域进行反卷积处理以得到所述生成眼球区域图像。
10.根据权利要求9所述的企业员工信息智能管理方法，其特征在于，将所述分类特征图通过分类器来进行分类，所述分类结果用于表示待检测人脸是否属于数据库中的对象，包括：使用所述分类器以如下分类公式对所述分类特征图进行处理以生成所述分类结果；
其中，所述分类公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(Fc)}
其中O为所述分类结果，Project(Fc)表示将所述分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量，softmax为归一化指数函数。
CN202310973312.XA 2023-08-03 2023-08-03 企业员工信息智能管理系统及其方法 Pending CN117095436A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310973312.XA CN117095436A (zh) 2023-08-03 2023-08-03 企业员工信息智能管理系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310973312.XA CN117095436A (zh) 2023-08-03 2023-08-03 企业员工信息智能管理系统及其方法

Publications (1)

Publication Number Publication Date
CN117095436A true CN117095436A (zh) 2023-11-21

Family

ID=88777922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310973312.XA Pending CN117095436A (zh) 2023-08-03 2023-08-03 企业员工信息智能管理系统及其方法

Country Status (1)

Country Link
CN (1) CN117095436A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117894107A (zh) * 2024-03-14 2024-04-16 山东新竹智能科技有限公司 智能建筑安防监控系统及方法
CN118411766A (zh) * 2024-07-02 2024-07-30 浙江元衡生物科技有限公司 基于大数据的多模态生物识别系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117894107A (zh) * 2024-03-14 2024-04-16 山东新竹智能科技有限公司 智能建筑安防监控系统及方法
CN118411766A (zh) * 2024-07-02 2024-07-30 浙江元衡生物科技有限公司 基于大数据的多模态生物识别系统及方法

Similar Documents

Publication Publication Date Title
CN108875833B (zh) 神经网络的训练方法、人脸识别方法及装置
CN108090830B (zh) 一种基于面部画像的信贷风险评级方法和装置
CN117095436A (zh) 企业员工信息智能管理系统及其方法
JP2003317101A (ja) データベース自動更新方法を用いた顔検証方法及びそのシステム
CN113449704B (zh) 人脸识别模型训练方法、装置、电子设备及存储介质
US10997609B1 (en) Biometric based user identity verification
US10229311B2 (en) Face template balancing
CN115050064A (zh) 人脸活体检测方法、装置、设备及介质
Haji et al. Real time face recognition system (RTFRS)
CN108446687A (zh) 一种基于移动端和后台互联的自适应人脸视觉认证方法
Kumar et al. Face recognition attendance system using local binary pattern algorithm
William et al. Implementation of hand written based signature verification technology using deep learning approach
Qin et al. Finger-vein quality assessment based on deep features from grayscale and binary images
CN118053232A (zh) 企业安全智能化管理系统及其方法
Goud et al. Smart attendance notification system using SMTP with face recognition
CN116758622A (zh) 用于出勤管理系统的数据处理方法、装置、系统及介质
WO2023192808A1 (en) Authentication of age, gender, and other biometric data from live images of users
Kadhim et al. A multimodal biometric database and case study for face recognition based deep learning
CN111428670B (zh) 人脸检测方法、装置、存储介质及设备
CN112288934A (zh) 基于智能化门控的控制方法
Charishma et al. Smart Attendance System with and Without Mask using Face Recognition
Jatain et al. Automatic human face detection and recognition based on facial features using deep learning approach
CN114743249B (zh) 识别模型训练方法、微表情识别方法、装置、设备及介质
Lee et al. Develop a hybrid human face recognition system based on a dual deep neural network by interactive correction training
EP4209941A1 (en) Method and system of predictive document verification and machine learning therefor

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