CN117409468A - 人力资源用考勤信息自动化管理方法和系统 - Google Patents
人力资源用考勤信息自动化管理方法和系统 Download PDFInfo
- Publication number
- CN117409468A CN117409468A CN202311470807.7A CN202311470807A CN117409468A CN 117409468 A CN117409468 A CN 117409468A CN 202311470807 A CN202311470807 A CN 202311470807A CN 117409468 A CN117409468 A CN 117409468A
- Authority
- CN
- China
- Prior art keywords
- face
- fingerprint
- signature
- image
- identified
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 180
- 238000001514 detection method Methods 0.000 claims description 65
- 238000000605 extraction Methods 0.000 claims description 39
- 230000004913 activation Effects 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 30
- 230000000694 effects Effects 0.000 description 9
- 238000011176 pooling Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000000034 method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- 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
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明涉及考勤管理技术领域,具体为一种人力资源用考勤信息自动化管理方法和系统。本发明通过获取拍摄的待识别员工图像,并采用人脸RetinaNet模型检测人脸图像并识别,人脸识别成功后,记录当前考勤信息;否则重新识别;当人脸识别次数超过阈值a1时,采集员工的待识别指纹图像,并采用指纹RetinaNet模型进行指纹识别;指纹识别成功后,记录当前考勤信息;否则重新识别;当指纹识别次数超过阈值a2时,采集员工的待识别签字图像,并采用签字RetinaNet模型进行签字识别;签字识别成功后,记录当前考勤信息;否则重新识别;当签字识别次数超过阈值a3时,输出识别异常结果。本发明根据识别对象的不同,构建相应的RetinaNet模型并进行识别,提高了考勤信息采集准确率。
Description
技术领域
本发明涉及考勤管理技术领域,具体为人力资源用考勤信息自动化管理方法和系统。
背景技术
考勤信息是指记录员工工作时间、迟到和早退等工作情况的数据。这些信息对于组织管理和工资计算等方面都至关重要。传统上,考勤信息是通过手动方式记录,包括纸质考勤表、签到签出系统等。但是手动处理容易导致数据输入错误,这可能导致薪资计算错误和员工不满,并且在大型组织中手动处理考勤信息需要大量的时间和人力资源。
随着科技的发展,现代企业通常采用电子考勤系统来更高效地采集和记录这些信息。例如,申请号为CN201811645025.1的中国专利公开了一种基于宽度学习的人脸识别考勤方法,采集一定数量待考勤的人脸图像并整合到数据库中;之后进行人脸检测以定位人脸特征所在图像区域;进行静态特征提取,以构建人脸特征库;利用训练完成后的宽度学习网络对待考勤的人进行人脸识别,将人脸识别结果与数据库中的身份信息匹配并作出相应的考勤记录,并将考勤记录信息存储在数据库中。但是宽度学习网络通常由许多线性神经元组成,这些神经元只能捕捉输入特征的线性关系,这意味着它们难以学习非线性特征之间的复杂关系从而降低考勤信息识别的准确率。此外,申请号为CN201811305261.9的中国专利公开了一种用于考勤的人脸识别系统及方法,包括第一模型识别模块、第二模型识别模块、比对图像筛选模块、第三模型识别模块、图像分类模块、考勤记录模块和红外测温模块,所述第一模型识别模块是基于训练好的Adaboost分类器在摄像头拍摄的图像中检测人脸区域;所述第二模型识别模块用于识别三庭和五眼特征点,并计算三庭的比例信息和五眼的比例信息。但是Adaboost对噪声和不良图像质量非常敏感,这意味着如果图像中存在噪声、阴影或模糊等问题,可能会导致误检率增加进而使得考勤信息出现错误。
为了解决考勤信息采集准确率低的问题,提出人力资源用考勤信息自动化管理方法和系统。
发明内容
本发明的目的在于提供人力资源用考勤信息自动化管理方法和系统,对于考勤信息可采用RetinaNet进行采集,RetinaNet是一种用于目标检测任务的神经网络架构,主要包括两个部分:特征提取网络、分类分支网络和回归分支网络。特征提取网络用于提取输入图像的特征,分类分支负责预测每个锚框属于各个类别的概率,而回归分支则负责对每个锚框的位置进行微调。根据采集对象的不同,构建人脸RetinaNet、指纹RetinaNet和签字RetinaNet来对采集到的人脸图像、指纹图像和签字图像进行识别,并根据识别结果记录考勤信息,根据考勤信息识别考勤状态。
为实现上述目的,本发明提供如下技术方案:
人力资源用考勤信息自动化管理方法,包括:
采集每个员工人脸图像、指纹图像和签字图像分别构建人脸图像集、指纹图像集和签字图像集;
进一步地,采用所述人脸RetinaNet提取所述人脸图像集中每个人脸图像的特征向量,构建人脸特征向量集;
采用所述指纹RetinaNet提取所述指纹图像集中每个指纹图像的特征向量,构建指纹特征向量集;
采用所述签字RetinaNet提取所述签字图像集中每个签字图像的特征向量,构建签字特征向量集;
所述人脸特征向量集、所述指纹特征向量集和所述签字特征向量集中的每个特征向量都对应员工的身份信息;所述身份信息包括姓名、职位和所属部门。
采集待识别员工图像,并采用人脸RetinaNet模型检测人脸图像并识别。
进一步地,所述采集待识别员工图像还包括采用小波去噪和直方图均衡化对所述待识别员工图像进行预处理,具体步骤包括:
采用小波算法对所述待识别员工图像进行去噪;
采用直方图均衡化对所述去噪后的待识别员工图像进行图像增强处理。
进一步地,所述人脸RetinaNet模型包括人脸检测模块和人脸识别模块;所述人脸检测模块用于检测待识别员工图像中的人脸区域图像;所述人脸检测模块包括人脸骨干网络、人脸颈部网络和人脸检测网络;
将人脸EfficientNet作为人脸骨干网络,用于从输入的人脸图像中提取人脸特征,输出不同层次的人脸图像特征图;所述人脸EfficientNet包含多个人脸特征提取模块;
在所述人脸EfficientNet中,每个所述人脸特征提取模块后添加ECA注意力机制;
所述人脸颈部网络用于融合所述不同层次的人脸图像特征图,生成人脸区域图像特征;
所述人脸检测网络根据所述人脸区域图像特征采用人脸RPN生成人脸区域边界框,并根据所述人脸区域边界框输出待识别人脸图像;
所述人脸RPN采用Tanh-Sigmoid激活函数作为锚框分类激活函数,其表达式为:
其中,x表示锚框得分。
进一步地,所述人脸识别模块是采用人脸FaceNet模型提取所述待识别人脸图像的人脸特征并进行识别;所述人脸FaceNet模型包括特征提取层、池化层和全连接层;
所述特征提取层是将ResNet作为卷积网络提取不同尺度的待识别人脸图像特征图;
所述池化层采用全局平均池化操作,将每个特征图的所有元素取平均值,得到固定维度的待识别人脸特征向量;
所述全连接层根据所述待识别人脸特征向量进行人脸识别。
进一步地,计算提取到的所述待识别人脸特征向量和所述人脸特征向量集中每个人脸特征向量的考勤相似度输出第一考勤相似度集;输出第一考勤相似度集中最大的考勤相似度/>当/>时,表示人脸识别成功,输出所述人脸特征向量对应的员工身份信息;所述考勤相似度/>计算表达式为:
其中,表示人脸特征向量集中第i个人脸特征向量和待识别人脸特征向量的相似度;Nf表示人脸特征向量中特征元素个数;Fj表示待识别人脸特征向量中第j个特征元素;表示人脸特征向量集中第i个人脸特征向量的第j个特征元素。
进一步地,人脸识别成功后,记录当前考勤信息;否则重新拍摄待识别员工图像,再进行人脸识别;所述当前考勤信息包括当前时间和对应的员工身份信息。
当人脸识别次数超过阈值a1时,采集员工的待识别指纹图像,并采用指纹RetinaNet模型进行指纹识别。
进一步地,所述采集员工的待识别指纹图像还包括采用小波去噪和直方图均衡化对所述待识别指纹图像进行预处理,具体步骤包括:
采用小波算法对所述待识别指纹图像进行去噪;
采用直方图均衡化对所述去噪后的待识别指纹图像进行图像增强处理。
进一步地,所述指纹RetinaNet模型包括指纹骨干网络、指纹颈部网络和指纹检测网络;
将指纹EfficientNet作为指纹骨干网络,用于从输入的指纹图像中提取指纹特征,输出不同层次的指纹图像特征图;
所述指纹EfficientNet包括多个重复的指纹特征提取模块,在每个所述指纹特征提取模块后添加ECA注意力机制;
所述指纹颈部网络用于融合所述不同层次的特征图,生成指纹图像特征向量;
所述指纹检测网络根据所述指纹图像特征向量来进行指纹识别;采用识别损失函数Lf作为指纹识别的损失函数,表达式为:
其中,f表示指纹识别正确的概率,表示指纹识别错误的概率。
进一步地,计算提取到的所述待识别指纹特征向量和所述指纹特征向量集中每个指纹特征向量的考勤相似度输出第二考勤相似度集;输出第二考勤相似度集中最大的考勤相似度/>当/>时,表示指纹识别成功,输出所述指纹特征向量对应的员工身份信息;所述考勤相似度/>计算表达式为:
其中,表示指纹特征向量集中第i个指纹特征向量和待识别指纹特征向量的相似度;Nm表示指纹特征向量中特征元素个数;Mj表示待识别指纹特征向量中第j个特征元素;表示指纹特征向量集中第i个指纹特征向量的第j个特征元素。
进一步地,指纹识别成功后,记录当前考勤信息;否则重新采集员工的待识别指纹图像,再进行指纹识别;所述当前考勤信息包括当前时间和对应的员工身份信息。
当指纹识别次数超过阈值a2时,采集员工的待识别签字图像,并采用签字RetinaNet模型进行签字识别。
进一步地,所述采集员工的待识别签字图像还包括采用小波去噪和直方图均衡化对所述待识别签字图像进行预处理,具体步骤包括:
采用小波算法对所述待识别签字图像进行去噪;
采用直方图均衡化对所述去噪后的待识别签字图像进行图像增强处理。
进一步地,所述签字RetinaNet模型的结构和指纹RetinaNet模型相同,包括签字骨干网络、签字颈部网络和签字检测网络;
将签字EfficientNet作为签字骨干网络,用于从输入的签字图像中提取签字特征,输出不同层次的签字图像特征图;
所述签字EfficientNet包括多个重复的特征提取模块,在每个所述特征提取模块后添加ECA注意力机制;
所述签字颈部网络用于融合所述不同层次的特征图,生成签字图像特征向量;
所述签字检测网络根据所述签字图像特征向量来进行签字识别;采用识别损失函数Ls作为签字识别的损失函数,表达式为:
其中,s表示签字识别正确的概率,表示签字识别错误的概率。
进一步地,计算提取到的所述待识别签字特征向量和所述人脸特征向量集中每个签字特征向量的考勤相似度输出第三考勤相似度集;
输出第三考勤相似度集中最大的考勤相似度当/>时,表示签字识别成功,输出所述签字特征向量对应的员工身份信息;
所述考勤相似度计算表达式为:
其中,表示签字特征向量集中第i个签字特征向量和待识别签字特征向量的相似度;Nh表示签字特征向量中特征元素个数;Hj表示待识别签字特征向量中第j个特征元素;表示签字特征向量集中第i个签字特征向量的第j个特征元素。
进一步地,签字识别成功后,记录当前考勤信息;否则重新采集员工的待识别签字图像,再进行签字识别;当签字识别次数超过阈值a3时,输出识别异常结果。
根据考勤信息识别员工考勤状态。
进一步地,所述考勤状态包括正常、迟到、早退和异常。
输出员工考勤状态结果。
人力资源用考勤信息自动化管理系统,包括员工信息存储单元,考勤信息获取单元、考勤信息输出单元和考勤信息存储单元。
所述员工信息纪录单元用于采集所有员工的人脸特征向量、指纹特征向量和签字特征向量并进行存储。
所述考勤信息获取单元用于获取待识别员工的考勤信息。
进一步地所述考勤信息获取单元包括人脸图像获取模块、人脸识别模块、指纹图像获取模块、指纹识别模块、签字图像获取模块、签字识别模块和考勤信息记录模块。所述人脸图像采集模块获取拍摄的待识别员工图像,人脸识别模块检测人脸图像并识别。
进一步地,所述人脸检测模块采用人脸检测RetinaNet模型进行检测待识别员工图像中的待识别人脸图像;所述人脸检测RetinaNet模型包括人脸骨干网络、人脸颈部网络和人脸检测网络。
将指纹EfficientNet作为指纹骨干网络,用于从输入的指纹图像中提取指纹特征,输出不同层次的指纹图像特征图;所述指纹EfficientNet包含多个指纹特征提取模块;
在所述指纹EfficientNet中,每个所述指纹特征提取模块后添加ECA注意力机制;
所述人脸颈部网络用于融合所述不同层次的人脸图像特征图,生成人脸区域图像特征;
所述人脸检测网络根据所述人脸区域图像特征采用人脸RPN生成人脸区域边界框,并根据所述人脸区域边界框输出待识别人脸图像;
所述人脸RPN采用Tanh-Sigmoid激活函数作为锚框分类激活函数,表达式为:
其中,x表示锚框得分。
进一步地,所述人脸识别模块是采用人脸FaceNet模型提取所述待识别人脸图像的人脸特征并进行识别;所述人脸FaceNet模型包括特征提取层、池化层和全连接层;
所述特征提取层是将ResNet作为卷积网络提取不同尺度的待识别人脸图像特征图;
所述池化层采用全局平均池化操作,将每个特征图的所有元素取平均值,得到固定维度的待识别人脸特征向量;
所述全连接层根据所述待识别人脸特征向量进行人脸识别。
所述考勤信息记录模块在人脸识别成功后,记录当前考勤信息;否则人脸图像获取模块重新拍摄待识别员工图像,再进行人脸识别。
当人脸识别次数超过阈值a1时,所述指纹图像获取模块采集员工的待识别指纹图像,并指纹识别模块进行指纹识别。
进一步地,所述指纹识别模块是采用指纹RetinaNet模型进行识别;所述指纹RetinaNet模型包括指纹骨干网络、指纹颈部网络和指纹检测网络;
将指纹EfficientNet作为指纹骨干网络,用于从输入的指纹图像中提取指纹特征,输出不同层次的指纹图像特征图;
所述指纹EfficientNet包括多个重复的特征提取模块,在每个特征提取模块后添加ECA注意力机制;
所述指纹颈部网络用于融合所述不同层次的特征图,生成指纹图像特征向量;
所述指纹检测网络根据所述指纹图像特征向量来进行指纹识别;采用识别损失函数Lf作为指纹识别的损失函数,表达式为:
其中,f表示指纹识别正确的概率;表示指纹识别错误的概率。
所述考勤信息记录模块在指纹识别成功后,记录当前考勤信息;否则指纹图像获取模块重新采集员工的待识别指纹图像,再进行指纹识别。
当指纹识别次数超过阈值a2时,所述签字图像获取模块采集员工的待识别签字图像,所述签字识别模块进行签字识别。
所述考勤信息记录模块在签字识别成功后,记录当前考勤信息;否则签字图像获取模块重新采集员工的待识别签字图像,再进行签字识别。
当签字识别次数超过阈值a3时,考勤信息记录模块输出识别异常结果。
所述考勤信息输出单元是根据考勤信息获取单元中获得的考勤信息识别考勤状态信息,并进行输出。
进一步的,所述考勤信息包括当前时间和对应的员工身份信息。所述考勤状态包括正常、迟到、早退、加班和异常。
所述考勤信息存储单元用于存储所述考勤信息输出单元输出的考勤状态信息。
与现有技术相比,本发明的有益效果为:
1、本发明在进行人脸识别时采用Tanh-Sigmoid激活函数作为锚框分类激活函数;同时构建人脸RPN,并采用人脸RPN提取人脸区域边界框。与RPN相比人脸RPN采用Tanh-Sigmoid激活函数能够在输入的值非常大或非常小的情况下,激活函数的输出趋近于零,这可以有助于缓解梯度爆炸问题,能够有效的筛选出可能包含目标的候选锚框提高人脸区域边界框选择的准确度,提高人脸识别准确率,进而提高考勤信息采集准确率。
2、本发明在进行人脸识别、指纹识别和签字识别时均在EfficientNet的每个特征提取模块后面添加ECA注意力机制;同时构建人脸EfficientNet、指纹EfficientNet和签字EfficientNet。并将人脸EfficientNet作为人脸检测RetinaNet模型提取员工图像的特征,指纹EfficientNet和签字EfficientNet分别作为指纹RetinaNet模型和签字RetinaNet模型的骨干网络提取指纹图像和签字图像的特征。和RetinaNet模型相比,该模型能够提取到员工图像、指纹图像和签字图像的细节特征,进而提高考勤信息采集准确率。
3、本发明构建了考勤相似度,并且在进行人脸识别、指纹识别、签字识别时采用考勤相似度来度量人脸特征向量、指纹特征向量和签字特征向量的相似度。考勤相似度能够度量两个向量之间的重叠程度和方向性,可以同时考虑元素的重叠和元素在空间中的分布,提供更全面的相似性度量,进而提高考勤信息采集准确率。
附图说明
图1为本发明实施例提供的人力资源用考勤信息自动化管理方法流程示意图;
图2为本发明实施例提供的人脸RetinaNet模型的结构示意图;
图3为本发明实施例提供的人脸RetinaNet模型的效果示意图;
图4为本发明实施例提供的指纹RetinaNet模型的结构示意图;
图5为本发明实施例提供的指纹RetinaNet模型的效果示意图;
图6为本发明实施例提供的签字RetinaNet模型的效果示意图;
图7为本发明实施例提供的人力资源用考勤信息自动化管理系统结构示意图;
图8为本发明实施例提供的人力资源用考勤信息自动化管理方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参阅图1至图8,本发明提供人力资源用考勤信息自动化管理方法和系统,技术方案如下:
作为本发明的一种实施方式,参照图1,人力资源用考勤信息自动化管理方法,包括:S10.采集每个员工人脸图像、指纹图像和签字图像并进行特征提取,构建人脸特征向量集、指纹特征向量集和签字特征向量集;S20.获取拍摄的待识别员工图像,并采用人脸RetinaNet模型检测人脸图像并识别;S30.当人脸识别次数超过阈值a1时,采集员工的待识别指纹图像,并采用指纹RetinaNet模型进行指纹识别;S40.当指纹识别次数超过阈值a2时,采集员工的待识别签字图像,并采用签字RetinaNet模型进行签字识别;S50.根据考勤信息识别员工考勤状态;S60.输出员工考勤状态结果。
S10.采集每个员工人脸图像、指纹图像和签字图像分别构建人脸图像集、指纹图像集和签字图像集;
进一步地,本实施例采集了3000名样本员工人脸图像、指纹图像和签字图像;采用所述人脸RetinaNet提取所述人脸图像集中每个人脸图像的特征向量,构建人脸特征向量集;
采用所述指纹RetinaNet提取所述指纹图像集中每个指纹图像的特征向量,构建指纹特征向量集;
采用所述签字RetinaNet提取所述签字图像集中每个签字图像的特征向量,构建签字特征向量集;
所述人脸特征向量集、所述指纹特征向量集和所述字特征向量集中的每个特征向量都对应员工的身份信息;所述身份信息包括姓名、职位、所属部门。
S20.获取拍摄的待识别员工图像,并采用人脸RetinaNet模型检测人脸图像并识别。
进一步地,采集1000个待识别员工的员工图像,其中300个待识别员工未进行S10的人脸图像采集,700个待识别员工进行了S10的人脸图像采集;所述人脸RetinaNet模型包括人脸检测模块和人脸识别模块;所述人脸检测模块用于检测待识别员工图像中的人脸区域图像;所述人脸检测模块包括人脸骨干网络、人脸颈部网络和人脸检测网络;
将人脸EfficientNet作为人脸骨干网络,用于从输入的员工图像中提取人脸区域图像特征,输出不同层次的人脸图像特征图;所述人脸EfficientNet包含多个人脸特征提取模块;
所述人脸EfficientNet在每个所述人脸特征提取模块后添加ECA注意力机制;
所述人脸颈部网络用于融合所述不同层次的特征图,生成人脸区域图像特征;
所述人脸检测网络根据所述人脸区域图像特征来预测人脸区域边界框的位置。
进一步地,所述人脸识别模块是采用人脸FaceNet模型提取所述人脸图像的待识别人脸图像特征并进行识别;所述人脸FaceNet模型包括特征提取层、池化层和全连接层;
所述特征提取层是将ResNet作为卷积网络提取不同尺度的待识别人脸图像特征图;
所述池化层采用全局平均池化操作,将每个特征图的所有元素取平均值,得到固定维度的待识别人脸特征向量;
所述全连接层根据所述待识别人脸特征向量进行人脸识别。
进一步地,计算提取到的所述待识别人脸特征向量和所述人脸特征向量集中每个人脸特征向量的考勤相似度输出第一考勤相似度集;输出第一考勤相似度集中最大的考勤相似度/>当/>时,表示人脸识别成功,输出所述人脸特征向量对应的员工身份信息;所述考勤相似度/>计算表达式为:
其中,表示人脸特征向量集中第i个人脸特征向量和待识别人脸特征向量的相似度;Nf表示人脸特征向量中特征元素个数;Fj表示待识别人脸特征向量中第j个特征元素;表示人脸特征向量集中第i个人脸特征向量的第j个特征元素。
进一步地,人脸识别成功后,记录当前考勤信息;否则重新拍摄待识别员工图像,再进行人脸识别;所述当前考勤信息包括当前时间和对应的员工身份信息。
进一步地,本实施例在采用人脸RetinaNet模型的同时还采用另外三种模型进行对比验证,具体结果如图3所示。其中,模型一是本实施例提供的人脸RetinaNet模型;模型二是在模型一的基础上将人脸检测模块的激活函数替换为Sigmoid激活函数构建的第一人脸RetinaNet模型;模型三是在模型一的基础上将人脸检测模块的人脸Efficient模型替换为Efficient模型;模型四是在模型一的基础上将人脸识别模块的考勤相似度替换为Jaccard相似度构建的第二人脸RetinaNet模型;模型五时采用RetinaNet作为人脸检测模块,将FaceNet作为人脸识别模块构建的第三人脸RetinaNet模型。采用五种模型来对采集的1000个员工图像进行人脸识别,每个模型进行20次实验。从图3可以看出模型一的准确率明显高于模型二、模型三、模型四和模型五,为了更直观的展示识别准确率数据将20次实验的结果进行平均,得到如表1所示的人脸RetinaNet模型效果验证表。
表1人脸RetinaNet模型效果验证表
模型 | 模型一 | 模型二 | 模型三 | 模型四 | 模型五 |
识别准确率 | 99.05% | 96.39% | 96.21% | 96.23% | 95.52% |
根据表1可以看出模型一的识别准确率为99.05%,模型二、模型三、模型四和模型五的识别准确率均在96%左右,因此模型一能够有效提高人脸识别的准确率。
本实施例该步骤,在进行人脸识别时采用Tanh-Sigmoid激活函数作为锚框分类激活函数构建人脸RPN,并采用人脸RPN提取人脸区域边界框。与RPN相比人脸RPN采用Tanh-Sigmoid激活函数能够在输入非常大或非常小的情况下,激活函数的输出趋近于零,这可以有助于缓解梯度爆炸问题,能够有效的筛选出可能包含目标的候选锚框提高人脸区域边界框选择的准确度,提高人脸识别准确率,进而提高考勤信息采集准确率。
S30.当人脸识别次数超过阈值a1时,采集员工的待识别指纹图像,并采用指纹RetinaNet模型进行指纹识别。
进一步地,阈值a1=3,采集S20中1000个待识别员工的指纹图像,其中300个待识别员工未进行S10的指纹图像采集,700个待识别员工进行了S10的指纹图像采集;所述指纹RetinaNet模型包括指纹骨干网络、指纹颈部网络和指纹检测网络;
将指纹EfficientNet作为指纹骨干网络,用于从输入的指纹图像中提取指纹特征,输出不同层次的指纹图像特征图;
所述指纹EfficientNet包括多个重复的特征提取模块,在每个所述特征提取模块后添加ECA注意力机制;
所述指纹颈部网络用于融合所述不同层次的特征图,生成指纹图像特征向量;
所述指纹检测网络根据所述指纹图像特征向量来进行指纹识别;采用识别损失函数Lf作为指纹识别的损失函数,表达式为:
其中,f表示指纹识别正确的概率,表示指纹识别错误的概率。
进一步地,计算提取到的所述待识别指纹特征向量和所述指纹特征向量集中每个指纹特征向量的考勤相似度输出第二考勤相似度集;输出第二考勤相似度集中最大的考勤相似度/>当/>时,表示指纹识别成功,输出所述指纹特征向量对应的员工身份信息;所述考勤相似度/>计算表达式为:
其中,表示指纹特征向量集中第i个指纹特征向量和待识别指纹特征向量的相似度;Nm表示指纹特征向量中特征元素个数;Mj表示待识别指纹特征向量中第j个特征元素;表示指纹特征向量集中第i个指纹特征向量的第j个特征元素。
进一步地,指纹识别成功后,记录当前考勤信息;否则重新采集员工的待识别指纹图像,再进行指纹识别;所述当前考勤信息包括当前时间和对应的员工身份信息。
进一步地,本实施例在进行指纹识别时除了采用指纹RetinaNet模型之外,还采用RetinaNet模型进行指纹检测来验证指纹RetinaNet模型的有效性,具体结果如图5所示。采用两种模型来对采集的1000个员工指纹图像进行指纹识别,每个模型进行20次实验。从图5可以看出模型一的准确率明显高于模型二,为了更直观的展示识别准确率数据将20次实验的结果进行平均,得到如表2所示的指纹RetinaNet模型效果验证表。
表2指纹RetinaNet模型效果验证表
模型 | 指纹RetinaNet | RetinaNet |
识别准确率 | 99.03% | 97.17% |
根据表2可以看出指纹RetinaNet的识别准确率为99.03%,RetinaNet的识别准确率为97.17%,因此指纹RetinaNet能够有效提高指纹识别的准确率。
本实施例该步骤,在进行指纹识别在EfficientNet的每个特征提取模块后面添加ECA注意力机制,将识别损失函数作为指纹识别的损失函数构建指纹EfficientNet,并将指纹EfficientNet作为指纹RetinaNet模型的骨干网络提取指纹图像的特征。和RetinaNet模型相比,该模型能够提取到指纹图像的细节特征,进而提高考勤信息采集准确率。
S40.当指纹识别次数超过阈值a2时,采集员工的待识别签字图像,并采用签字RetinaNet模型进行签字识别。
进一步地,阈值a2=3,采集S20中1000个待识别员工的签字图像,其中300个待识别员工未进行S10的签字图像采集,700个待识别员工进行了S10的签字图像采集;所述签字RetinaNet模型的结构和指纹RetinaNet模型相同,包括签字骨干网络、签字颈部网络和签字检测网络;
将签字EfficientNet作为签字骨干网络,用于从输入的签字图像中提取签字特征,输出不同层次的签字图像特征图;
所述签字EfficientNet包括多个重复的特征提取模块,在每个特征提取模块后添加ECA注意力机制;
所述签字颈部网络用于融合所述不同层次的特征图,生成签字图像特征向量;
所述签字检测网络根据所述签字图像特征向量来进行签字识别;采用识别损失函数作为签字识别的损失函数,表达式为:
其中,s表示签字识别正确的概率,表示签字识别错误的概率。
进一步地,计算提取到的所述待识别签字特征向量和所述人脸特征向量集中每个签字特征向量的考勤相似度输出第三考勤相似度集;
输出第三考勤相似度集中最大的考勤相似度当/>时,表示签字识别成功,输出所述签字特征向量对应的员工身份信息;
所述考勤相似度计算表达式为:
其中,表示签字特征向量集中第i个签字特征向量和待识别签字特征向量的相似度;Nh表示签字特征向量中特征元素个数;Hj表示待识别签字特征向量中第j个特征元素;表示签字特征向量集中第i个签字特征向量的第j个特征元素。
进一步地,签字识别成功后,记录当前考勤信息;否则重新采集员工的待识别签字图像,再进行签字识别;当签字识别次数超过阈值a3时,将考勤信息记录为识别异常,所述阈值a3=3。
进一步地,本实施例在进行签字识别时除了采用签字RetinaNet模型之外,还采用传统RetinaNet模型进行签字检测来验证签字RetinaNet模型的有效性,具体结果如图6所示。采用两种模型来对采集的1000个员工签字图像进行签字识别,每个模型进行20次实验。从图5可以看出模型一的准确率明显高于模型二,为了更直观的展示识别准确率数据将20次实验的结果进行平均,得到如表3所示的签字RetinaNet模型效果验证表。
表3签字RetinaNet模型效果验证表
模型 | 签字RetinaNet | RetinaNet |
识别准确率 | 99.33% | 97.01% |
根据表3可以看出签字RetinaNet的识别准确率为99.33%,RetinaNet的识别准确率为97.01%,因此签字RetinaNet能够有效提高签字识别的准确率。
S50.根据考勤信息识别员工考勤状态。
进一步地,所述考勤状态包括正常、迟到、早退、加班和异常。
S60.输出员工考勤状态结果。
作为本发明的另一种实施方式,参照图1,人力资源用考勤信息自动化管理系统,包括S210.员工信息存储单元;S220.考勤信息获取单元用于获取员工考勤信息;S230.考勤信息输出单元用于根据获取的员工考勤信息识别考勤状态信息并输出;S240.考勤信息存储单元用于存储所述考勤信息输出单元输出的考勤状态信息。
S210.员工信息纪录单元用于采集所有员工的人脸特征向量、指纹特征向量和签字特征向量并进行存储。
S220.考勤信息获取单元用于获取员工考勤信息。
进一步地,所述考勤信息获取单元包括人脸图像获取模块、人脸识别模块、指纹图像获取模块、指纹识别模块、签字图像获取模块、签字识别模块和考勤信息记录模块;
所述人脸图像获取模块获取拍摄的待识别员工图像,人脸识别模块检测人脸图像并识别。
进一步地,所述人脸识别模块是采用人脸RetinaNet模型检测人脸图像并识别;所述人脸RetinaNet模型包括人脸检测模块和人脸识别模块;所述人脸检测模块用于检测待识别员工图像中的人脸区域图像;所述人脸检测模块采用人脸检测RetinaNet模型进行检测待识别员工图像中的待识别人脸图像;所述人脸检测RetinaNet模型包括人脸骨干网络、人脸颈部网络、人脸检测网络;
将人脸EfficientNet作为人脸骨干网络,用于从输入的员工图像中提取人脸区域图像特征,输出不同层次的人脸图像特征图;所述人脸EfficientNet包含多个人脸特征提取模块;
所述人脸EfficientNet在每个所述人脸特征提取模块后添加ECA注意力机制;
所述人脸颈部网络用于融合所述不同层次的人脸图像特征图,生成人脸区域图像特征;
所述人脸检测网络根据所述人脸区域图像特征采用人脸RPN生成人脸区域边界框,并根据所述人脸区域边界框输出待识别人脸图像;
所述人脸RPN采用Tanh-Sigmoid激活函数作为锚框分类激活函数,表达式为:
其中,x表示锚框得分;
所述人脸识别模块用于提取所述待识别人脸图像的人脸特征向量并与所述员工信息存储单元中的每个员工人脸特征向量进行比对并识别。
所述信息记录模块在人脸识别成功后,记录当前考勤信息;否则人脸图像获取模块重新拍摄待识别员工图像,再进行人脸识别。
当人脸识别次数超过阈值a1时,所述指纹图像获取模块采集员工的待识别指纹图像,并指纹识别模块进行指纹识别。
进一步地,所述指纹识别模块是采用指纹RetinaNet模型进行识别;所述指纹RetinaNet模型包括指纹骨干网络、指纹颈部网络和指纹检测网络;
将指纹EfficientNet作为指纹骨干网络,用于从输入的指纹图像中提取指纹特征,输出不同层次的指纹图像特征图;
所述指纹EfficientNet包括七个重复的特征提取模块,在每个特征提取模块后添加ECA注意力机制;
所述指纹颈部网络用于融合所述不同层次的特征图,生成指纹图像特征向量;
所述指纹检测网络根据所述指纹图像特征向量来进行指纹识别;采用识别损失函数作为指纹识别的损失函数,表达式为:
/>
其中,f表示指纹识别正确的概率,表示指纹识别错误的概率。
所述考勤信息记录模块在指纹识别成功后,记录当前考勤信息;否则指纹图像获取模块重新采集员工的待识别指纹图像,再进行指纹识别。
当指纹识别次数超过阈值a2时,所述签字图像获取模块采集员工的待识别签字图像,所述签字识别模块进行签字识别。
所述考勤信息记录模块在签字识别成功后,记录当前考勤信息;否则签字图像获取模块重新采集员工的待识别签字图像,再进行签字识别。
当签字识别次数超过阈值a3时,考勤信息记录模块纪录识别异常结果。
S230.考勤信息输出单元用于根据获取的员工考勤信息识别考勤状态信息并输出。
进一步地,所述考勤信息输出单元是根据考勤信息获取单元中获得的考勤信息识别考勤状态信息,并进行输出。所述考勤信息包括当前时间和对应的员工身份信息。所述考勤状态包括正常、迟到、早退、加班和识别异常。
S240.考勤信息存储单元用于存储所述考勤信息输出单元输出的考勤状态信息。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书一个或多个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。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.人力资源用考勤信息自动化管理方法,其特征在于,包括:
采集待识别员工图像,并采用人脸RetinaNet模型检测人脸图像并识别;
人脸识别成功后,记录当前考勤信息;
当人脸识别次数超过阈值a1时,采集员工的待识别指纹图像,并采用指纹RetinaNet模型进行指纹识别;
所述指纹RetinaNet模型包括指纹骨干网络、指纹颈部网络和指纹检测网络;
将指纹EfficientNet作为指纹骨干网络,用于从输入的指纹图像中提取指纹特征,输出不同层次的指纹图像特征图;所述指纹EfficientNet包含多个指纹特征提取模块;
在所述指纹EfficientNet中,每个所述指纹特征提取模块后添加ECA注意力机制;
所述指纹颈部网络用于融合所述不同层次的特征图,生成指纹图像特征向量;
所述指纹检测网络根据所述指纹图像特征向量来进行指纹识别;
采用识别损失函数Lf作为指纹识别的损失函数,其表达式为:
其中,f表示指纹识别正确的概率;表示指纹识别错误的概率;
指纹识别成功后,记录当前考勤信息;
当指纹识别次数超过阈值a2时,采集员工的待识别签字图像,并采用签字RetinaNet模型进行签字识别;
签字识别成功后,记录当前考勤信息;
当签字识别次数超过阈值a3时,输出识别异常结果;
根据考勤信息识别员工考勤状态;
输出员工考勤状态结果。
2.根据权利要求1所述的人力资源用考勤信息自动化管理方法,其特征在于,所述采集待识别员工图像之前还包括:
采集每个员工人脸图像、指纹图像和签字图像分别构建人脸图像集、指纹图像集和签字图像集;
采用所述人脸RetinaNet提取所述人脸图像集中每个人脸图像的特征向量,构建人脸特征向量集;
采用所述指纹RetinaNet提取所述指纹图像集中每个指纹图像的特征向量,构建指纹特征向量集;
采用所述签字RetinaNet提取所述签字图像集中每个签字图像的特征向量,构建签字特征向量集;
所述人脸特征向量集、所述指纹特征向量集和所述签字特征向量集中的每个特征向量都对应员工的身份信息;
所述身份信息包括姓名、职位和所属部门。
3.根据权利要求1所述的人力资源用考勤信息自动化管理方法,其特征在于,所述当前考勤信息包括当前时间和对应的员工身份信息。
4.根据权利要求1所述的人力资源用考勤信息自动化管理方法,其特征在于,所述采集待识别员工图像、所述采集待识别指纹图像和所述采集待识别签字图像还包括:
采用小波去噪和直方图均衡化对所述待识别员工图像、所述待识别指纹图像和所述待识别签字图像进行预处理,具体步骤包括:
采用小波算法对所述待识别员工图像、所述待识别指纹图像和所述待识别签字图像进行去噪;
采用直方图均衡化对所述去噪后的待识别员工图像、待识别指纹图像和待识别签字图像进行图像增强处理,输出预处理后的所述待识别员工图像、所述待识别指纹图像和所述待识别签字图像。
5.根据权利要求1所述的人力资源用考勤信息自动化管理方法,其特征在于,所述人脸RetinaNet模型包括人脸检测模块和人脸识别模块;
所述人脸检测模块采用人脸检测RetinaNet模型进行检测待识别员工图像中的待识别人脸图像;
所述人脸检测RetinaNet模型包括人脸骨干网络、人脸颈部网络和人脸检测网络;
将人脸EfficientNet作为人脸骨干网络,用于从输入的员工图像中提取人脸区域图像特征,输出不同层次的人脸图像特征图;所述人脸EfficientNet包含多个人脸特征提取模块;
所述人脸EfficientNet在每个所述人脸特征提取模块后添加ECA注意力机制;
所述人脸颈部网络用于融合所述不同层次的人脸图像特征图,生成人脸区域图像特征;
所述人脸检测网络根据所述人脸区域图像特征采用人脸RPN生成人脸区域边界框,并根据所述人脸区域边界框输出待识别人脸图像;
所述人脸RPN采用Tanh-Sigmoid激活函数作为锚框分类激活函数,表达式为:
其中,x表示输入的锚框得分;
所述人脸识别模块用于提取所述待识别人脸图像的人脸特征向量并进行识别。
6.根据权利要求1所述的人力资源用考勤信息自动化管理方法,其特征在于,所述签字RetinaNet模型进行签字识别包括:
所述签字RetinaNet模型的结构和指纹RetinaNet模型相同,包括签字骨干网络、签字颈部网络和签字检测网络;
所述签字检测模块将签字EfficientNet作为签字骨干网络,用于从输入的签字图像中提取签字特征,输出不同层次的签字图像特征图;
所述签字EfficientNet在每个特征提取模块后添加ECA注意力机制;
所述签字颈部网络用于融合所述不同层次的特征图,生成签字图像特征向量;
所述签字检测网络根据所述签字图像特征向量来进行签字识别;
采用识别损失函数Ls作为签字识别的损失函数,其表达式为:
其中,s表示签字识别正确的概率;表示签字识别错误的概率。
7.根据权利要求1所述的人力资源用考勤信息自动化管理方法,其特征在于,所述人脸识别、指纹识别和签字识别包括:
计算提取到的所述待识别人脸特征向量和所述人脸特征向量集中每个人脸特征向量的考勤相似度输出第一考勤相似度集;
输出第一考勤相似度集中最大的考勤相似度当/>时,表示人脸识别成功,输出所述人脸特征向量对应的员工身份信息;
所述考勤相似度计算表达式为:
其中,表示人脸特征向量集中第i个人脸特征向量和待识别人脸特征向量的相似度;Nf表示人脸特征向量中特征元素个数;Fj表示待识别人脸特征向量中第j个特征元素;/>表示人脸特征向量集中第i个人脸特征向量的第j个特征元素;
计算提取到的所述待识别指纹特征向量和所述指纹特征向量集中每个指纹特征向量的考勤相似度输出第二考勤相似度集;
输出第二考勤相似度集中最大的考勤相似度当/>时,表示指纹识别成功,输出所述指纹特征向量对应的员工身份信息;
所述考勤相似度计算表达式为:
其中,表示指纹特征向量集中第i个指纹特征向量和待识别指纹特征向量的相似度;Nm表示指纹特征向量中特征元素个数;Mj表示待识别指纹特征向量中第j个特征元素;/>表示指纹特征向量集中第i个指纹特征向量的第j个特征元素;
计算提取到的所述待识别签字特征向量和所述人脸特征向量集中每个签字特征向量的考勤相似度输出第三考勤相似度集;
输出第三考勤相似度集中最大的考勤相似度当/>时,表示签字识别成功,输出所述签字特征向量对应的员工身份信息;
所述考勤相似度计算表达式为:
其中,表示签字特征向量集中第i个签字特征向量和待识别签字特征向量的相似度;Nh表示签字特征向量中特征元素个数;Hj表示待识别签字特征向量中第j个特征元素;/>表示签字特征向量集中第i个签字特征向量的第j个特征元素。
8.人力资源用考勤信息自动化管理系统,其特征在于,包括员工信息存储单元,考勤信息获取单元、考勤信息输出单元和考勤信息存储单元;
所述员工信息存储单元用于采集所有员工的人脸特征向量、指纹特征向量和签字特征向量并进行存储;
所述考勤信息获取单元用于获取待识别员工的考勤信息;
所述考勤信息获取单元包括人脸图像获取模块、人脸识别模块、指纹图像获取模块、指纹识别模块、签字图像获取模块、签字识别模块和考勤信息记录模块;
所述考勤信息存储单元用于存储所述考勤信息获取单元获取的所述考勤信息;
所述考勤信息输出单元用于根据所述考勤信息存储单元存储的考勤信息识别考勤状态信息并输出。
9.根据权利要求8所述的人力资源用考勤信息自动化管理系统,其特征在于,所述人脸识别模块包括:
所述人脸识别模块是采用人脸RetinaNet模型检测人脸图像并识别;
所述人脸RetinaNet模型包括人脸检测模块和人脸识别模块;
所述人脸检测模块用于检测待识别员工图像中的人脸区域图像;
所述人脸检测模块采用人脸检测RetinaNet模型进行检测待识别员工图像中的待识别人脸图像;
所述人脸检测RetinaNet模型包括人脸骨干网络、人脸颈部网络和人脸检测网络;
将人脸EfficientNet作为人脸骨干网络,用于从输入的员工图像中提取人脸区域图像特征,输出不同层次的人脸图像特征图;所述人脸EfficientNet包含多个人脸特征提取模块;
所述人脸EfficientNet在每个所述人脸特征提取模块后添加ECA注意力机制;
所述人脸颈部网络用于融合所述不同层次的人脸图像特征图,生成人脸区域图像特征;
所述人脸检测网络根据所述人脸区域图像特征采用人脸RPN生成人脸区域边界框,并根据所述人脸区域边界框输出待识别人脸图像;
所述人脸RPN采用Tanh-Sigmoid激活函数作为锚框分类激活函数,表达式为:
其中,x表示锚框得分;
所述人脸识别模块用于提取所述待识别人脸图像的人脸特征向量并与所述员工信息存储单元中的每个员工人脸特征向量进行比对并识别。
10.根据权利要求8所述的人力资源用考勤信息自动化管理系统,其特征在于,所述指纹识别模块包括:
所述指纹识别模块是采用指纹RetinaNet模型进行识别;
所述指纹RetinaNet模型包括指纹骨干网络、指纹颈部网络和指纹检测网络;
将指纹EfficientNet作为指纹骨干网络,用于从输入的指纹图像中提取指纹特征,输出不同层次的指纹图像特征图;所述指纹EfficientNet包含多个指纹特征提取模块;
在所述指纹EfficientNet中,每个所述指纹特征提取模块后添加ECA注意力机制;
所述指纹颈部网络用于融合所述不同层次的特征图,生成指纹图像特征向量;
所述指纹检测网络根据所述指纹图像特征向量与所述员工信息存储单元中的每个员工指纹特征向量进行比对并识别;
采用识别损失函数Lf作为指纹识别的损失函数,其表达式为:
其中,f表示指纹识别正确的概率,表示指纹识别错误的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311470807.7A CN117409468A (zh) | 2023-11-07 | 2023-11-07 | 人力资源用考勤信息自动化管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311470807.7A CN117409468A (zh) | 2023-11-07 | 2023-11-07 | 人力资源用考勤信息自动化管理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117409468A true CN117409468A (zh) | 2024-01-16 |
Family
ID=89486931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311470807.7A Pending CN117409468A (zh) | 2023-11-07 | 2023-11-07 | 人力资源用考勤信息自动化管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117409468A (zh) |
-
2023
- 2023-11-07 CN CN202311470807.7A patent/CN117409468A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569701B (zh) | 计算机执行的车辆定损方法及装置 | |
CN107316036B (zh) | 一种基于级联分类器的害虫识别方法 | |
US9489566B2 (en) | Image recognition apparatus and image recognition method for identifying object | |
Mady et al. | Face recognition and detection using Random forest and combination of LBP and HOG features | |
CN110827432B (zh) | 一种基于人脸识别的课堂考勤方法及系统 | |
CN113205002B (zh) | 非受限视频监控的低清人脸识别方法、装置、设备及介质 | |
CN109376717A (zh) | 人脸对比的身份识别方法、装置、电子设备及存储介质 | |
Haji et al. | Real time face recognition system (RTFRS) | |
Hendryli et al. | Automatic license plate recognition for parking system using convolutional neural networks | |
Suwannakhun et al. | Identification and Retrieval System by Using Face Detection | |
US20230147685A1 (en) | Generalized anomaly detection | |
CN113255557A (zh) | 一种基于深度学习的视频人群情绪分析方法及系统 | |
Balasubramanian et al. | Conformal predictions for information fusion: A comparative study of p-value combination methods | |
Mondal et al. | Secure and hassle-free EVM through deep learning based face recognition | |
Jha et al. | An Automated Attendance System Using Facial Detection and Recognition Technology | |
CN115497124A (zh) | 身份识别方法和装置及存储介质 | |
CN111882034A (zh) | 神经网络处理及人脸识别方法、装置、设备和存储介质 | |
Andiani et al. | Face recognition for work attendance using multitask convolutional neural network (MTCNN) and pre-trained facenet | |
CN112183504B (zh) | 一种基于非接触式手掌静脉图像的视频注册方法及装置 | |
CN112307453A (zh) | 基于人脸识别的人员管理方法及系统 | |
CN117409468A (zh) | 人力资源用考勤信息自动化管理方法和系统 | |
US20230069960A1 (en) | Generalized anomaly detection | |
Loos et al. | Detection and identification of chimpanzee faces in the wild | |
CN114495220A (zh) | 一种目标身份识别方法、装置以及存储介质 | |
CN112651996A (zh) | 目标检测跟踪方法、装置、电子设备和存储介质 |
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 |