人脸批量识别考勤系统及方法与流程

本发明涉及人脸识别领域，具体为人脸批量识别考勤系统及方法。

背景技术：

人脸识别技术对图片或者视频中的人物脸部物理特征进行身份识别，从而对认证后的人脸进行后续的一系列操作，主要可用的大型场景包括安防，安检，交通管理等，小型场景包括家庭安全监控，公司考勤等，目前用作考勤的人脸识别技术基本上都专注于设计一台考勤机装置，这台装置包括一个小型网络摄像头，一个小型人脸大小的显示屏，有可能还包括一个指纹识别装置。使用该技术后，员工进入公司必须排队经过此台考勤机，如果公司规模比较大，员工人数较多，这就会导致一些问题出现：员工在上下班时间排队通过考勤机，考勤时间过长，考勤效率低，并且公司为了考勤需要购买许多数量考勤机，成本比较高。

技术实现要素：

为实现上述目的，本发明提供如下技术方案：人脸批量识别考勤系统，包括：

数据采集模块，同时采集至少两个考勤对象的人脸图像数据；

模型生成模块，根据所述人脸图像数据通过人脸识别算法获得人脸预测模型，根据所述人脸预测模型匹配对应的考勤对象的的标识id，获得人脸识别结果，并通过所述标识id将采集到的所述人脸的图像数据按照预定格式分别存入相对应的考勤对象的图像集中；

数据处理模块，将人脸识别结果被推送至消息队列中，并通过所述消息队列批量处理所述人脸识别结果，并在接收到订阅该消息队列的申请后，将所述人脸识别结果发送给数据显示模块，同时将所述人脸识别结果记录在数据库中；

数据显示模块，接收数据处理模块发送的人脸识别结果，并将所述人脸识别结果输出到显示终端。

进一步地，还包括数据存储模块，将人脸识别结果分时间段存储在专门的分布式数据存储节点上。

数据显示模块，接收数据处理模块发送的人脸识别结果，并将所述人脸识别结果输出到显示终端。

进一步地，还包括数据存储模块，将人脸识别结果分时间段存储在专门的分布式数据存储节点上。

进一步地，还包括报告生成模块，根据人脸识别结果生成考勤需要的各种报表。

进一步地，所述数据采集模块包括web终端，通过web终端上传个人脸部图像数据采集得到所述人脸的图像数据。

进一步地，所述数据库记录每个考勤对象每天第一次通过人脸识别考勤的时间以及最后一次通过人脸识别考勤的时间。

进一步地，通过所述数据库存储消息队列中的人脸识别结果，多个考勤对象的信息存储在一个数据库中。

进一步地，所述报告生成模块提供考勤所需要的各种报表，包括考勤对象工号、姓名、上下班时间以及加班时间。

本发明还提供一种人脸批量识别考勤方法，包括如下步骤：

步骤s1：同时采集至少两个考勤对象的人脸图像数据；

步骤s2：根据所述人脸图像数据通过人脸识别算法获得人脸预测模型，根据所述人脸预测模型匹配对应的考勤对象的的标识id，获得人脸识别结果，并通过所述标识id将采集到的所述人脸的图像数据按照预定格式分别存入相对应的考勤对象的图像集中；

步骤s3:将人脸识别结果被推送至消息队列中，并通过所述消息队列批量处理所述人脸识别结果，并在接收到订阅该消息队列的申请后，将所述人脸识别结果发送给数据显示模块，同时将所述人脸识别结果记录在数据库中；

步骤s4：接收数据处理模块发送的人脸识别结果，并将所述人脸识别结果输出到显示终端。

进一步地，将人脸识别结果分时间段存储在专门的分布式数据存储节点上。

进一步地，步骤s1具体包括：通过web终端上传个人脸部图像数据采集得到所述人脸的图像数据，和/或通过摄像头的覆盖区域自动采集得到所述人脸的图像数据。

进一步地，所述数据库记录每个考勤对象每天第一次通过人脸识别考勤的时间以及最后一次通过人脸识别考勤的时间。

进一步地，根据人脸识别结果生成考勤需要的各种报表。

进一步地，通过所述数据库存储消息队列中的结果，多人信息存储在一个数据库中。

通过所述数据库存储消息队列中的人脸识别结果，多个考勤对象的信息存储在一个数据库中。

与现有技术相比，本发明的有益效果是：

本系统中同一个设备可以同时识别多个人，可以同时检测出众多员工的人脸，无须员工下班排队到考勤机前进行刷脸操作，提高考勤效率，降低考勤成本。

附图说明：

图1为本发明提出的europa人脸批量无感识别考勤系统图；

图2为本发明模型生成模块思维导图；

图3为本发明人脸批量无感识别控制图；

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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1-3，本发明实施例提供一种人脸批量识别考勤系统，包括：数据采集模块，同时采集至少两个考勤对象的人脸图像数据；

模型生成模块，根据所述人脸图像数据通过人脸识别算法获得人脸预测模型，根据所述人脸预测模型匹配对应的考勤对象的的标识id，获得人脸识别结果，并通过所述标识id将采集到的所述人脸的图像数据按照预定格式分别存入相对应的考勤对象的图像集中；

数据处理模块，将人脸识别结果被推送至消息队列中，并通过所述消息队列批量处理所述人脸识别结果，并在接收到订阅该消息队列的申请后，将所述人脸识别结果发送给数据显示模块，同时将所述人脸识别结果记录在数据库中；

数据显示模块，接收数据处理模块发送的人脸识别结果，并将所述人脸识别结果输出到显示终端。

优选的，系统还包括数据存储模块，将人脸识别结果分时间段存储在专门的分布式数据存储节点上。

数据显示模块，接收数据处理模块发送的人脸识别结果，并将所述人脸识别结果输出到显示终端。

优选的，系统还包括数据存储模块，将人脸识别结果分时间段存储在专门的分布式数据存储节点上。

优选的，系统还包括报告生成模块，根据人脸识别结果生成考勤需要的各种报表。

优选的，所述数据采集模块包括web终端，通过web终端上传个人脸部图像数据采集得到所述人脸的图像数据。

优选的，所述数据库记录每个考勤对象每天第一次通过人脸识别考勤的时间以及最后一次通过人脸识别考勤的时间。

优选的，通过所述数据库存储消息队列中的人脸识别结果，多个考勤对象的信息存储在一个数据库中。

优选的，所述报告生成模块提供考勤所需要的各种报表，包括考勤对象工号、姓名、上下班时间以及加班时间。

上述实施例具体实施操作可以如下所述：

数据采集部分分为两种方法，一种是员工通过web端上传个人脸部图像数据，另一种是员工通过摄像头覆盖区域自动采集员工脸部或者人形的图像数据。收集上来的脸部数据经过定位、校准、统一裁剪为96x96大小的训练图像，然后将此图集分别放入各个员工的id下作为训练集。

模型生成可以通过神经网络模型经过反向传播法以及随机梯度下降法优化损失函数tripletloss，得到人脸128维度的特征矩阵，最后通过svm支持向量机分类算法得到最终人脸预测模型。

人脸识别结果被推送至消息队列中，终端订阅该消息队列，接收到预测结果，将结果显示在视频上，同时将数据持久化记录在mysql数据库中。

人脸考勤系统通过访问rtmp流媒体视频服务器，与此同时得到数据处理模块订阅到的多个人脸识别结果输出到视频流中，这样可以实时观看视频中多个人脸考勤情况

人脸识别监控视频分时间段存储在专门的分布式数据存储节点上。

其中，所述数据采集模块中，摄像头可以采用海康威视ds-2dc2204iw-de3/wminiptz摄像头球机(不限于此，此处只是举例说明)，200万像素，红外30m探测距离，poe供电，4倍光学变焦。采用海康威视摄像头官方sdk可以控制摄像头的上、下、左、右旋转操作，可以控制图片方向，通过变焦可以控制图片大小。将对摄像头操作的代码直接集成进视频服务器中，访问服务器即可对摄像头的动作或者姿态进行调整。拍摄时，通过预设置的easydarwin开源视频服务器对摄像头解协议(rtsp)，解码(h264)，可以稳定地将视频流以40毫秒左右的延迟，25fps的帧率传输到算法模块。多个摄像头通过有线局域网或者无线局域网连接至视频服务器统一管理，视频服务器可以管理多个摄像头，分屏幕显示各个摄像头的图像。

其中，所述步骤s2中，使用该模型可以预测图片或者视频流中人脸id，准确率在lfw数据集中达到99.63％，预测速度能达到100毫秒级别，能满足8万人左右的人脸识别。

其中，所述步骤s3中，使用此消息队列可以批量处理人脸识别的结果，一个终端可以批量处理多个人脸信息。另外，mysql数据库记录分析员工一天24小时内第一次进入公司的时间以及最后一次出现在公司门口的时间来判断考勤，第二天0时起记录新一天的数据。

进一步地，所述步骤s4中，视频服务器对视频流解协议(rtsp、rtmp)，解码(h264、h265)，可以稳定流畅地显示视频。

其中，所述步骤s5中，使用mysql数据库存储消息队列中的结果，多员工信息存储在一个数据库中。

其中，所述报告生成模块提供考勤所需要的各种报表，包括员工id，员工姓名，员工上班时间，员工下班时间，员工平日加班时间，员工周末加班时间。系统管理员可以指定上班时间段，下班时间段，加班时间段，也可以指定规则生成一定时间内某个部门哪些员工的考勤情况。

本发明还提供了europa人脸批量无感识别考勤方法，包括记录员工信息和员工打卡考勤记录，并将所述员工信息和打卡记录上传至考勤数据库；

根据打卡记录的数据，自动采集考勤现场的全景图像文件，并将采集的所述全景图像文件上传至所述考勤数据库，对上传至所述考勤数据库中的所述全景图像文件进行人脸识别处理，切分出所述全景图像文件中的每张人脸图像，对切分出的每张人脸图像与所述考勤数据库中记录的所述员工信息进行匹配，并将匹配结果输出至所述考勤数据库中，建立考勤关系。

其中，采用基于深度学习的目标检测方法对上传的所述全景图像文件中的人图像进行检测、定位并且，所述切分出所述全景图像文件中的每张人脸图像的步骤，包括：将所述全景图像文件中已检测出的所述人脸图像进行切图、编码和归档。

本发明实施例还提供一种人脸批量识别考勤方法，包括如下步骤：

步骤s1：同时采集至少两个考勤对象的人脸图像数据；

步骤s2：根据所述人脸图像数据通过人脸识别算法获得人脸预测模型，根据所述人脸预测模型匹配对应的考勤对象的的标识id，获得人脸识别结果，并通过所述标识id将采集到的所述人脸的图像数据按照预定格式分别存入相对应的考勤对象的图像集中；

步骤s3:将人脸识别结果被推送至消息队列中，并通过所述消息队列批量处理所述人脸识别结果，并在接收到订阅该消息队列的申请后，将所述人脸识别结果发送给数据显示模块，同时将所述人脸识别结果记录在数据库中；

步骤s4：接收数据处理模块发送的人脸识别结果，并将所述人脸识别结果输出到显示终端。

优选的，将人脸识别结果分时间段存储在专门的分布式数据存储节点上。

优选的，步骤s1具体包括：通过web终端上传个人脸部图像数据采集得到所述人脸的图像数据，和/或通过摄像头的覆盖区域自动采集得到所述人脸的图像数据。

优选的，所述数据库记录每个考勤对象每天第一次通过人脸识别考勤的时间以及最后一次通过人脸识别考勤的时间。

优选的，根据人脸识别结果生成考勤需要的各种报表。

优选的，通过所述数据库存储消息队列中的结果，多人信息存储在一个数据库中。

通过所述数据库存储消息队列中的人脸识别结果，多个考勤对象的信息存储在一个数据库中。

上述所有实施例方案中，使用批量人脸识别考勤系统可以对多种考勤状态进行自定义操作，自定义设置上班时间段，下班时间段，加班时间段，以便满足多种考勤需求。

上述实施例方案中，摄像头可以使用公司已有的ptz安防摄像头部署在恰当的位置上连接有限网络或者无线网络即可实现批量考勤功能，无须使用考勤机既刷人脸又刷指纹，进一步降低考勤成本，提高考勤效率。

上述实施例方案中，考勤系统可以采用docker微服务的方式，将算法微服务统一交由kubernate调度，一帧数据可以由多个算法微服务提供计算，再把预测结果汇总到这一帧的图像上面，这样做使得人脸的批量识别成为可能，将极大地优化监控实时视频的速度。

本实施例的一个具体应用为：包括记录员工信息和员工打卡考勤记录，并将所述员工信息和打卡记录上传至考勤数据库；根据打卡记录的数据，自动采集考勤现场的全景图像文件，并将采集的所述全景图像文件上传至所述考勤数据库，对上传至所述考勤数据库中的所述全景图像文件进行人脸识别处理，切分出所述全景图像文件中的每张人脸图像，对切分出的每张人脸图像与所述考勤数据库中记录的所述员工信息进行匹配，并将匹配结果输出至所述考勤数据库中，建立考勤关系，采用基于深度学习的目标检测方法对上传的所述全景图像文件中的人图像进行检测、定位并且，所述切分出所述全景图像文件中的每张人脸图像的步骤，将所述全景图像文件中已检测出的所述人脸图像进行切图、编码和归档，上传至所述考勤数据库中的所述全景图像文件中的每张人脸图像与员工信息的匹配关系，并且，在建立所述考勤关系后，记录未匹配到所述人脸图像的员工信息，并将未成功匹配的信息下发至对应员工，未成功匹配的信息时，指定一申诉期间，并且，所述考勤数据库在所述申诉期间对所述员工提供证据查询与申诉服务。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。