基于人脸识别的考勤方法、装置、电子设备和存储介质与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于人脸识别的考勤方法、装置、电子设备和存储介质。


背景技术：

2.随着科技的日益进步，现在科学技术已经渗透到我们生活的每一个角落，例如人工智能及人脸识别技术。
3.目前，人脸识别已经广泛应用在企事业单位的上下班打卡考勤中，但是，现有的基于人脸识别的考勤设备及系统均需要用户进行主动配合，考勤效率较低，人流量较大时引起严重的排队问题。


技术实现要素：

4.为了解决现有技术中存在的上述问题，本技术实施方式提供了一种基于人脸识别的考勤方法、装置、电子设备和存储介质，可以极大的提升考勤效率。
5.第一方面，本技术的实施方式提供了一种基于人脸识别的考勤方法，包括：
6.对实时视频进行视频帧提取，得到第一帧图像，其中，第一帧图像为目标考勤人员首次出现在实时视频中的图像；
7.对第一帧图像进行人脸检测，得到目标考勤人员的第一人脸图像，并将第一人脸图像加入人脸图像集，其中，人脸图像集初始包含0张人脸图像；
8.根据第一人脸图像对目标考勤人员进行第一考勤；
9.若第一考勤未通过，则再次对实时视频进行视频帧提取，得到第二帧图像，其中，第二帧图像位于第一帧图像之后，且相隔i帧图像，i为大于0的正整数；
10.确定第二帧图像中是否包含目标考勤人员；
11.若第二帧图像包含目标考勤人员，则将第二帧图像作为新的第一帧图像，并对新的第一帧图像进行人脸检测，得到目标考勤人员的第二人脸图像；
12.根据第二人脸图像或人脸图像集，再次对目标考勤人员进行第一考勤。
13.第二方面，本技术的实施方式提供了一种基于人脸识别的考勤装置，包括：
14.帧提取模块，用于对实时视频进行视频帧提取，得到第一帧图像，其中，第一帧图像为目标考勤人员首次出现在实时视频中的图像；
15.人脸检测模块，用于对第一帧图像进行人脸检测，得到目标考勤人员的第一人脸图像，并将第一人脸图像加入人脸图像集，其中，人脸图像集初始包含0张人脸图像；
16.第一考勤模块，用于根据第一人脸图像对目标考勤人员进行第一考勤；
17.帧提取模块，还用于在第一考勤未通过时，再次对实时视频进行视频帧提取，得到第二帧图像，其中，第二帧图像位于第一帧图像之后，且相隔i帧图像，i为大于0的正整数；
18.人脸检测模块，还用于确定第二帧图像中是否包含目标考勤人员，在第二帧图像包含目标考勤人员时，将第二帧图像作为新的第一帧图像，并对新的第一帧图像进行人脸
检测，得到目标考勤人员的第二人脸图像；
19.第一考勤模块，还用于根据第二人脸图像或人脸图像集，再次对目标考勤人员进行第一考勤。
20.第三方面，本技术实施方式提供一种电子设备，包括：处理器，处理器与存储器相连，存储器用于存储计算机程序，处理器用于执行存储器中存储的计算机程序，以使得电子设备执行如第一方面的方法。
21.第四方面，本技术实施方式提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序使得计算机执行如第一方面的方法。
22.第五方面，本技术实施方式提供一种计算机程序产品，计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，计算机可操作来使计算机执行如第一方面的方法。
23.实施本技术实施方式，具有如下有益效果：
24.可以看出，在本技术实施方式中，通过对目标考勤人员首次出现在实时视频中的图像进行提取，得到第一人脸图像，继而在第一人脸图像的基础上进行人脸识别。若识别失败，则获取实时视频中后几帧的图像进行识别，直至目标考勤人员消失在实时视频中。由此，无需目标考勤人员主动配合或停留，即可实现对目标考勤人员的考勤，实现了真正的无感知考勤，极大的提升了考勤效率，解决了人流量较大时引起严重的排队问题。
附图说明
25.为了更清楚地说明本技术实施方式中的技术方案，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
26.图1为本技术实施方式提供的一种基于人脸识别的考勤方法的流程示意图；
27.图2为本技术实施方式提供的一种第一考勤的方法的流程示意图；
28.图3为本技术实施方式提供的一种根据人脸图像集再次对目标考勤人员进行第一考勤的方法的流程示意图；
29.图4为本技术实施方式提供的一种基于人脸识别的考勤装置的功能模块组成框图；
30.图5为本技术实施方式提供的一种电子设备的结构示意图；
31.图6为本技术实施方式提供的一种第一帧图像的示例图。
具体实施方式
32.下面将结合本技术实施方式中的附图，对本技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本技术一部分实施方式，而不是全部的实施方式。基于本技术中的实施方式，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他实施方式，都属于本技术保护的范围。
33.本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它
们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
34.在本文中提及“实施方式”意味着，结合实施方式描述的特定特征、结果或特性可以包含在本技术的至少一个实施方式中。在说明书中的各个位置出现该短语并不一定均是指相同的实施方式，也不是与其它实施方式互斥的独立的或备选的实施方式。本领域技术人员显式地和隐式地理解的是，本文所描述的实施方式可以与其它实施方式相结合。
35.参阅图1，图1为本技术实施方式提供的一种基于人脸识别的考勤方法的流程示意图。该基于人脸识别的考勤方法包括以下步骤：
36.101：对实时视频进行视频帧提取，得到第一帧图像。
37.在本实施方式中，该实时视频可以通过设置于考勤出入口的摄像头实时拍摄获取，第一帧图像为目标考勤人员首次出现在实时视频中的图像。即，当目标考勤人员初次出现在摄像头的拍摄范围内时，对该时刻的实时视频进行视频帧提取，获得包含该目标考勤人员的一帧图像。其中，出现在摄像头拍摄范围内的任何人，均被识别为目标考勤人员，进行考勤认证。
38.102：对第一帧图像进行人脸检测，得到目标考勤人员的第一人脸图像，并将第一人脸图像加入人脸图像集。
39.在本实施方式中，人脸图像集初始包含0张人脸图像。
40.103：根据第一人脸图像对目标考勤人员进行第一考勤，若第一考勤未通过，则跳转至步骤104，否则，跳转至步骤108；
41.在本实时方式中，给出了一种第一考勤的方法，如图2所示，该方法包括：
42.201：对第一人脸图像进行特征提取，得到特征向量。
43.在本实施方式中，在获得第一人脸图像后，可以确定该目标考勤人员的内眼角、外眼角和鼻翼的间距，以及嘴角间的宽度。根据该内眼角、外眼角和鼻翼的间距，以及该嘴角间的宽度，确定该目标考勤人员的面部特征向量。
44.202：分别确定特征向量，与预设的人脸库中的每个人脸向量之间的相似度，并确定相似度中的最大值作为最大相似度。
45.在本实施方式中，可以通过计算特征向量和每个人脸向量之间的夹角余弦值，并用该夹角余弦值作为特征向量和每个人脸向量之间的相似度。
46.示例性的，特征向量a＝[a1，a2，
…
，ai，
…
，an]，和每个人脸向量b＝[b1，b2，
…
，bi，
…
，bn]，其中，i＝1，2，
…
，n，n为大于1的正整数。
[0047]
基于此，夹角余弦值可以通过公式
①
表示：
[0048][0049]
其中，a
·
b表示特征向量a与每个人脸向量b的内积，丨丨为取模符号，丨a丨表示特征向量a的模，丨b丨表示每个人脸向量b的模。
[0050]
进一步的，特征向量a与每个人脸向量b的内积可以通过公式
②
表示：
[0051][0052]
进一步的，特征向量a的模可以通过公式
③
表示：
[0053][0054]
最后，将该夹角余弦值作为特征向量a与每个人脸向量b之间的相似度。示例性的，特征向量a与每个人脸向量b之间的相似度可以通过公式
④
表示：
[0055]
d＝cosθ
…………④
[0056]
由于余弦值的取值范围为[-1，1]，这使得余弦值在高维的情况下依然拥有相同时为1、正交时为0、相反时为-1的性质。即，余弦值越趋近于1，代表两个向量的方向越接近；越趋近于-1，他们的方向越相反；接近于0，表示两个向量近乎于正交，可以提现两个向量方向上的相对差异。由此，采用余弦值作为特征向量a与每个人脸向量b之间的相似度，可以精确的表示特征向量a与每个人脸向量b像之间的相似程度。
[0057]
203：若最大相似度大于或等于阈值，则确定目标考勤人员第一考勤通过；
[0058]
204：若最大相似度小于阈值，则确定目标考勤人员第一考勤未通过。
[0059]
104：再次对实时视频进行视频帧提取，得到第二帧图像。
[0060]
在本实施方式中，第二帧图像位于第一帧图像之后，且相隔i帧图像，i为预设的定值，且为大于0的正整数。由此，可以按照固定的对实时图像进行视频帧提取，利于确定目标考勤人员在第二帧图像中的位置。
[0061]
105：确定第二帧图像中是否包含目标考勤人员，若第二帧图像包含目标考勤人员，则跳转至步骤106，否则，跳转至步骤109；
[0062]
示例性的，由于在步骤104中，通过相隔预设的定值i，获取第一帧图像之后，且相隔i帧图像。因此，可以通过实时视频分析目标考勤人员的行动方向和行动速度，继而结合第一帧图像快速确定该目标考勤人员在第二帧图像中的位置。
[0063]
示例性的，图6给出了一种第一帧图像的示例图，根据对图6所示的视频帧之前的实时视频的分析，可以得到该目标考勤人员的行动方向如箭头f所示，行动速度为c米每秒。因此，可以预测在经过i帧后，该目标考勤人员会朝向箭头f所示的方向移动(c
×i×
t)米，其中，t表示每帧对应的秒数。基于此，即可预测，该目标考勤人员在第二帧图像中的位置。同时，通过实时视频分析目标考勤人员的行动方向和行动速度，继而结合实时视频的拍摄范围与第一帧图像，还可以确定第二帧图像中是否包含目标考勤人员。
[0064]
106：将第二帧图像作为新的第一帧图像，并对新的第一帧图像进行人脸检测，得到目标考勤人员的第二人脸图像。
[0065]
107：根据第二人脸图像或人脸图像集，再次对目标考勤人员进行第一考勤。
[0066]
在本实施方式中，对于第二人脸图像，可以将第二人脸图像作为新的第一人脸图像，从而根据新的第一人脸图像再次对目标考勤人员进行第一考勤。
[0067]
此外，在可选的实施方式中，还可以将将第二人脸图像作为新的第一人脸图像加入人脸图像集，从而根据人脸图像集再次对目标考勤人员进行第一考勤，由此，提升识别效率。
[0068]
示例性的，假定人脸图像集包括n张第一人脸图像，其中，n为大于0的正整数。基于此，本技术提供了一种根据人脸图像集再次对目标考勤人员进行第一考勤的方法，如图3所示，该方法包括：
[0069]
301：对于n张第一人脸图像中的每张第一人脸图像，分别对每张第一人脸图像进行特征提取，得到n个特征向量。
[0070]
在本实施方式中，n个特征向量和n张第一人脸图像一一对应。
[0071]
302：跟据n个特征向量，在预设的人脸库中的进行搜索比对，得到最大相似度。
[0072]
示例性的，假定预设的人脸库包括m个人脸向量，其中，m为大于0的正整数。因此，步骤302可以通过以下方式实现：
[0073]
首先，对于n个特征向量中的每个特征向量，分别将每个特征向量与预设的人脸库中的第j个人脸向量进行比对，得到n个第一相似度，其中，n个第一相似度与n个第一特征向量一一对应，j＝1、2、3、
…
、m。
[0074]
在本实施方式中，该第一相似度与前述步骤202中，确定特征向量，与预设的人脸库中的每个人脸向量之间的相似度的方法类似，在此不再赘述。
[0075]
然后，根据预设的权值对n个第一相似度进行加权求和，得到第二相似度，其中，第二相似度用于标记目标考勤人员的特征向量与预设的人脸库中的第j个人脸向量之间的相似程度。
[0076]
最后，将m个第二相似度中的最大值所对应的第二相似度作为最大相似度。
[0077]
在本实施方式中，权值可以根据人脸图像集包括的第一人脸图像的张数n确定。例如，n个第一相似度中每个第一相似度对应的权值为1/n。
[0078]
303：若最大相似度大于或等于阈值，则确定目标考勤人员第一考勤通过；
[0079]
304：若最大相似度小于阈值，则确定目标考勤人员第一考勤未通过。
[0080]
108：将目标考勤人员的资料上传至考勤服务器。
[0081]
109：考勤失败，结束对目标考勤人员的考勤流程。
[0082]
此外，在步骤107中，若采用第二人脸图像作为新的第一人脸图像，从而根据新的第一人脸图像再次对目标考勤人员进行第一考勤方式。则，在第二帧图像不包含目标考勤人员时，可以将第一人脸图像发送至算力更高的考勤服务器进行第二考勤。该考勤服务器为执行第二考勤的服务器，可以包括传统服务器、云服务器、个人电脑、平板电脑、掌上电脑、笔记本电脑、移动互联网设备mid(mobile internet devices，简称：mid)等等。
[0083]
在本实施方式中，该第二考勤的方法与步骤103中第一考勤的方法类似，只是将第一考勤中的预设的人脸库替换为历史考勤人脸库，其他步骤基本一致，在此不再赘述。从而通过历史数据检索，提高考勤成功率，防止因前端设备算力不足从而导致考勤遗漏。
[0084]
在可选的实施方式中，在步骤107中，若采用将第二人脸图像作为新的第一人脸图像，从而根据新的第一人脸图像再次对目标考勤人员进行第一考勤的方式。则，在第二帧图像不包含目标考勤人员时，可以将人脸图像集发送至算力更高的考勤服务器进行第二考勤。该第二考勤的方法与步骤107中第一考勤的方法类似，只是将第一考勤中的预设的人脸库替换为历史考勤人脸库，其他步骤基本一致，在此不再赘述。由此，通过多张图像，提升了人脸识别的精度，从而提高考勤成功率，防止因前端设备算力不足从而导致考勤遗漏。
[0085]
综上所述，本发明所提供的基于人脸识别的考勤方法，通过对目标考勤人员首次
出现在实时视频中的图像进行提取，得到第一人脸图像，继而在第一人脸图像的基础上进行人脸识别。若识别失败，则获取实时视频中后几帧的图像进行识别，直至目标考勤人员消失在实时视频中。由此，无需目标考勤人员主动配合或停留，即可实现对目标考勤人员的考勤，实现了真正的无感知考勤，极大的提升了考勤效率，解决了人流量较大时引起严重的排队问题。此外，在目标考勤人员消失在实时视频中时，通过将之前采集到的图像上传至算力更高的考勤服务器进行第二考勤，从而通过历史数据检索，提高考勤成功率，防止因前端设备算力不足从而导致考勤遗漏。
[0086]
在可选的实施方式中，本发明所提供的基于人脸识别的考勤方法，还可以应用于同时对多人进行考勤处理的环境。
[0087]
以下将以具体的示例对同时对多人进行考勤处理的环境下的基于人脸识别的考勤方法进行说明。
[0088]
在本实施例中，基于人脸识别的考勤方法由无感知人脸识别考勤前端设备执行，该前端设备安装在考勤人员日常必须经过的出入口附近，距离地面2.3米-3.2米高度的隐蔽处，正对考勤人员日常必须经过的出入口。同时，该前端设备与考勤服务器通过网络连接。
[0089]
考勤服务器，维护了被考勤人员的人脸库、考勤规则以及考勤数据，同时，还维护了历史考勤人脸特征库。
[0090]
基于此，基于人脸识别的考勤方法包括：
[0091]
u1：无感知人脸识别考勤前端设备获取实时视频，识别到人脸出现后对实时视频进行视频帧，得到第一帧图像。
[0092]
u2：对该第一帧图像进行人脸检测，将检测到的人脸图像进行标记，例如，标记为f1、f2、f3、
…
、fq。
[0093]
u3：在检测到的人脸图像组[f1、f2、f3、
…
、fq]中比对次数最小人脸图像fp。
[0094]
u4：对该人脸图像fp进行人脸质量检测，人脸质量检测通过后，对人脸图像fp进行特征提取，将得到的特征向量与被考勤人员的人脸库中的人脸特征进行比对，得到最大相似度。
[0095]
若该最大相似度大于或等于预设的阈值，则确定该人脸图像fp比对成功，将该人脸图像fp、对应的人员信息和当前时间发送至考勤服务器，完成考勤登记，并将该人脸图像fp删去。
[0096]
若该最大相似度小于预设的阈值，则确定该人脸图像fp比对失败，将该人脸图像fp标记为未通过，并将该人脸图像fp放回人脸图像组中，同时将该人脸图像fp的比对次数+1。
[0097]
u5：在人脸图像组中选择比对次数最小的人脸图像重复步骤u4。
[0098]
u6：对于比对失败的人脸图像组[g1、g2、
…
、gs]进行人脸追踪，获取第一帧图像2帧后的第二帧图像，对该第二帧图像进行人脸识别，得到比对失败的人脸图像在该第二帧图像中对应的人脸图像组[g’1、g’2、
…
、g’s]。
[0099]
u7：对人脸图像组[g’1、g’2、
…
、g’s]重复步骤u3-u5。
[0100]
由此，对实时视频中的人脸图像进行识别处理，直至某个人脸图像直至消失在实时视频中也没有比对通过。若存在直至消失在实时视频中也没有比对通过的人脸图像，则
将该人脸图像和当前时间一起发送至算力更加强大的考勤服务器，由考勤服务器提取该人脸图片的人脸特征，并与服务器内的被考勤人员的人脸库、历史考勤人脸特征库进行搜索比对，并取最高分。如最高分超过指定的阈值，则将此人脸视为比对通过，并根据考勤规则生成考勤数据。
[0101]
由此，实现了对多人的同时考勤，高效且公平将所有人脸进行比对。且将直至消失在实时视频中也没有比对通过的人脸图像发送至算力更高的考勤服务器进行识别处理，防止因前端设备算力不足导致遗漏，可同时进行多人考勤。
[0102]
参阅图4，图4为本技术实施方式提供的一种基于人脸识别的考勤装置的功能模块组成框图。如图4所示，该基于人脸识别的考勤装置400包括：
[0103]
帧提取模块401，用于对实时视频进行视频帧提取，得到第一帧图像，其中，第一帧图像为目标考勤人员首次出现在实时视频中的图像；
[0104]
人脸检测模块402，用于对第一帧图像进行人脸检测，得到目标考勤人员的第一人脸图像，并将第一人脸图像加入人脸图像集，其中，人脸图像集初始包含0张人脸图像；
[0105]
第一考勤模块403，用于根据第一人脸图像对目标考勤人员进行第一考勤；
[0106]
帧提取模块401，还用于在第一考勤未通过时，再次对实时视频进行视频帧提取，得到第二帧图像，其中，第二帧图像位于第一帧图像之后，且相隔i帧图像，i为大于0的正整数；
[0107]
人脸检测模块402，还用于确定第二帧图像中是否包含目标考勤人员，在第二帧图像包含目标考勤人员时，将第二帧图像作为新的第一帧图像，并对新的第一帧图像进行人脸检测，得到目标考勤人员的第二人脸图像；
[0108]
第一考勤模块403，还用于根据第二人脸图像或人脸图像集，再次对目标考勤人员进行第一考勤。
[0109]
在本发明的实施方式中，在根据第二人脸图像，再次对目标考勤人员进行第一考勤方面，第一考勤模块403，具体用于：
[0110]
将第二人脸图像作为新的第一人脸图像，根据新的第一人脸图像再次对目标考勤人员进行第一考勤。
[0111]
在本发明的实施方式中，在根据新的第一人脸图像再次对目标考勤人员进行第一考勤方面，第一考勤模块403，具体用于：
[0112]
对新的第一人脸图像进行特征提取，得到特征向量；
[0113]
分别确定特征向量，与预设的人脸库中的每个人脸向量之间的相似度，并确定相似度中的最大值作为最大相似度；
[0114]
若最大相似度大于或等于阈值，则确定目标考勤人员第一考勤通过；
[0115]
若最大相似度小于阈值，则确定目标考勤人员第一考勤未通过。
[0116]
在本发明的实施方式中，在确定第一特征向量，与预设的人脸库中的每个人脸向量之间的相似度方面，第一考勤模块403，具体用于：
[0117]
对特征向量进行取模，得到第一模；
[0118]
对每个人脸向量进行取模，得到第二模；
[0119]
根据特征向量和每个人脸向量的内积，以及第一模和第二模的积，确定相似度。
[0120]
在本发明的实施方式中，该基于人脸识别的考勤装置400还包括：
[0121]
第二考勤模块404，用于在第二帧图像不包含目标考勤人员时，将第一人脸图像发送至考勤服务器进行第二考勤，以完成对目标考勤人员的考勤。
[0122]
在本发明的实施方式中，在根据人脸图像集，对目标考勤人员进行第一考勤方面，第一考勤模块403，具体用于：
[0123]
将第二人脸图像作为新的第一人脸图像加入人脸图像集，并根据人脸图像集再次对目标考勤人员进行第一考勤。
[0124]
在本发明的实施方式中，人脸图像集包括n张第一人脸图像，其中，n为大于0的正整数；
[0125]
因此，在根据人脸图像集再次对目标考勤人员进行第一考勤方面，第一考勤模块403，具体用于：
[0126]
对于n张第一人脸图像中的每张第一人脸图像，分别对每张第一人脸图像进行特征提取，得到n个特征向量，其中，n个特征向量和n张第一人脸图像一一对应；
[0127]
跟据n个特征向量，在预设的人脸库中的进行搜索比对，得到最大相似度；
[0128]
若最大相似度大于或等于阈值，则确定目标考勤人员第一考勤通过；
[0129]
若最大相似度小于阈值，则确定目标考勤人员第一考勤未通过。
[0130]
在本发明的实施方式中，预设的人脸库包括m个人脸向量，其中，m为大于0的正整数；
[0131]
因此，在跟据n个特征向量，在预设的人脸库中的进行搜索比对，得到最大相似度方面，第一考勤模块403，具体用于：
[0132]
对于n个特征向量中的每个特征向量，分别将每个特征向量与预设的人脸库中的第j个人脸向量进行比对，得到n个第一相似度，其中，n个第一相似度与n个第一特征向量一一对应，j＝1、2、3、
…
、m；
[0133]
根据预设的权值对n个第一相似度进行加权求和，得到第二相似度，其中，第二相似度用于标记目标考勤人员的特征向量与预设的人脸库中的第j个人脸向量之间的相似程度；
[0134]
将m个第二相似度中的最大值所对应的第二相似度作为最大相似度。
[0135]
在本发明的实施方式中，在对于n个特征向量中的每个特征向量，分别将每个特征向量与预设的人脸库中的第j个人脸向量进行比对，得到n个第一相似度方面，第一考勤模块403，具体用于：
[0136]
对每个特征向量进行取模，得到第一模；
[0137]
对第j个人脸向量进行取模，得到第二模；
[0138]
根据每个特征向量和第j个人脸向量的内积，以及第一模和第二模的积，确定第一相似度。
[0139]
在本发明的实施方式中，根据人脸图像集包括的第一人脸图像的张数n，确定权值。
[0140]
在本发明的实施方式中，该基于人脸识别的考勤装置400还包括：
[0141]
第二考勤模块404，用于在第二帧图像不包含目标考勤人员时，将人脸图像集发送至考勤服务器进行第二考勤，以完成对目标考勤人员的考勤。
[0142]
参阅图5，图5为本技术实施方式提供的一种电子设备的结构示意图。如图5所示，
电子设备500包括收发器501、处理器502和存储器503。它们之间通过总线504连接。存储器503用于存储计算机程序和数据，并可以将存储器503存储的数据传输给处理器502。
[0143]
处理器502用于读取存储器503中的计算机程序执行以下操作：
[0144]
对实时视频进行视频帧提取，得到第一帧图像，其中，第一帧图像为目标考勤人员首次出现在实时视频中的图像；
[0145]
对第一帧图像进行人脸检测，得到目标考勤人员的第一人脸图像，并将第一人脸图像加入人脸图像集，其中，人脸图像集初始包含0张人脸图像；
[0146]
根据第一人脸图像对目标考勤人员进行第一考勤；
[0147]
在第一考勤未通过时，再次对实时视频进行视频帧提取，得到第二帧图像，其中，第二帧图像位于第一帧图像之后，且相隔i帧图像，i为大于0的正整数；
[0148]
确定第二帧图像中是否包含目标考勤人员，在第二帧图像包含目标考勤人员时，将第二帧图像作为新的第一帧图像，并对新的第一帧图像进行人脸检测，得到目标考勤人员的第二人脸图像；
[0149]
根据第二人脸图像或人脸图像集，再次对目标考勤人员进行第一考勤。
[0150]
在本发明的实施方式中，在根据第二人脸图像，再次对目标考勤人员进行第一考勤方面，处理器502，具体用于执行以下操作：
[0151]
将第二人脸图像作为新的第一人脸图像，根据新的第一人脸图像再次对目标考勤人员进行第一考勤。
[0152]
在本发明的实施方式中，在根据新的第一人脸图像再次对目标考勤人员进行第一考勤方面，处理器502，具体用于执行以下操作：
[0153]
对新的第一人脸图像进行特征提取，得到特征向量；
[0154]
分别确定特征向量，与预设的人脸库中的每个人脸向量之间的相似度，并确定相似度中的最大值作为最大相似度；
[0155]
若最大相似度大于或等于阈值，则确定目标考勤人员第一考勤通过；
[0156]
若最大相似度小于阈值，则确定目标考勤人员第一考勤未通过。
[0157]
在本发明的实施方式中，在确定第一特征向量，与预设的人脸库中的每个人脸向量之间的相似度方面，处理器502，具体用于执行以下操作：
[0158]
对特征向量进行取模，得到第一模；
[0159]
对每个人脸向量进行取模，得到第二模；
[0160]
根据特征向量和每个人脸向量的内积，以及第一模和第二模的积，确定相似度。
[0161]
在本发明的实施方式中，处理器502，具体用于执行以下操作：
[0162]
在第二帧图像不包含目标考勤人员时，将第一人脸图像发送至考勤服务器进行第二考勤，以完成对目标考勤人员的考勤。
[0163]
在本发明的实施方式中，在根据人脸图像集，对目标考勤人员进行第一考勤方面，处理器502，具体用于执行以下操作：
[0164]
将第二人脸图像作为新的第一人脸图像加入人脸图像集，并根据人脸图像集再次对目标考勤人员进行第一考勤。
[0165]
在本发明的实施方式中，人脸图像集包括n张第一人脸图像，其中，n为大于0的正整数；
[0166]
因此，在根据人脸图像集再次对目标考勤人员进行第一考勤方面，第一考勤模块403，具体用于：
[0167]
对于n张第一人脸图像中的每张第一人脸图像，分别对每张第一人脸图像进行特征提取，得到n个特征向量，其中，n个特征向量和n张第一人脸图像一一对应；
[0168]
跟据n个特征向量，在预设的人脸库中的进行搜索比对，得到最大相似度；
[0169]
若最大相似度大于或等于阈值，则确定目标考勤人员第一考勤通过；
[0170]
若最大相似度小于阈值，则确定目标考勤人员第一考勤未通过。
[0171]
在本发明的实施方式中，预设的人脸库包括m个人脸向量，其中，m为大于0的正整数；
[0172]
因此，在跟据n个特征向量，在预设的人脸库中的进行搜索比对，得到最大相似度方面，处理器502，具体用于执行以下操作：
[0173]
对于n个特征向量中的每个特征向量，分别将每个特征向量与预设的人脸库中的第j个人脸向量进行比对，得到n个第一相似度，其中，n个第一相似度与n个第一特征向量一一对应，j＝1、2、3、
…
、m；
[0174]
根据预设的权值对n个第一相似度进行加权求和，得到第二相似度，其中，第二相似度用于标记目标考勤人员的特征向量与预设的人脸库中的第j个人脸向量之间的相似程度；
[0175]
将m个第二相似度中的最大值所对应的第二相似度作为最大相似度。
[0176]
在本发明的实施方式中，在对于n个特征向量中的每个特征向量，分别将每个特征向量与预设的人脸库中的第j个人脸向量进行比对，得到n个第一相似度方面，处理器502，具体用于执行以下操作：
[0177]
对每个特征向量进行取模，得到第一模；
[0178]
对第j个人脸向量进行取模，得到第二模；
[0179]
根据每个特征向量和第j个人脸向量的内积，以及第一模和第二模的积，确定第一相似度。
[0180]
在本发明的实施方式中，根据人脸图像集包括的第一人脸图像的张数n，确定权值。
[0181]
在本发明的实施方式中，处理器502，具体用于执行以下操作：
[0182]
在第二帧图像不包含目标考勤人员时，将人脸图像集发送至考勤服务器进行第二考勤，以完成对目标考勤人员的考勤。
[0183]
应理解，本技术中基于人脸识别的考勤装置可以包括智能手机(如android手机、ios手机、windows phone手机等)、平板电脑、掌上电脑、笔记本电脑、移动互联网设备mid(mobile internet devices，简称：mid)或穿戴式设备等。上述基于人脸识别的考勤装置仅是举例，而非穷举，包含但不限于上述基于人脸识别的考勤装置。在实际应用中，上述基于人脸识别的考勤装置还可以包括：智能车载终端、计算机设备等等。
[0184]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件结合硬件平台的方式来实现。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算
机，服务器，或者网络设备等)执行本发明各个实施方式或者实施方式的某些部分所述的方法。
[0185]
因此，本技术实施方式还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如上述方法实施方式中记载的任何一种基于人脸识别的考勤方法的部分或全部步骤。例如，所述存储介质可以包括硬盘、软盘、光盘、磁带、磁盘、优盘、闪存等。
[0186]
本技术实施方式还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施方式中记载的任何一种基于人脸识别的考勤方法的部分或全部步骤。
[0187]
需要说明的是，对于前述的各方法实施方式，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施方式均属于可选实施方式，所涉及的动作和模块并不一定是本技术所必须的。
[0188]
在上述实施方式中，对各个实施方式的描述都各有侧重，某个实施方式中没有详述的部分，可以参见其他实施方式的相关描述。
[0189]
在本技术所提供的几个实施方式中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
[0190]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
[0191]
另外，在本技术各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
[0192]
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施方式所述方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0193]
本领域普通技术人员可以理解上述实施方式的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：read-only memory，简称：rom)、随机存取器(英文：
random access memory，简称：ram)、磁盘或光盘等。
[0194]
以上对本技术实施方式进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施方式的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。