无感人脸考勤方法、装置、设备及存储介质与流程

本发明涉及计算机图像处理领域，尤其涉及一种无感人脸考勤方法、装置、设备及计算机可读存储介质。

背景技术：

传统的考勤方式为指纹打卡，指纹打卡无疑会在上班高峰期因排队而造成拥堵，随着人工智能技术不断推进，人脸考勤已经成为现实。人脸考勤涉及的重要技术是人脸图像匹配。

目前，利用普通摄像头考勤过程中，往往多人同时出现在摄像头中且摄像头会获取被考勤者从进门到从摄像头消失的所有帧数，被考勤者在考勤过程中会因低头，扭头导致有多个识别结果，另外由于天气变化、被考勤者更换佩戴眼镜帽子会导致识别率降低、识别结果多样化。因此，如何提高普通摄像头考勤过程中人脸识别的精度成为人脸考勤领域亟待解决的技术问题。

技术实现要素：

针对上述问题，本发明的目的在于提供一种无感人脸考勤方法、装置、设备及存储介质，结合图像质量，能够有效提高人脸考勤过程中人脸识别的精度，运维成本低。

第一方面，本发明实施例提供了一种无感人脸考勤方法，包括以下步骤：

对接收到的连续帧数图像进行人脸特征点定位，并通过预设的卷积神经网络模型，提取出每帧图像中的人脸特征；

将每帧图像对应的人脸特征保存至预设的人脸特征列表；

对所述人脸特征列表进行聚类，得到人脸特征矩阵；其中，所述人脸特征矩阵中每一行为同一人的不同帧数的图像对应的人脸特征；

对所述人脸特征矩阵中的每一行的各个人脸特征进行人脸图像质量分析，得到所述人脸特征矩阵中的每一行的各个人脸特征对应的图像质量值，并构建质量分析矩阵；

将所述人脸特征矩阵中每一行的各个人脸特征与预设的原始人脸数据库中存储的原始人脸特征进行匹配，获得每一行中各个人脸特征的匹配结果，并将所述匹配结果保存至预先构建的识别相似度矩阵中；

根据所述质量分析矩阵和所述识别相似度矩阵，获得人脸考勤结果。

优选地，所述匹配结果包括人名信息、相似度、人脸图像信息。

优选地，所述根据所述质量分析矩阵和所述识别相似度矩阵，获得人脸考勤结果，具体包括：

根据所述质量分析矩阵和所述识别相似度矩阵，得到人脸综合分析矩阵；其中，所述人脸综合分析矩阵中每一行中的人脸识别结果与所述识别相似度矩阵中每一行中的匹配结果一一对应，所述人脸识别结果包括人名信息、人脸综合评分值、人脸图像信息；所述人脸综合评分值为所述质量分析矩阵中图像质量值与所述识别相似度矩阵的相似度的乘积；

根据人脸综合评分值，对所述人脸综合分析矩阵中每一行的各个人脸识别结果进行排序，获取人脸综合评分值大于预设的第一评分阈值对应的人脸识别结果；

以人脸综合评分值大于预设的第一评分阈值对应的人脸识别结果中的人名信息为第一目标考勤对象，查询历史播报记录；

当所述第一目标考勤对象未播报时，记录第一目标考勤对象的考勤并将所述第一目标考勤对象对应的人脸识别结果发送至语音播报模块进行播报、将所述第一目标考勤对象对应的人脸识别结果发送至显示模块进行显示；

当所述第一目标考勤对象已播报，且播报时间与当前时间的差值大于预设时间阈值时，记录目标考勤对象的考勤并将所述第一目标考勤对象对应的人脸识别结果发送至语音播报模块进行播报、将所述第一目标考勤对象对应的人脸识别结果发送至显示模块进行显示；

当所述第一目标考勤对象已播报，且播报时间与当前时间的差值小于预设时间阈值时，对所述识别相似度矩阵中下一行的相似度进行排序分析。

优选地，所述根据所述质量分析矩阵和所述识别相似度矩阵，获得人脸考勤结果，还包括：

获取人脸综合评分值不大于所述预设的第一评分阈值对应的人脸识别结果，作为第一人脸筛选结果；

根据所述第一人脸筛选结果、所述第一人脸筛选结果的人脸综合评分值以及所述第一人脸筛选结果在所述人脸综合分析矩阵中所在的一行的长度，确定第二目标考勤对象；

当所述第二目标考勤对象未播报时，记录第二目标考勤对象的考勤并将所述第二目标考勤对象对应的人脸识别结果发送至语音播报模块进行播报、将所述第二目标考勤对象对应的人脸识别结果发送至显示模块进行显示；

当所述第二目标考勤对象已播报，且播报时间与当前时间的差值大于预设时间阈值时，记录目标考勤对象的考勤并将所述第二目标考勤对象对应的人脸识别结果发送至语音播报模块进行播报、将所述第二目标考勤对象对应的人脸识别结果发送至显示模块进行显示；

当所述第二目标考勤对象已播报，且播报时间与当前时间的差值小于预设时间阈值时，对所述识别相似度矩阵中下一行的相似度进行排序分析。

优选地，所述根据所述第一人脸筛选结果、所述第一人脸筛选结果的人脸综合评分值以及所述第一人脸筛选结果在所述人脸综合分析矩阵中所在的一行的长度，确定第二目标考勤对象，具体包括：

计算任意一个第一人脸筛选结果在所述人脸综合分析矩阵中所在的一行中人脸综合评分值大于预设的第二评分阈值对应的人脸识别结果的数目与任意一个第一人脸筛选结果在所述人脸综合分析矩阵中所在的一行的人脸识别结果的总数目的比值；

当所述比值大于预设的第三评分阈值时，将所述任意一个第一人脸筛选结果对应的人名信息为第二目标考勤对象。

优选地，所述将所述人脸特征矩阵中每一行的各个人脸特征与预设的原始人脸数据库中存储的原始人脸特征进行匹配，获得每一行中各个人脸特征的匹配结果，具体包括：

采用余弦相似度算法计算所述人脸特征矩阵中每一行的任意一个人脸特征与预设的原始人脸数据库中存储的各个原始人脸特征的相似度，并获取相似度最大值及其对应的原始人脸特征和人名信息，以生成任意一个人脸特征的匹配结果。

优选地，所述对接收到的连续帧数图像进行人脸特征点定位，具体包括：

采用dlib人脸特征点检测算法对连续帧数图像进行人脸特征点定位。

第二方面，本发明实施例了一种无感人脸考勤装置，包括：

人脸特征提取模块，用于对接收到的连续帧数图像进行人脸特征点定位，并通过预设的卷积神经网络模型，提取出每帧图像中的人脸特征；

人脸特征列表构建模块，用于将每帧图像对应的人脸特征保存至预设的人脸特征列表；

人脸特征聚类模块，用于对所述人脸特征列表进行聚类，得到人脸特征矩阵；其中，所述人脸特征矩阵中每一行为同一人的不同帧数的图像对应的人脸特征；

图像质量分析模块，用于对所述人脸特征矩阵中的每一行的各个人脸特征进行人脸图像质量分析，得到所述人脸特征矩阵中的每一行的各个人脸特征对应的图像质量值，并构建质量分析矩阵；

人脸特征匹配模块，用于将所述人脸特征矩阵中每一行的各个人脸特征与预设的原始人脸数据库中存储的原始人脸特征进行匹配，获得每一行中各个人脸特征的匹配结果，并将所述匹配结果保存至预先构建的识别相似度矩阵中；

人脸考勤模块，用于根据所述质量分析矩阵和所述识别相似度矩阵，获得人脸考勤结果。

第三方面，本发明实施例了一种无感人脸考勤设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的无感人脸考勤方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面所述的无感人脸考勤方法。

以上实施例具有如下有益效果：

通过对接收到的连续帧数图像进行人脸特征点定位，并通过预设的卷积神经网络模型，提取出每帧图像中的人脸特征；将每帧图像对应的人脸特征保存至预设的人脸特征列表；对所述人脸特征列表进行聚类，得到人脸特征矩阵；其中，所述人脸特征矩阵中每一行为同一人的不同帧数的图像对应的人脸特征；以人脸特征列表的方式记录不同人的在不同帧待识别人脸图像中的人脸特征向量并进行聚类，最终得到人脸特征矩阵，该人脸特征矩阵中每一行为同一人的不同帧数的待识别人脸图像对应的人脸特征向量，能够同时对多个人同时进行人脸识别，实现多人多帧人脸识别；对所述人脸特征矩阵中的每一行的各个人脸特征进行人脸图像质量分析，得到所述人脸特征矩阵中的每一行的各个人脸特征对应的图像质量值，并构建质量分析矩阵，实现从连续帧数图像数据中获取高质量的图像；将所述人脸特征矩阵中每一行的各个人脸特征与预设的原始人脸数据库中存储的原始人脸特征进行匹配，获得每一行中各个人脸特征的匹配结果，并将所述匹配结果保存至预先构建的识别相似度矩阵中；根据所述质量分析矩阵和所述识别相似度矩阵，获得人脸考勤结果；采用图像质量分析方法结合人脸特征聚类方法对多人多帧的图像进行人脸识别，能够有效提高人脸考勤过程中人脸识别的精度，同时极大地提高人脸考勤的效率，运维成本低。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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。

图1是本发明第一实施例提供的无感人脸考勤方法的流程示意图。

图2是本发明实施例提供的人脸考勤方法的整体流程示意图；

图3是本发明实施例提供的人脸考勤系统的示意图；

图4是本发明第二实施例提供的无感人脸考勤装置的结构示意图；

图5是本发明第三实施例提供的无感人脸考勤设备的结构示意图。

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。

请参照图1和图2，其中，图1是本发明实施例提供的无感人脸考勤方法的流程示意图，图2是本发明实施例提供的人脸考勤方法的整体流程示意图。本发明第一实施例提供了一种无感人脸考勤方法，其可由无感人脸考勤设备来执行，并包括以下步骤：

s11：对接收到的连续帧数图像进行人脸特征点定位，并通过预设的卷积神经网络模型，提取出每帧图像中的人脸特征；

在本发明实施例中，所述无感人脸考勤设备可为电脑、手机、平板电脑、门禁设备、笔记本电脑或者服务器等计算设备，所述无感人脸考勤方法可作为其中一个功能模块集成与所述无感人脸考勤设备上，由所述无感人脸考勤设备来执行。

在本发明实施例中，所述无感人脸考勤设备接收连续帧数图像数据，需要说明的是，本发明实施例对于所述目标人脸图像的获取方式不做任何限制，例如可以通过所述无感人脸考勤设备自带的设置在办公人口场地的摄像机进行获取，或者通过有线方式或者无线方式从网络、设置在办公人口场地的摄像头或者其他设备接收所述连续帧数图像数据。需要说明的是，本发明实施例对于所述所述待识别人脸图像的特征点定位方式不做任何限制，例如可以通过asm(activeshapemodel)算法、aam(activeappreancemodel)算法、或者基于dlib人脸检测算法确定待识别人脸图像中的人脸特征点(眼睛、眉毛、鼻子、嘴巴、脸部外轮廓)的位置，并建立人脸特征训练集。将该人脸特征训练集输入至卷积神经网络模型(cnn模型)进行训练，获得每帧待识别人脸图像中的人脸特征。优选地，将所述连续帧数图像数据按顺序分组；其中，每组图像数据包括连续n帧图像，n>1；对每组图像数据进行人脸特征点定位，并通过预设的卷积神经网络模型，提取出每帧图像中的人脸特征。在本发明实施例中，n＝10，对应地，人脸特征列表的长度为10。对于接收到的连续帧数图像数据，每10帧图像作为一组，依次进行分析。需要说明的是，所述基于自学习的人脸考勤设备接收到的连续帧数图像数据即为视频数据，将该视频数据划分为若干份固定长度的子视频数据，然后通过人脸图像质量分析筛选每份子视频数据的目标帧图像，作为待识别人脸图像，可以减少计算量，提高识别效率。

s12：将每帧图像对应的人脸特征保存至预设的人脸特征列表；

s13：对所述人脸特征列表进行聚类，得到人脸特征矩阵；其中，所述人脸特征矩阵中每一行为同一人的不同帧数的图像对应的人脸特征；

s14：对所述人脸特征矩阵中的每一行的各个人脸特征进行人脸图像质量分析，得到所述人脸特征矩阵中的每一行的各个人脸特征对应的图像质量值，并构建质量分析矩阵；

在本发明实施例中，采用cw聚类算法(chinese_whisper)对所述人脸特征列表中每一行的人脸特征向量进行聚类。cw聚类算法通过构建无向图,将每个人脸做为无向图中的一个节点,人脸之间的相似度,作为节点之间的边,通过迭代查找一个节点对应的相似度权重累加和来查找类别并进行聚类。本发明实施例以人脸特征列表的方式记录不同人的在不同帧待识别人脸图像中的人脸特征并进行聚类，将不同帧数、不同的人的人脸特征分到二维的人脸特征矩阵(face_matric)，该人脸特征矩阵中每一行为同一人的不同帧数的待识别人脸图像对应的人脸特征，则该人脸特征矩阵中不同行表示待识别的不同考勤对象，能够同时对多个人同时进行人脸识别，实现多人多帧人脸识别。

进一步地，通过对人脸特征矩阵中的每一行的各个人脸特征进行人脸图像质量分析，能够快速锁定关键帧图像的寻找的速度，相较于现有的获取被考勤者从进门到从摄像头消失的所有帧数图像进行人脸匹配的过程，本发明显著提高了程序整体运行效率以及关键图像识别的精度。

进一步地，所述对所述人脸特征矩阵中的每一行的各个人脸特征进行人脸图像质量分析，得到所述人脸特征矩阵中的每一行的各个人脸特征对应的图像质量值，具体包括：

计算所述人脸特征矩阵中的每一行的各个人脸特征的人脸旋转度、人脸图像清晰度、人脸图像明亮度以及人脸图像大小值；

根据预设的权值以及各个人脸特征的人脸旋转度、人脸图像清晰度、人脸图像明亮度以及人脸图像大小值，计算各个人脸特征的图像质量值。

在本发明实施例中，分别计算各个人脸特征的人脸旋转度r1(预设的权值w1＝1)、人脸图像清晰度q1(预设的权w2＝0.8)、人脸图像明亮度c1(预设的权w3＝0.6)以及人脸图像大小值s1(预设的权w4＝0.9)，并做加权处理，得到一个各个人脸特征的图像质量值t：

t＝(r1×w1+q1×w2+c1w3+s1×w4)/(w1+w2+w3+w4)。从而实现在连续的视频流帧中可以挑选一张最优人脸图像进行识别，提升识别结果精度。

s15：将所述人脸特征矩阵中每一行的各个人脸特征与预设的原始人脸数据库中存储的原始人脸特征进行匹配，获得每一行中各个人脸特征的匹配结果，并将所述匹配结果保存至预先构建的识别相似度矩阵中；

在本发明实施例中，在进行人脸匹配之前还包括：采集被考勤对象的原始人脸图像，并建立原始人脸数据库，其中，所述原始人脸数据库中包括同一人对应的至少一张原始人脸图像和人员属性信息；所述人员属性信息包括人名信息、职位信息等。

s16：根据所述质量分析矩阵和所述识别相似度矩阵，获得人脸考勤结果。

本发明实施例，采用图像质量分析方法结合人脸特征聚类方法对多人多帧的图像进行人脸识别，能够有效提高人脸考勤过程中人脸识别的精度，同时极大地提高人脸考勤的效率，运维成本低。

在一种可选的实施例中，所述匹配结果包括人名信息、相似度、人脸图像信息。该人脸特征信息包括原始人脸图像和/或人脸特征矩阵中人脸特征。

在一种可选的实施例中，s15：将所述人脸特征矩阵中每一行的各个人脸特征与预设的原始人脸数据库中存储的原始人脸特征进行匹配，获得每一行中各个人脸特征的匹配结果，具体包括：

采用余弦相似度算法计算所述人脸特征矩阵中每一行的任意一个人脸特征与预设的原始人脸数据库中存储的各个原始人脸特征的相似度，并获取相似度最大值及其对应的原始人脸特征和人名信息，以生成任意一个人脸特征的匹配结果。

在本发明实施例中，具体匹配过程如下：将所述人脸特征矩阵中每一行的各个人脸特征与原始人脸数据库中的所有原始人脸图像均计算余弦距离，从而获取距离最大的那个对应匹配即为这一行中某一帧的人脸匹配结果,并将结果存入识别相似度矩阵中，识别相似度矩阵每一行为不同待识别考勤人，每一行中每个值存储了每一帧与原始人脸数据库匹配的结果，包括人名，相似度，人脸图像信息等。

在一种可选的实施例中，s16：根据所述质量分析矩阵和所述识别相似度矩阵，获得人脸考勤结果，具体包括：

根据所述质量分析矩阵和所述识别相似度矩阵，得到人脸综合分析矩阵；其中，所述人脸综合分析矩阵中每一行中的人脸识别结果与所述识别相似度矩阵中每一行中的匹配结果一一对应，所述人脸识别结果包括人名信息、人脸综合评分值、人脸图像信息；所述人脸综合评分值为所述质量分析矩阵中图像质量值与所述识别相似度矩阵的相似度的乘积；

根据人脸综合评分值，对所述人脸综合分析矩阵中每一行的各个人脸识别结果进行排序，获取人脸综合评分值大于预设的第一评分阈值对应的人脸识别结果；

以人脸综合评分值大于预设的第一评分阈值对应的人脸识别结果中的人名信息为第一目标考勤对象，查询历史播报记录；

当所述第一目标考勤对象未播报时，记录第一目标考勤对象的考勤并将所述第一目标考勤对象对应的人脸识别结果发送至语音播报模块进行播报、将所述第一目标考勤对象对应的人脸识别结果发送至显示模块进行显示；

当所述第一目标考勤对象已播报，且播报时间与当前时间的差值大于预设时间阈值时，记录目标考勤对象的考勤并将所述第一目标考勤对象对应的人脸识别结果发送至语音播报模块进行播报、将所述第一目标考勤对象对应的人脸识别结果发送至显示模块进行显示；

当所述第一目标考勤对象已播报，且播报时间与当前时间的差值小于预设时间阈值时，对所述识别相似度矩阵中下一行的相似度进行排序分析。

在本发明实例中，所述预设时间阈值为30s。对人脸综合分析矩阵中每一行以人脸综合评分值的大小从大到小排序，取人脸综合评分值大于预设的第一评分阈值(例如预设的第一评分阈值＝0.9，作为第一判断条件)的匹配结果为最终识别结果，当该结果对应的考勤对象还未播报或者播报时间大于30s，则记录考勤并语音播报出来，该匹配结果同时在web端的显示模块显示出来，当该匹配结果对应的考勤对象已经播报或者播报时间小于30s则跳过分析下一个10帧的图像数据。人脸考勤系统的示意框图如图2所示。

在一种可选的实施例中，s16：根据所述质量分析矩阵和所述识别相似度矩阵，获得人脸考勤结果，还包括：

获取人脸综合评分值不大于所述预设的第一评分阈值对应的人脸识别结果，作为第一人脸筛选结果；

根据所述第一人脸筛选结果、所述第一人脸筛选结果的人脸综合评分值以及所述第一人脸筛选结果在所述人脸综合分析矩阵中所在的一行的长度，确定第二目标考勤对象；

当所述第二目标考勤对象未播报时，记录第二目标考勤对象的考勤并将所述第二目标考勤对象对应的人脸识别结果发送至语音播报模块进行播报、将所述第二目标考勤对象对应的人脸识别结果发送至显示模块进行显示；

当所述第二目标考勤对象已播报，且播报时间与当前时间的差值大于预设时间阈值时，记录目标考勤对象的考勤并将所述第二目标考勤对象对应的人脸识别结果发送至语音播报模块进行播报、将所述第二目标考勤对象对应的人脸识别结果发送至显示模块进行显示；

当所述第二目标考勤对象已播报，且播报时间与当前时间的差值小于预设时间阈值时，对所述识别相似度矩阵中下一行的相似度进行排序分析。

在一种可选的实施例中，所述根据所述第一人脸筛选结果、所述第一人脸筛选结果的人脸综合评分值以及所述第一人脸筛选结果在所述人脸综合分析矩阵中所在的一行的长度，确定第二目标考勤对象，具体包括：

计算任意一个第一人脸筛选结果在所述人脸综合分析矩阵中所在的一行中人脸综合评分值大于预设的第二评分阈值对应的人脸识别结果的数目与任意一个第一人脸筛选结果在所述人脸综合分析矩阵中所在的一行的人脸识别结果的总数目的比值；

当所述比值大于预设的第三评分阈值时，将所述任意一个第一人脸筛选结果对应的人名信息为第二目标考勤对象。

在本发明实施例中，当人脸综合评分值不大于0.9时，进行第二次条件判断，避免信息丢失。具体地，统计所述人脸综合分析矩阵中人脸综合评分值不大于0.9的某一行中识别出人脸个数信息，如果识别出此行中任意一个人脸综合评分值大于预设的第二评分阈值(例如预设的第二评分阈值＝0.85)，且预设的第二评分阈值大于0.8的数目/此行长度>0.8(作为第二判断条件)，则满足条件，同样如若此人还未播报或则播报时间大于30s则记录考勤并语音播报出来，识别人脸结果则在web端显示出来，如若已经播报或者播报时间小于30s则跳过分析下一个10帧。本发明实施例结合了多帧数识别为同一人概率综合判断，可以进一步提升考勤效果，避免在人脸识别过程中漏掉一部分人。

在一种可选的实施例中，所述对接收到的连续帧数图像进行人脸特征点定位，具体包括：

采用dlib人脸特征点检测算法对连续帧数图像进行人脸特征点定位。

以上实施例具有如下有益效果：

1、真正实现无感考勤，被考勤人无需任何操作即可考勤，减轻高峰期拥堵。

2、利用普通摄像头即可实现，极大节省成本。

3、与普通一对一考勤相比，为一对多考勤，减少一对一考勤需要用户先认证的不必要操作；

4、利用人脸质量分析方法结合识别相相似度极大提升考勤效果；

5、利用聚类方法结合多重条件判断对多人多帧情况进行人脸识别，极大地提高识别精度。

请参阅图4，本发明第二实施例提供了一种无感人脸考勤装置，包括：

人脸特征提取模块1，用于对接收到的连续帧数图像进行人脸特征点定位，并通过预设的卷积神经网络模型，提取出每帧图像中的人脸特征；

人脸特征列表构建模块2，用于将每帧图像对应的人脸特征保存至预设的人脸特征列表；

人脸特征聚类模块3，用于对所述人脸特征列表进行聚类，得到人脸特征矩阵；其中，所述人脸特征矩阵中每一行为同一人的不同帧数的图像对应的人脸特征；

图像质量分析模块4，用于对所述人脸特征矩阵中的每一行的各个人脸特征进行人脸图像质量分析，得到所述人脸特征矩阵中的每一行的各个人脸特征对应的图像质量值，并构建质量分析矩阵；

人脸特征匹配模块5，用于将所述人脸特征矩阵中每一行的各个人脸特征与预设的原始人脸数据库中存储的原始人脸特征进行匹配，获得每一行中各个人脸特征的匹配结果，并将所述匹配结果保存至预先构建的识别相似度矩阵中；

人脸考勤模块6，用于根据所述质量分析矩阵和所述识别相似度矩阵，获得人脸考勤结果。

在一种可选的实施例中，所述匹配结果包括人名信息、相似度、人脸图像信息。

在一种可选的实施例中，人脸考勤模块6包括：

人脸综合分析矩阵构建单元，用于根据所述质量分析矩阵和所述识别相似度矩阵，得到人脸综合分析矩阵；其中，所述人脸综合分析矩阵中每一行中的人脸识别结果与所述识别相似度矩阵中每一行中的匹配结果一一对应，所述人脸识别结果包括人名信息、人脸综合评分值、人脸图像信息；所述人脸综合评分值为所述质量分析矩阵中图像质量值与所述识别相似度矩阵的相似度的乘积；

第一人脸识别结果确定单元，用于根据人脸综合评分值，对所述人脸综合分析矩阵中每一行的各个人脸识别结果进行排序，获取人脸综合评分值大于预设的第一评分阈值对应的人脸识别结果；

第一目标考勤对象确定单元，用于以人脸综合评分值大于预设的第一评分阈值对应的人脸识别结果中的人名信息为第一目标考勤对象，查询历史播报记录；

第一数据发送单元，用于当所述第一目标考勤对象未播报时，记录第一目标考勤对象的考勤并将所述第一目标考勤对象对应的人脸识别结果发送至语音播报模块进行播报、将所述第一目标考勤对象对应的人脸识别结果发送至显示模块进行显示；

第二数据发送单元，用于当所述第一目标考勤对象已播报，且播报时间与当前时间的差值大于预设时间阈值时，记录目标考勤对象的考勤并将所述第一目标考勤对象对应的人脸识别结果发送至语音播报模块进行播报、将所述第一目标考勤对象对应的人脸识别结果发送至显示模块进行显示；

第三数据发送单元，用于当所述第一目标考勤对象已播报，且播报时间与当前时间的差值小于预设时间阈值时，对所述识别相似度矩阵中下一行的相似度进行排序分析。

在一种可选的实施例中，人脸考勤模块6包括：

第二人脸识别结果确定单元，用于获取人脸综合评分值不大于所述预设的第一评分阈值对应的人脸识别结果，作为第一人脸筛选结果；

第二目标考勤对象确定单元，用于根据所述第一人脸筛选结果、所述第一人脸筛选结果的人脸综合评分值以及所述第一人脸筛选结果在所述人脸综合分析矩阵中所在的一行的长度，确定第二目标考勤对象；

第四数据发送单元，用于当所述第二目标考勤对象未播报时，记录第二目标考勤对象的考勤并将所述第二目标考勤对象对应的人脸识别结果发送至语音播报模块进行播报、将所述第二目标考勤对象对应的人脸识别结果发送至显示模块进行显示；

第五数据发送单元，用于当所述第二目标考勤对象已播报，且播报时间与当前时间的差值大于预设时间阈值时，记录目标考勤对象的考勤并将所述第二目标考勤对象对应的人脸识别结果发送至语音播报模块进行播报、将所述第二目标考勤对象对应的人脸识别结果发送至显示模块进行显示；

第六数据发送单元，用于当所述第二目标考勤对象已播报，且播报时间与当前时间的差值小于预设时间阈值时，对所述识别相似度矩阵中下一行的相似度进行排序分析。

在一种可选的实施例中，第二目标考勤对象确定单元，用于计算任意一个第一人脸筛选结果在所述人脸综合分析矩阵中所在的一行中人脸综合评分值大于预设的第二评分阈值对应的人脸识别结果的数目与任意一个第一人脸筛选结果在所述人脸综合分析矩阵中所在的一行的人脸识别结果的总数目的比值；当所述比值大于预设的第三评分阈值时，将所述任意一个第一人脸筛选结果对应的人名信息为第二目标考勤对象。

在一种可选的实施例中，人脸特征匹配模块5，用于采用余弦相似度算法计算所述人脸特征矩阵中每一行的任意一个人脸特征与预设的原始人脸数据库中存储的各个原始人脸特征的相似度，并获取相似度最大值及其对应的原始人脸特征和人名信息，以生成任意一个人脸特征的匹配结果。

在一种可选的实施例中，人脸特征提取模块21，用于采用dlib人脸特征点检测算法对多帧所述待识别人脸图像进行特征点定位。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

参见图5，是本发明第三实施例提供的无感人脸考勤设备的示意图。如图5所示，该无感人脸考勤设备包括：至少一个处理器11，例如cpu，至少一个网络接口14或者其他用户接口13，存储器15，至少一个通信总线12，通信总线12用于实现这些组件之间的连接通信。其中，用户接口13可选的可以包括usb接口以及其他标准接口、有线接口。网络接口14可选的可以包括wi-fi接口以及其他无线接口。存储器15可能包含高速ram存储器，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。

在一些实施方式中，存储器15存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:

操作系统151，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；

程序152。

具体地，处理器11用于调用存储器15中存储的程序152，执行上述实施例所述的无感人脸考勤方法，例如图1所示的步骤s11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如人脸特征提取模块。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述无感人脸考勤设备中的执行过程。

所述无感人脸考勤设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述无感人脸考勤设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是无感人脸考勤设备的示例，并不构成对无感人脸考勤设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

所称处理器11可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器11是所述无感人脸考勤设备的控制中心，利用各种接口和线路连接整个无感人脸考勤设备的各个部分。

所述存储器15可用于存储所述计算机程序和/或模块，所述处理器11通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述无感人脸考勤设备的各种功能。所述存储器15可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器15可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述无感人脸考勤设备集成的模块/单元如果以软件功能单元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介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本发明第四实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一实施例所述的无感人脸考勤方法。

以上所述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，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。