基于自学习的人脸考勤方法、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，尤其涉及一种基于自学习的人脸考勤方法、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基于自学习的人脸考勤方法、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基于自学习的人脸考勤方法，包括以下步骤：

对接收到的连续帧数图像数据进行人脸图像质量分析，获取多帧待识别人脸图像；

对多帧所述待识别人脸图像进行特征点定位，并通过预设的卷积神经网络模型，提取出每帧待识别人脸图像中的人脸特征向量；

将多帧所述待识别人脸图像对应的人脸特征向量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待识别人脸图像对应的人脸特征向量；

采用预先构建的knn模型对所述人脸特征矩阵中的每一行的人脸特征向量进行匹配分析，获得每一行中各个人脸特征向量的匹配结果，并将所述匹配结果保存至预先构建的识别相似度矩阵中；

根据所述识别相似度矩阵，获取人脸考勤结果。

优选地，所述匹配结果包括人名信息、相似度、人脸特征信息。

优选地，所述根据所述识别相似度矩阵，获取人脸考勤结果，具体包括：

根据所述识别相似度矩阵中每一行的相似度，对所述识别相似度矩阵中每一行的匹配结果进行排序，获取相似度最大值对应的匹配结果；

以相似度最大值对应的匹配结果中的人名信息为目标考勤对，查询历史播报记录；

当所述目标考勤对象未播报时，记录目标考勤对象的考勤并将所述目标考勤对象对应的匹配结果发送至语音播报模块进行播报、将所述目标考勤对象对应的匹配结果发送至显示模块进行显示；

当所述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目标考勤对象对应的匹配结果发送至语音播报模块进行播报、将所述目标考勤对象对应的匹配结果发送至显示模块进行显示；

当所述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，所述方法还包括：

当所述匹配结果中的相似度小于预设相似度阈值，且图像质量值大于预设质量值时，将所述匹配结果对应的待识别人脸图像添加到人脸特征训练集；

将更新后的人脸特征训练集输入至所述预先构建的knn模型进行模型训练。

优选地，所述对接收到的连续帧数图像数据进行人脸图像质量分析，获取多帧待识别人脸图像，具体包括：

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图像质量分析，获取每组图像数据对应的待识别人脸图像。

优选地，所述对每组图像数据进行人脸图像质量分析，获取每组图像数据对应的待识别人脸图像，具体包括：

计算每组图像数据中各帧图像的人脸旋转度、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每组图像数据中各帧图像的人脸旋转度、人脸图像清晰度、人脸图像明亮度以及人脸图像大小值，计算每组图像数据中各帧图像的图像质量值；

从每组图像数据中获取图像质量值最大值对应的图像作为每组图像数据对应的待识别人脸图像。

优选地，所述对多帧所述待识别人脸图像进行特征点定位，具体包括：

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。

第二方面，本发明实施例了一种基于自学习的人脸考勤装置，包括：

图像质量分析模块，用于对接收到的连续帧数图像数据进行人脸图像质量分析，获取多帧待识别人脸图像；

人脸特征提取模块，用于对多帧所述待识别人脸图像进行特征点定位，并通过预设的卷积神经网络模型，提取出每帧待识别人脸图像中的人脸特征向量；

人脸特征列表构建模块，用于将多帧所述待识别人脸图像对应的人脸特征向量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待识别人脸图像对应的人脸特征向量；

人脸特征匹配模块，用于采用预先构建的knn模型对所述人脸特征矩阵中的每一行的人脸特征向量进行匹配分析，获得每一行中各个人脸特征向量的匹配结果，并将所述匹配结果保存至预先构建的识别相似度矩阵中；

人脸考勤结果获取模块，用于根据所述识别相似度矩阵，获取人脸考勤结果。

第三方面，本发明实施例了一种基于自学习的人脸考勤设备，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基于自学习的人脸考勤方法。

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基于自学习的人脸考勤方法。

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数据进行人脸图像质量分析，获取多帧待识别人脸图像，实现从连续帧数图像数据中获取高质量的图像作为待识别人脸图像，能够准确地从连续帧数图像数据中抽取出具有清晰人脸图像的图像；对多帧所述待识别人脸图像进行特征点定位，并通过预设的卷积神经网络模型，提取出每帧待识别人脸图像中的人脸特征向量；将多帧所述待识别人脸图像对应的人脸特征向量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待识别人脸图像对应的人脸特征向量，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；采用预先构建的knn模型对所述人脸特征矩阵中的每一行的人脸特征向量进行匹配分析，获得每一行中各个人脸特征向量的匹配结果，并将所述匹配结果保存至预先构建的识别相似度矩阵中；根据所述识别相似度矩阵，获取人脸考勤结果，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基于自学习的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基于自学习的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基于自学习的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基于自学习的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基于自学习的人脸考勤方法，其可由基于自学习的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数据进行人脸图像质量分析，获取多帧待识别人脸图像。

在本发明实施例中，所述基于自学习的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，所述基于自学习的人脸考勤方法可作为其中一个功能模块集成与所述基于自学习的人脸考勤设备上，由所述基于自学习的人脸考勤设备来执行。

在本发明实施例中，所述基于自学习的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，例如可以通过所述基于自学习的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。本发明实施例通过人脸图像质量分析，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。

s12：对多帧所述待识别人脸图像进行特征点定位，并通过预设的卷积神经网络模型，提取出每帧待识别人脸图像中的人脸特征向量。

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向量。

s13：将多帧所述待识别人脸图像对应的人脸特征向量保存至预设的人脸特征列表。

s14：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待识别人脸图像对应的人脸特征向量。

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向量并进行聚类，将不同帧数、不同的人的人脸特征向量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向量，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。

s15：采用预先构建的knn模型对所述人脸特征矩阵中的每一行的人脸特征向量进行匹配分析，获得每一行中各个人脸特征向量的匹配结果，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，并建立人脸训练集，其中，所述人脸训练集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。

在本发明实施例中，通过预先构建的knn模型，对经过步骤s13、s14处理后的人脸特征训练集进行训练，其中，该knn模型设置取临近值k＝2，算法(algorith)采用kd树kd_tree(k-dimensional树),权重(weights)设置为距离distance，并得到训练后的knn模型，以及获得每一行中各个人脸特征向量的匹配结果。所述基于自学习的人脸考勤设备计算人脸特征矩阵中每一行的人脸特征向量的中心欧式距离；根据每一行的人脸特征向量的中心欧式距离以及所述人脸训练集，通过邻近算法逐个人脸特征向量进行迭代匹配，以从所述人脸训练集获取匹配于人脸特征矩阵中人脸特征向量的原始人脸图像集合及其对应的人员属性信息，作为匹配结果，通过对人脸特征向量的迭代匹配，逐渐缩小样本的数量，降低检索范围，从而确定匹配于人脸特征矩阵中人脸特征向量的原始人脸图像集合。

进一步地，所述匹配结果包括人名信息、相似度、人脸特征信息。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向量。

s16：根据所述识别相似度矩阵，获取人脸考勤结果。

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，s16：根据所述识别相似度矩阵，获取人脸考勤结果，具体包括：

s161：根据所述识别相似度矩阵中每一行的相似度，对所述识别相似度矩阵中每一行的匹配结果进行排序，获取相似度最大值对应的匹配结果；

s162：以相似度最大值对应的匹配结果中的人名信息为目标考勤对，查询历史播报记录；

s163：当所述目标考勤对象未播报时，记录目标考勤对象的考勤并将所述目标考勤对象对应的匹配结果发送至语音播报模块进行播报、将所述目标考勤对象对应的匹配结果发送至显示模块进行显示；

s164：当所述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目标考勤对象对应的匹配结果发送至语音播报模块进行播报、将所述目标考勤对象对应的匹配结果发送至显示模块进行显示；

s165：当所述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。对识别相似度矩阵中每一行以相似度值的大小从大到小排序，取相似度值最大的匹配结果为最终识别结果，当该匹配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，所述方法还包括：

当所述匹配结果中的相似度小于预设相似度阈值，且图像质量值大于预设质量值时，将所述匹配结果对应的待识别人脸图像添加到人脸特征训练集；

将更新后的人脸特征训练集输入至所述预先构建的knn模型进行模型训练。

在本发明实施例中，对预设质量值和预设相似度阈值的具体取值不做具体的限定，可以根据实际情况设置，例如预设相似度阈值的取值范围为80％-90％，预设质量值的取值范围为图像质量值总和的平均值。本发明实施例对于已识别的多帧待识别人脸图像，如若相似度小于预设相似度阈值且图像质量值大于预设质量值时，则将该帧待识别人脸图像加入人脸特征训练集，自动重新训练cnn模型，提升下次识别精度。

在一种可选的实施例中，s11：对接收到的连续帧数图像数据进行人脸图像质量分析，获取多帧待识别人脸图像，具体包括：

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图像质量分析，获取每组图像数据对应的待识别人脸图像。

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，依次进行人脸图像质量分析。

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。

在一种可选的实施例中，所述对每组图像数据进行人脸图像质量分析，获取每组图像数据对应的待识别人脸图像，具体包括：

计算每组图像数据中各帧图像的人脸旋转度、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每组图像数据中各帧图像的人脸旋转度、人脸图像清晰度、人脸图像明亮度以及人脸图像大小值，计算每组图像数据中各帧图像的图像质量值；

从每组图像数据中获取图像质量值最大值对应的图像作为每组图像数据对应的待识别人脸图像。

在本发明实施例中，分别计算待识别人脸图像的人脸旋转度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，得到一个待识别人脸图像的图像质量值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。

在一种可选的实施例中，所述对多帧所述待识别人脸图像进行特征点定位，具体包括：

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。

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数据进行人脸图像质量分析，获取多帧待识别人脸图像，实现从连续帧数图像数据中获取高质量的图像作为待识别人脸图像，能够准确地从连续帧数图像数据中抽取出具有清晰人脸图像的图像；对多帧所述待识别人脸图像进行特征点定位，并通过预设的卷积神经网络模型，提取出每帧待识别人脸图像中的人脸特征向量；将多帧所述待识别人脸图像对应的人脸特征向量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待识别人脸图像对应的人脸特征向量，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；采用预先构建的knn模型对所述人脸特征矩阵中的每一行的人脸特征向量进行匹配分析，获得每一行中各个人脸特征向量的匹配结果，并将所述匹配结果保存至预先构建的识别相似度矩阵中；根据所述识别相似度矩阵，获取人脸考勤结果，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。进一步，在识别过程中不断自动分析补充各种人脸特征图像，减少人力成本，采用knn模型进行人脸识别比对并不断训练模型，提升模型精度。

请参阅图4，本发明第二实施例提供了一种基于自学习的人脸考勤装置，包括：

图像质量分析模块1，用于对接收到的连续帧数图像数据进行人脸图像质量分析，获取多帧待识别人脸图像；

人脸特征提取模块2，用于对多帧所述待识别人脸图像进行特征点定位，并通过预设的卷积神经网络模型，提取出每帧待识别人脸图像中的人脸特征向量；

人脸特征列表构建模块3，用于将多帧所述待识别人脸图像对应的人脸特征向量保存至预设的人脸特征列表；

人脸特征聚类模块4，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待识别人脸图像对应的人脸特征向量；

人脸特征匹配模块5，用于采用预先构建的knn模型对所述人脸特征矩阵中的每一行的人脸特征向量进行匹配分析，获得每一行中各个人脸特征向量的匹配结果，并将所述匹配结果保存至预先构建的识别相似度矩阵中；

人脸考勤结果获取模块6，用于根据所述识别相似度矩阵，获取人脸考勤结果。

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、人脸特征信息。

在一种可选的实施例中，所述人脸考勤结果获取模块6包括：

相似度排序单元，用于根据所述识别相似度矩阵中每一行的相似度，对所述识别相似度矩阵中每一行的匹配结果进行排序，获取相似度最大值对应的匹配结果；

历史记录查询单元，用于以相似度最大值对应的匹配结果中的人名信息为目标考勤对，查询历史播报记录；

第一数据发送单元，用于当所述目标考勤对象未播报时，记录目标考勤对象的考勤并将所述目标考勤对象对应的匹配结果发送至语音播报模块进行播报、将所述目标考勤对象对应的匹配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目标考勤对象对应的匹配结果发送至语音播报模块进行播报、将所述目标考勤对象对应的匹配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，所述装置还包括：

人脸特征训练集更新模块，用于当所述匹配结果中的相似度小于预设相似度阈值，且图像质量值大于预设质量值时，将所述匹配结果对应的待识别人脸图像添加到人脸特征训练集；

模型训练模块，用于将更新后的人脸特征训练集输入至所述预先构建的knn模型进行模型训练。

在一种可选的实施例中，所述图像质量分析模块1包括：

图像分组单元，用于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；

质量分析单元，用于对每组图像数据进行人脸图像质量分析，获取每组图像数据对应的待识别人脸图像。

在一种可选的实施例中，所述质量分析单元，用于包括：

图像参数计算单元，用于计算每组图像数据中各帧图像的人脸旋转度、人脸图像清晰度、人脸图像明亮度以及人脸图像大小值；

加权计算单元，用于根据预设的权值以及每组图像数据中各帧图像的人脸旋转度、人脸图像清晰度、人脸图像明亮度以及人脸图像大小值，计算每组图像数据中各帧图像的图像质量值；

图像筛选单元，用于从每组图像数据中获取图像质量值最大值对应的图像作为每组图像数据对应的待识别人脸图像。

在一种可选的实施例中，人脸特征提取模块2，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基于自学习的人脸考勤设备的示意图。如图5所示，该基于自学习的人脸考勤设备包括：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基于自学习的人脸考勤方法，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，例如图像质量分析模块。

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基于自学习的人脸考勤设备中的执行过程。

所述基于自学习的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。所述基于自学习的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，所述示意图仅仅是基于自学习的人脸考勤设备的示例，并不构成对基于自学习的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是所述基于自学习的人脸考勤设备的控制中心，利用各种接口和线路连接整个基于自学习的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，实现所述基于自学习的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，所述基于自学习的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基于自学习的人脸考勤方法。

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。