一种考勤方法及系统的制作方法
【专利摘要】本公开涉及一种考勤方法及系统，其中，所述方法通过摄像头输出的上下班出入口处的视频，服务器实时获取所述待考勤人员的若干张图像，通过对获取的图像提取用户特征和时间信息，结合用户特征库中存储的待考勤人员的用户特征信息来实现一种无需待考勤人员专门就考勤付出时间的、非接触式考勤，既可以有效的提高考勤效率，也能克服考勤代签的问题，提高了考勤的实时性和有效性。基于所述方法，本公开还实现了相应的系统。
【专利说明】
_种考勤方法及系统
技术领域
[0001] 本公开涉及一般的控制或监视技术领域，特别涉及一种考勤方法及系统。
【背景技术】
[0002] 考勤签到是目前公司和企业必不可少的一项工作，最原始的签到方式无疑是人手 签到，但是这种方式可以很容易代签，可靠性不强。随后又出现了很多考勤签到方式，例如 打卡签到、指纹签到等等，但是这些方式仍然可以代签。因此，在考勤方面更需要一种具有 不可复制且不可替代性的签到手段。
【发明内容】
[0003 ]针对上述问题，本公开提供了一种考勤方法及系统。
[0004] -种考勤方法，所述方法包括下述步骤：
[0005] S100、建立所有T名待考勤人员的用户特征库，所述用户特征库存储待考勤人员Ui 的用户标识IDi，和用户标识IDi所对应的Mi个用户特征，其中，i的取值范围从1到T，Mi为正 整数；
[0006] S200、对于待考勤人员山，至少通过摄像头输出的上下班出入口处的视频，服务器 实时获取所述待考勤人员山的心张图像和所述心张图像的时间信息，并基于每张图像提取1 个用户特征，以获得该待考勤人员的&个用户特征，其中，&为正整数；
[0007] S300、对于待考勤人员Ui，利用步骤S200中所述Ni个用户特征和所述Ni张图像的时 间信息，以及步骤S100中所述用户特征库，对所述待考勤人员山的上下班进行考勤。
[0008] 基于所述方法，实现了一种考勤系统，所述系统包括用户特征库、图像用户特征获 得模块、考勤模块;其中：
[0009] 用户特征库，用于：存储待考勤人员Ui的用户标识IDi，和用户标识IDi所对应的Mi 个用户特征，其中，i的取值范围从1到T，Mi为正整数;T为带考勤人员总数；
[0010] 图像用户特征获得模块，用于:对待考勤人员山，至少通过摄像头输出的上下班出 入口处的视频，服务器实时获取所述待考勤人员山的&张图像和所述&张图像的时间信息， 并基于每张图像提取1个用户特征，以获得该待考勤人员的心个用户特征，其中，心为正整 数；
[0011] 考勤模块，用于:对待考勤人员山，利用所述用户特征提取模块提取的所述Ni个用 户特征和所述&张图像的时间信息，以及所述用户特征库，对所述待考勤人员山的上下班进 行考勤。
[0012] 本公开通过摄像头输出的上下班出入口处的视频，服务器实时获取所述待考勤人 员的若干张图像，通过对获取的图像提取用户特征和时间信息，结合用户特征库中存储的 待考勤人员的用户特征信息来对待考勤人员的上下班进行非接触式考勤，可以有效的避免 考勤中人员代签的现象。
【附图说明】
[0013] 图1为本公开一个实施例中的考勤方法流程图；
[0014] 图2为本公开一个实施例中步骤S300在有用户标识情况下的一种实施方式流程 图；
[0015] 图3为本公开一个实施例中步骤S300在没有用户标识情况下的一种实施方式流程 图；
[0016] 图4为本公开一个实施例中将步骤S302B进一步分解的流程图；
[0017]图5为本公开一个实施例中将步骤S303B进一步分解的流程图；
[0018] 图6为本公开一个实施例中的结构图；
[0019] 图7为本公开一个实施例中的一种结构图；
[0020] 图8为本公开一个实施例中的一种结构图；
[0021] 图9为本公开一个实施例中的一种结构图；
[0022] 图10为本公开一个实施例中的一种结构图；
[0023] 图11为本公开一个实施例中的一种结构图。
【具体实施方式】
[0024] 在一个基础的实施例中，提供了一种考勤方法，所述方法流程图如图1所示，该方 法包括下述步骤：
[0025] S100、建立所有T名待考勤人员的用户特征库，所述用户特征库存储待考勤人员Ui 的用户标识IDi，和用户标识IDi所对应的Mi个用户特征，其中，i的取值范围从1到T，Mi为正 整数；
[0026] S200、对于待考勤人员仏，至少通过摄像头输出的上下班出入口处的视频，服务器 实时获取所述待考勤人员仏的化张图像和所述K张图像的时间信息，并基于每张图像提取1 个用户特征，以获得该待考勤人员的K个用户特征，其中为正整数；
[0027] S300、对于待考勤人员Ui，利用步骤S200中所述Ni个用户特征和所述Ni张图像的时 间信息，以及步骤S100中所述用户特征库，对所述待考勤人员U的上下班进行考勤。
[0028]本公开由于通过摄像头输出的上下班出入口处的视频，服务器实时获取所述待考 勤人员的若干张图像，通过对获取的图像提取用户特征和时间信息，结合用户特征库中存 储的待考勤人员的用户特征信息来实现考勤，很好的克服了考勤代签问题。同时，由于是一 种非接触式考勤，无需待考勤人员专门就考勤付出时间，因此本公开方法可以有效的提高 考勤效率。在应用时，由于使用用户标识来获取考勤人员图像，加速了用户特征匹配速度， 提高了考勤的实时性和有效性。其中，所述客户端可以是手机、平板、定制带有人员标识的 卡片、以及指纹识别器等能够向服务器发送用户标识的电子设备。
[0029]在一个实施例中，揭示了步骤S100中用户标识ID:的生成方式，即：
[0030] 所述待考勤人员仏的用户标识ID:是自动生成的，或被人为设置的，或基于每个待 考勤人员的客户端而获得的；
[0031] 所述用户标识ID:所对应的1个用户特征是基于预先获得的待考勤人员仏的1个 图像来提取的。
[0032] 在一个实施例中，步骤S300还包括考勤结果提示，所述相似性匹配结果提示的内 容形式包括采用下述一种或任意多种方式的组合形式:静态文字、图案或动态文字、动态图 案、声音。所述提示包括具体的考勤人员或者访客。本公开可以实时显示视频与识别结果， 当考勤人员被识别时，会给出相应提示。
[0033] 在一个实施例中，揭示了步骤S300在有用户标识情况下的一种实施方式，如图2所 示，所述步骤S300进一步包括下述步骤：
[0034] S301A、对于与服务器在同一空间区域的、待考勤人员仏的客户端，服务器与该客 户端进行通信以获得该待考勤人员u的用户标识im，并记录相应通信时间；
[0035] S302A、基于该用户标识IDi，获取存储在所述用户特征库的该用户标识IDi对应的 Mi个用户特征；
[0036] S303A、将步骤S302A获取的Mi个用户特征与步骤S200获取的Ni个用户特征分别进 行相似度比对；
[0037] S304A、若存在一次比对结果满足相似度比对的阈值要求，且步骤S301A中的通信 时间与步骤S200中的所述化张图像的时间信息满足考勤的时间要求，则该用户标识所属用 户的考勤被判定为有效;否则，考勤被判定为无效。
[0038] 特别地，若服务器接收到与其不在同一区域客户端发送的用户标识，则不进行任 何操作。这种方式对于使用移动设备发送用户标识的情况，可以有效避免不在考勤区域客 户端就发送用户标识，服务器就在视频图像中匹配考勤人员，进而影响实际的考勤效率。
[0039] 在一个实施例中，还揭示了步骤S300在没有用户标识情况下的一种实施方式。即： 在没有用户标识情况时，服务器也可以根据获取的实时视频图像进行用户考勤，同时还能 区别是考勤人员还是访客。在这种情况下，如图3所示，所述步骤S300进一步包括下述步骤：
[0040] S301B、将步骤S200中获得的Ni个用户特征作为一个整体检索条件，并以此整体检 索条件检索所述用户特征库；
[0041] S302B、从所述用户特征库中获取与该Ni个用户特征最相似的Ki个相似用户特征， 以及所述1个相似用户特征所对应的待考勤人员的用户标识；
[0042] 33038、将化个用户特征和所述L个相似用户特征分别进行相似度比对；
[0043] S304B、若存在一次比对结果满足相似度比对的阈值要求，且步骤S200中的所述Ni 张图像的时间信息满足考勤的时间要求，则：
[0044]该次比对所对应的相似用户被识别为待考勤人员，且该化个用户特征所属用户的 考勤被判定为有效；
[0045] 否则，该化个用户特征所属用户被识别为访客。
[0046] 在一个实施例中，如图4所示，步骤S302B进一步包括下述步骤来获取与该Ni个用 户特征最相似的Ki个相似用户特征：
[0047] S302B1、通过Ki个相似用户特征来建立KD树，其中，Ki彡Mi;
[0048] S302B2、对所述KD树进行遍历，每层选取用户特征中的一维进行比较，以确定下一 层检索的分支，最后选取最相似的I个相似用户特征；
[0049] S302B3、进一步获取所述Ki个相似用户特征所对应的用户标识，以此作为可能的 相似用户。
[0050]所述KD树的每一层可以为人脸特征的一维，在查找相似特征向量时，可以减少比 较次数加速比对过程。在搜索相似特征时，通过遍历基于人脸特征的KD树实现，每层选取人 脸特征的一维进行比较以确定下一层检索的分支。
[0051] 在一个实施例中，如图5所示，步骤S303B中所述将Ni个用户特征和所述Ki个相似用 户特征分别进行相似度比对，进一步包括下述步骤：
[0052] S303B1、定义相似度矩阵Si,userj，i G [ 1，Ni]，j G [ 1，Ki];
[0053] S303B2、对Ni张图像，根据正脸、清晰度计算一个质量分值qi，iG[l，Ni];
[0054] S303B3、按照下式计算步骤S302B3中所述用户标识所对应的每个用户的Mi个用户 特征与步骤S200中的K个用户特征的相似度得分：
[0056] S303B4、，基于步骤S303B3的相似度得分，获得最大相似度及其所属该次比对所对 应的用户标识，以此作为可能的相似用户。
[0057]为了能够准确识别出用户，将所述用户特征包括人脸特征和/或步态特征。在应用 时，可以单独使用人脸特征或者步态特征，也可以是两者结合使用。为了方便检索，所述用 户特征在存储时采用分布式存储方式，以便进行并行检索，提高检索速度。优选的，所述人 脸特征包括类间变化和类内变化，所述类间变化是指不同人之间的人脸差异;所述类内变 化是指一个人在不同条件下人脸之间的差异。在一个实施例中，列举了产生类内变化的不 同条件，即所述不同条件包括表情、光线、年龄所相关的条件。在其它实施例中，不同条件包 括表情、光线、年龄、发型、化妆与否等相关的条件。在一个实施例中，不同条件包括性别、年 龄、是否戴眼镜、帽子、口罩等，并将这些不同条件作为检索条件，为检索查询提供帮助。 [0058]优选的，所述人脸特征通过深度学习方法对人脸特征所属图像中的人脸进行特征 提取。在一个实施例中，使用深度学习方法提取约180维的人脸特征，更能有效地在不同条 件下产生的类内变化与由于不同人脸产生的类间变化进行区分。深度学习方法可以通过非 线性变换得到新的特征表示:该特征在尽可能多地去掉类内变化的同时，保留类间变化。通 过深度学习方法提取每张人脸个性化的特征，能很大提高人脸识别的准确性。在一个实施 例中，给出了深度学习采用的具体函数，即：所述深度学习方法使用非线性变换sigmoid函 数：
[0060] 优选的，所述步态特征通过步态特征矢量表示，所述步态特征矢量通过下述步骤 获得：
[0061] S111、获取用户步态的周期性特征矢量；
[0062] S112、基于周期性特征矢量的处理获取步态特征矢量。
[0063]所述周期性特征矢量相当于被检测对象的在时间维度上的特征，所述步态特征矢 量相当于被检测对象在空间维度上的特征，在周期性特征矢量的基础上获得的不同特征矢 量具有较高的鲁棒性。而由于不需要对每一帧图像都进行步态特征矢量提取，能够进行较 快的识别判断。所述步态特征矢量至少需要表达下述内容:脚的摆动区域、腿的摆动区域、 手臂的摆动区域和躯干的摆动区域。在识别时，当检测对象的不同特征矢量和用户特征库 中存储的匹配达到设定阈值时，则认为匹配成功。
[0064]在一个实施例中，所述周期性特征矢量通过主成分分析方法获得。所述步骤S112 中处理采用的方法是一种基于主成分分析和线性判别分析的联合处理方法。采用这种全局 的方法来获得反应人体形态特征的步态特征矢量，对图像品质要求较低，这一优点使本公 开方法在通过摄像头获取的动态人员的图像时进行步态识别的场景中尤为重要。
[0065] 在一个实施例中，步骤S200还包括下述步骤：
[0066] S201、将实时获取的所述K张图像，和从每张图像中提取的用户特征，以及所述K 张图像的时间信息分别进行存储；
[0067] S202、进一步对每张图像中的地点进行识别，并将所述地点进行存储。
[0068] 在这个实施例中，将实时获取的化张图像、从每张图像中提取的用户特征及图像 获取时间、地点进行存储。对多个摄像头在监控区域拍摄到的人脸，系统在线自动构建一个 人脸库，记录该人脸访问时间、出现地点、外观特征等，对外提供人脸查询检索功能。用户可 以使用人脸图片在库中进行检索，查询该人是否在监控区域出现过并得到其相关访问信息 或行走轨迹。
[0069] 利用存储的信息，可以统计每天进入公司的员工人数，其中重复客户只计算一次， 还可以将访客的相关信息进行保存以用于查询;而利用保存的时间信息可以统计每个进出 公司的时间和次数。
[0070] 在步骤S200中服务器实时获取所述待考勤人员仏的化张图像时，为提高匹配的准 确性，服务器自动挑选高质量的人脸图像，优选的，所述质量判断包括下述步骤：
[0071] S211、对每个检测到的人脸图像，首先判断两眼间距是否满足设定要求，若满足要 求则执行步骤S212;否则，舍弃该检测到的人脸图像；
[0072] S212、计算检测到的人脸图像的人脸置信度得分是否满足设定要求，若满足要求 则执行步骤S213;否则，舍弃该检测到的人脸图像；
[0073] S213、计算正脸得分是否满足设定要求，如满足，则认为该人脸图像能够用于识别 人脸;否则，舍弃该检测到的人脸图像。
[0074] 可选的，所述跟踪通过比较当前跟踪位置处的人脸与已检测到的人脸面积重合度 来判断是否为同一目标。在一个实施例中，比较所定位的人脸与当前跟踪位置处的"人脸" 的面积重合度，如果重合度大于阈值，比如0.6，则认为是同一个目标，如果所定位的人脸没 有与跟踪的人脸重合或者重合度小于阈值，则认为不是同一目标。
[0075]根据上述方法，可建立相应的考勤系统，所述系统结构示意图如图6所示，所述系 统包括用户特征库、图像用户特征获得模块、考勤模块;其中：
[0076]用户特征库，用于：存储待考勤人员Ui的用户标识IDi，和用户标识IDi所对应的Mi 个用户特征，其中，i的取值范围从1到hit为正整数;T为带考勤人员总数；
[0077]图像用户特征获得模块，用于:对待考勤人员U，至少通过摄像头输出的上下班出 入口处的视频，服务器实时获取所述待考勤人员仏的化张图像和所述K张图像的时间信息， 并基于每张图像提取1个用户特征，以获得该待考勤人员的K个用户特征，其中，化为正整 数；
[0078]考勤模块，用于:对待考勤人员U，利用所述用户特征提取模块提取的所述K个用 户特征和所述K张图像的时间信息，以及所述用户特征库，对所述待考勤人员Ui的上下班进 行考勤。
[0079] 特别地，所述用户特征库中存储的待考勤人员仏的用户标识ID:是是自动生成的， 或被人为设置的，或基于每个待考勤人员的客户端而获得的;所述用户标识ID:所对应的1 个用户特征是基于预先获得的待考勤人员仏的姐个图像来提取的。
[0080] 在一个实施例中，所述系统结构示意图如图7所示，所述图像用户特征获得模块还 包括下述单元：
[0081 ]地点识别单元，用于:对每张图像中的地点进行识别；
[0082] 信息存储单元，用于:将实时获取的所述K张图像，和从每张图像中提取的用户特 征，以及所述K张图像的时间信息分别进行存储;对每张图像中识别出的地点进行存储。
[0083] 在一个实施例中，如图8所示，所述考勤模块包括下述单元来实现对所述待考勤人 员仏的上下班进行考勤：
[0084] 用户标识获取单元，用于：对与服务器在同一空间区域的、待考勤人员仏的客户 端，服务器与该客户端进行通信以获得该待考勤人员仏的用户标识ID:，记录相应通信时间； 并将所述用户标识ID:输出给第一检索单元，将所述通信时间输出给第一考勤判断单元；
[0085] 第一检索单元，用于：利用接收的用户标识ID:，获取存储在所述用户特征库的该 用户标识IDi对应的Mi个用户特征;并将所述用户标识IDi以及其对应的Mi个用户特征输出 给相似度对比单元；
[0086] 第一相似度对比单元，用于:接收所述第一检索单元的I个用户特征，将其与所述 图像用户特征获得模块获取的化个用户特征分别进行相似度比对，并将比对结果输出给第 一考勤判断单元；
[0087] 第一考勤判断单元，用于:接收所述用户标识获取单元的通信时间以及所述第一 相似度对比单元的对比结果;若存在一次比对结果满足相似度比对的阈值要求，且接收的 通信时间与所述图像用户特征获得模块获取的所述化张图像的时间信息满足考勤的时间 要求，则该用户标识所属用户的考勤被判定为有效;否则，考勤被判定为无效。
[0088] 在一个实施例中，如图9所示，所述考勤模块包括下述单元来实现对所述待考勤人 员仏的上下班进行考勤：
[0089] 第二检索单元，用于:将所述图像用户特征获得模块获取的化个用户特征作为整 体检索条件，并以此整体检索条件检索所述用户特征库，并将获取的与该K个用户特征最 相似的1个相似用户特征，以及所述1个相似用户特征所对应的待考勤人员的用户标识作 为检索结果输出给第二相似比对单元；
[0090] 第二相似比对单元，用于:将接收的化个用户特征和所述仏个相似用户特征分别进 行相似度比对，并将比对结果输出给第二考勤判断单元；
[0091 ]第二考勤判断单元，用于:接收第二相似比对单元输出的比对结果;若存在一次比 对结果满足相似度比对的阈值要求，且步骤S200中的所述化张图像的时间信息满足考勤的 时间要求，则:该次比对所对应的相似用户被识别为待考勤人员，且该K个用户特征所属用 户的考勤被判定为有效;否则，该化个用户特征所属用户被识别为访客。
[0092]在一个实施例中，所述第二检索单元包括KD树；
[0093]所述KD树通过Ki个相似用户特征来构建，其中Ki多Mi;每层是用户特征中的一维。
[0094] 在一个实施例中，如图10所示，所述第二相似比对单元包括相似度矩阵、质量评估 器、相似度得分计算器、比较器；
[0095] 所述相似度矩阵，其每个元素表示一个作为检索条件的用户特征和作为检索结果 的一个用户特征之间的相似度;所述相似矩阵的列向量表示一个检索结果的用户特征与不 同检索条件的用户特征的相似度分量；
[0096] 所述质量评估器，用于:根据正脸、清晰度计算一张图像的质量分值;并将属于同 一用户的图像的质量分值，按照所述相似度矩阵中作为检索条件的用户特征对应的图像顺 序写入到第一行向量；
[0097] 所述相似度得分计算器，用于:将所述第一行向量与所述相似度矩阵相乘，得到相 似度得分结果向量；
[0098] 所述比较器，用于:从所述相似度得分结果向量元素中选择最高的相似度得分，并 将该相似度得分对应的检索结果用户作为可能的相似用户。
[0099] 在一个实施例中，所述图像用户特征获得模块包括人脸特征提取子模块和/或步 态特征提取子模块；
[0100] 所述人脸特征提取子模块，用于提取图像中的人脸特征；
[0101] 所述步态特征提取子模块，用于提取图像中的步态特征。
[0102] 进一步地，如图11所示，所述图像步态特征提取子模块包括主成分分析单元、步态 特征提取单元;所述主成分分析单元，使用主成分分析方法提取服务器实时获取所述待考 勤人员仏的化张图像中的周期性特征矢量，并输出给所述步态特征提取单元;所述步态特征 提取单元对所述主成分分析单元输出的周期性特征矢量采用一种基于主成分分析和线性 判别分析的联合处理方法来获得步态特征矢量。
[0103] 以上对本公开进行了详细介绍，本文中应用了具体个例对本公开的原理及实施方 式进行了阐述，以上实施例的说明只是用于帮助理解本公开的方法及其核心思想；同时，对 于本领域技术人员，依据本公开的思想，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公开的限制。
【主权项】
1. 一种考勤方法，其特征在于，所述方法包括下述步骤： S100、建立所有T名待考勤人员的用户特征库，所述用户特征库存储待考勤人员化的用 户标识IDi,和用户标识IDi所对应的Mi个用户特征，其中，i的取值范围从1到T，Mi为正整数； 5200、 对于待考勤人员化，至少通过摄像头输出的上下班出入口处的视频，服务器实时 获取所述待考勤人员化的Ni张图像和所述Ni张图像的时间信息，并基于每张图像提取1个用 户特征，W获得该待考勤人员的Ni个用户特征，其中，Ni为正整数； S300、对于待考勤人员化，利用步骤S200中所述Ni个用户特征和所述Ni张图像的时间信 息，W及步骤SlOO中所述用户特征库，对所述待考勤人员化的上下班进行考勤。2. 根据权利要求1所述的方法，其特征在于，优选的，步骤SlOO中： 所述待考勤人员化的用户标识IDi是自动生成的，或被人为设置的，或基于每个待考勤 人员的客户端而获得的； 所述用户标识IDi所对应的Mi个用户特征是基于预先获得的待考勤人员化的Mi个图像来 提取的。3. 根据权利要求1所述的方法，其特征在于，步骤S200还包括下述步骤： 5201、 将实时获取的所述Ni张图像，和从每张图像中提取的用户特征，W及所述Ni张图 像的时间信息分别进行存储； 5202、 进一步对每张图像中的地点进行识别，并将所述地点进行存储。4. 根据权利要求1所述的方法，其特征在于，步骤S300包括下述步骤： S301A、对于与服务器在同一空间区域的、待考勤人员化的客户端，服务器与该客户端进 行通信W获得该待考勤人员化的用户标识IDi,并记录相应通信时间； S302A、基于该用户标识IDi,获取存储在所述用户特征库的该用户标识IDi对应的Mi个 用户特征； S303A、将步骤S302A获取的Mi个用户特征与步骤S200获取的Ni个用户特征分别进行相 似度比对； S304A、若存在一次比对结果满足相似度比对的阔值要求，且步骤S301A中的通信时间 与步骤S200中的所述Ni张图像的时间信息满足考勤的时间要求，则该用户标识IDi所属用户 的考勤被判定为有效;否则，考勤被判定为无效。5. 根据权利要求1所述的方法，其特征在于，步骤S300包括下述步骤： S301B、将步骤S200中获得的Ni个用户特征作为一个整体检索条件，并W此整体检索条 件检索所述用户特征库； S302B、从所述用户特征库中获取与该Ni个用户特征最相似的Ki个相似用户特征，W及 所述Ki个相似用户特征所对应的待考勤人员的用户标识； S303B、将Ni个用户特征和所述Ki个相似用户特征分别进行相似度比对； S304B、若存在一次比对结果满足相似度比对的阔值要求，且步骤S200中的所述Ni张图 像的时间信息满足考勤的时间要求，则： 该次比对所对应的相似用户被识别为待考勤人员，且该Ni个用户特征所属用户的考勤 被判定为有效； 否则，该Ni个用户特征所属用户被识别为访客。6. 根据权利要求5所述的方法，其特征在于，所述S302B包括下述步骤： S302B1、通过Ki个相似用户特征来建立邸树，其中，Ki >Mi; S302B2、对所述K的对进行遍历，每层选取用户特征中的一维进行比较，W确定下一层检 索的分支，最后选取最相似的Ki个相似用户特征； S302B3、进一步获取所述Ki个相似用户特征所对应的用户标识，W此作为可能的相似用 户。7. 根据权利要求6所述的方法，其特征在于，所述S303B包括下述步骤： 830381、定义相似度矩阵51,。36小1￡[1，扣]〇￡[1，1(1]; S303B2、对Ni张图像，根据正脸、清晰度计算一个质量分值qi，i G [1，Ni]; S303B3、按照下式计算步骤S302B3中所述用户标识所对应的每个用户的Ml个用户特征 与步骤S200中的Ni个用户特征的相似度得分：S303B4、，基于S303B3的相似度得分，获得最大相似度及其所属该次比对所对应的用户 标识，W此作为可能的相似用户。8. 根据权利要求1所述的方法，其特征在于： 所述用户特征包括人脸特征和/或步态特征。9. 根据权利要求8所述的方法，其特征在于： 所述步态特征通过步态特征矢量表示，所述步态特征矢量通过下述步骤获得： 5111、 获取用户步态的周期性特征矢量； 5112、 基于周期性特征矢量的处理获取步态特征矢量。10. 根据权利要求9所述的方法，其特征在于，所述周期性特征矢量通过主成分分析方 法获得。11. 根据权利要求9所述的方法，其特征在于，所述步骤S112中处理采用的方法是一种 基于主成分分析和线性判别分析的联合处理方法。12. -种考勤系统，其特征在于： 所述系统包括用户特征库、图像用户特征获得模块、考勤模块;其中： 用户特征库，用于:存储待考勤人员化的用户标识IDi,和用户标识IDi所对应的Mi个用户 特征，其中，i的取值范围从1到T，Mi为正整数;T为带考勤人员总数； 图像用户特征获得模块，用于:对待考勤人员化，至少通过摄像头输出的上下班出入口 处的视频，服务器实时获取所述待考勤人员化的Ni张图像和所述Ni张图像的时间信息，并基 于每张图像提取1个用户特征，W获得该待考勤人员的Ni个用户特征，其中，Ni为正整数； 考勤模块，用于:对待考勤人员化，利用所述用户特征提取模块提取的所述Ni个用户特 征和所述Ni张图像的时间信息，W及所述用户特征库，对所述待考勤人员化的上下班进行考 勤。
【文档编号】G07C1/10GK105913507SQ201610290659
【公开日】2016年8月31日
【申请日】2016年5月3日
【发明人】马堃, 马丽, 孙林, 吴瑕, 霍秋亮
【申请人】深圳市商汤科技有限公司