基于净水器的考勤方法与流程

本发明涉及智能识别技术领域，尤其是涉及一种不易作弊、识别率高、成本低的基于净水器的考勤方法。

背景技术：

智能打卡管理系统是一套管理公司的员工的上下班打卡记录等相关情况的管理系统，是打卡软件与打卡硬件相结合的产品，一般为HR部门使用，掌握并管理企业的员工出勤动态。

常用的智能打卡系统包括指纹打卡系统和人脸识别打卡系统，但是存在如下缺点：

智能人脸识别打卡系统针对于长相相似的两个人无法进行有效的识别；人脸识别成功率受到较多因素限制，如：体型变化导致脸型变化时则会导致识别出错，更换发型及戴帽子也可能导致识别失败，如果更换用户识别信息则需要人力进行数据更换，增加了人力成本；

指纹识别要求手指清洁，有水渍、油污都会导致指纹无法识别，指纹识别对录入指纹的指纹完整度有较高要求，并且指纹识别可代替性较高，市场上有很多指纹识别套可以代替打卡；现有识别度较高的虹膜识别打卡的成本较高，无法得到广泛推广。

技术实现要素：

本发明的发明目的是为了克服现有技术中的打卡方法容易作弊，成本高的不足，提供了一种不易作弊、识别率高、成本低的基于净水器的考勤方法。

为了实现上述目的，本发明采用以下技术方案：

一种基于净水器的考勤方法，包括设于净水器上的控制器、存储器、红外温度传感器、第一摄像机和用于红外热成像的第二摄像机；设于用户的座椅上的压力传感器和报警器，控制器分别与红外温度传感器、第一摄像机、第二摄像机、存储器、服务器、压力传感器和报警器电连接；包括如下步骤：

(1-1)存储器中设有上班时刻t1和下班时刻t2，压力传感器检测用户对座椅的压力，当用户每天在[t1-e1，t1+e1]的时间范围内第一次坐到座椅上时，控制器控制报警器报警，提醒用户去净水器处打卡；当用户每天在[t2-e1，t2+e1]的时间范围内离开座椅时，控制器控制报警器报警，提醒用户去净水器处打卡；

(1-2)用户每次靠近净水器时，控制器获得红外温度传感器检测的人体信号；控制器控制第一摄像机和第二摄像机开始工作，第一摄像机和第二摄像机采集用户图像；

(1-3)存储器中设有包括所有注册用户的特征点集合和关键点集合的数据库，控制器从第一摄像机拍摄的图像中获得用户的各个特征点，将用户的各个特征点与数据库中的所有用户的特征点集合进行比对，选定正确匹配的特征点；

控制器从第二摄像机拍摄的图像中获得用户的各个关键点，将用户的各个关键点与数据库中的所有用户的关键点集合进行比对，选定正确匹配的关键点；

(1-4)控制器计算综合识别率γ；

当γ≥W，则控制器找到数据库中与γ对应的使用者的名称，将使用者名称传递给服务器，服务器存储当前时间、综合识别率γ和使用者名称；

(1-5)服务器将每个用户在一天中第一次被识别的时间作为上班打卡时间，将每个用户在一天中最后一次被识别的时间作为下班打卡时间，将上班打卡时间、下班打卡时间分别与上班时刻和下班时刻做比较，计算出用户每天是否迟到、早退和加班并存储在服务器中。

本发明基于智能净水器实现了用户身份识别及打卡的功能，当用户靠近净水器时，获得红外温度传感器检测的人体信号；第一摄像机和第二摄像机采集用户图像；存储器中设有包括所有注册用户的特征点集合和关键点集合的数据库，控制器进行关键点识别及匹配特征点识别及匹配，最终识别用户并自动考勤。

本发明将识别系统与净水器相结合，是基于时长一个月的市场调研，经过研究发现，员工、白领等商务人群平均每日工作时间内在门口停留时间为2分钟次数为6次，在打卡机前停留时间为2分钟次数为2次，在净水器旁停留时间为16分钟次数为8次，在工位上停留时间为6小时次数为10次，通过调研数据发现，除去每天在工位前的工作时间外，净水器前停留次数和停留时间都占较高比例，本发明将智能识别系统与净水器相结合，能够有效增加识别度，降低人工维护成本；

本发明提高了管理工作的便利性，降低了人工维护成本，提升了用户体验度；具有更高的识别度，在应用范围内可以达到百分之99的识别准确率；本发明无需用户进行按压等刻意识别操作，在用户每天早上接水时就可以实现智能识别，识别更为便捷；与高识别度的虹膜识别相比，净水器智能识别系统具有成本低、应用范围广的优点，更便于公司等商务场合使用。

作为优选，步骤(1-4)包括如下步骤：

利用公式计算特征点识别率γ₁，其中，n1为累计正确匹配的特征点数，N1为特征点集合的特征点总数，K1为每个特征点的特征数；

利用公式计算关键点识别率γ₂，其中，n2为累计正确匹配的特征点数，N2为关键点集合的关键点总数，K2为每个特征点的特征数；

控制器利用公式计算综合识别率γ；其中，k₁、k₂为设定的加权系数。

作为优选，当γ＜W，控制器做出所述用户为非注册用户的判断；

控制器将从第一摄像机拍摄的图像中获得的各个特征点和从第二摄像机拍摄的图像中获得的各个关键点发送给服务器，服务器产生一个非注册用户的编号，并且将非注册用户的编号与当前时间、各个特征点和各个关键点关联存储。

作为优选，各个关键点所处的范围为用户脸部上至发际线，下至下巴最低点，左右至耳朵边沿点；包括7个区域，7个区域分别为前额区域、左眼区域、右眼区域、鼻子区域、左脸区域、右脸区域和鼻子下巴区域；左眼区域、右眼区域中的关键点对称选取，左脸区域、右脸区域中的关键点对称选取。

作为优选，各个特征点位于人脸三角区，特征点为30个。

作为优选，所述控制器从第一摄像机拍摄的图像中获得用户的各个特征点，将用户的各个特征点与数据库中的所有用户的特征点集合进行比对，选定正确匹配的特征点包括如下步骤：

(6-1)对于第一摄像机拍摄的图像I(x，y)，利用公式G(i)＝|[f(i-1，j-1)+f(i-1，j)+f(i-1，j+1)]-[f(i+1，j-1)+f(i+1，j)+f(i+1，j+1)]|和

G(j)＝|[f(i-1，j+1)+f(i，j+1)+f(i+1，j+1)]-[f(i-1，j-1)+f(i，j-1)+f(i+1，j-1)]|计算图像I(x，y)中每个像素点(l，j)的邻域卷积G(i)，G(j)，

设定P(i，j)＝max[G(i)，G(j)]，选定P(i，j)为图像边缘点；

(6-2)对于第一摄像机拍摄的图像I(x，y)，利用公式L(x，y，σ)＝g(x，y，σ)×I(x，y)构建尺度空间图像L(x，y，σ)，g(x，y，σ)是尺度高斯可变函数，(x，y)是空间坐标，σ为图像平滑度；

(6-3)利用公式

D(x，y，σ)＝(g(x，y，kσ)-g(x，y，σ))×I(x，y)＝L(x，y，kσ)-L(x，y，σ)计算高斯差分尺度空间D(x，y，σ)；k为相邻尺度空间倍数的常数；

对于图像I(x，y)中的每个像素，依次建立s层个长宽分别减半的子八度图像，其中，第一层子八度图像为原图；

(6-4)将每个像素点的D(x，y，σ)与其相邻像素点的D(x，y，σ)进行比较，如果所述像素点的D(x，y，σ)在本层以及上下两层的各个领域中是最大或最小值时，取该像素点为特征点；

(6-5)获得由各个选定的特征点构成的dog图，对dog图进行低通滤波；去除dog图中边缘点之外的各个点，得到二维点图；

(6-6)利用公式

和θ(x，y)＝arc tan((L(x，y+1)-L(x，y-1))/(L(x+1，y)-L(x-1，y)))计算每个特征点的模值m(x，y)和角度θ(x，y)，设定每个特征点的尺度为其所在的子八度图像的层数；设定每个特征点的模值、角度和尺度为特征点的特征1、特征2和特征3；L(x+1，y)特征点(x+1，y)的尺度；

(6-7)将每个特征点A1的3个特征与数据库中所有的特征点集合的每个特征点的3个特征分别进行比较，在特征点集合中找出与A1最相近特征点B1和次相近的特征点C1；

设定特征点A1和B1的特征1的差值为a11，设定特征点A1和C1的特征1的差值为b11；

设定特征点A1和B1的特征2的差值为a12，设定特征点A1和C1的特征1的差值为b12；

设定特征点A1和B1的特征32的差值为a13，设定特征点A1和C1的特征1的差值为b13；

当并且并且ratio为设定的比率阈值；

则选定特征点B1为正确匹配点。

作为优选，控制器从第二摄像机拍摄的图像中获得用户的各个关键点，将用户的各个关键点与数据库中的所有用户的关键点集合进行比对，选定正确匹配的关键点包括如下步骤：

(7-1)设定f(i，j)为第二摄像机拍摄的图像中(i，j)点的灰度值，以(i，j)点为中心在图像中取一个N′×N′的窗口，设定窗口内像素组成的点集为A′，利用公式进行滤波，得到去燥后的图像g(i，j)；

(7-2)用N′×N′的窗口在图像上滑动，把窗口中所有像素的灰度值按升次序排列，取排列在正中间的灰度值作为窗口中心像素点的灰度值；

(7-3)利用公式对图像f(x，y)进行边缘检测，得到边缘点h(x，y)；

(7-4)对于第二摄像机拍摄的图像f(x，y)，利用公式L′(x，y，σ)＝g(x，y，σ)×f(x，y)构建尺度空间图像L′(x，y，σ)，g(x，y，σ)是尺度高斯可变函数，(x，y)是空间坐标，σ为图像平滑度；

(7-5)利用公式

D′(x，y，σ)＝(g(x，y，kσ)-g(x，y，σ))×f(x，y)＝L′(x，y，kσ)-L′(x，y，σ)计算高斯差分尺度空间D′(x，y，σ)；

对于图像f(x，y)中的每个像素，依次建立s层长宽分别减半的子八度图像，其中，第一层子八度图像的为原图；

(7-6)将每个像素点的D′(x，y，σ)与其相邻像素点的D′(x，y，σ)进行比较，如果所述像素点的D′(x，y，σ)在本层以及上下两层的各个邻域中是最大或最小值时，取该像素点为关键点；

(7-7)获得由各个选定的关键点构成的dog图，对dog图进行低通滤波；去除dog图中边缘点之外的各个点，得到二维点图；

(7-8)利用公式

和θ(x，y)＝arc tan2((L(x，y+1)-L(x，y-1))/(L(x+1，y)-L(x-1，y)))计算每个关键点的模值m(x，y)和角度θ(x，y)，L(x+1，y)为关键点(x+1，y)的尺度；设定每个关键点的模值、角度和尺度为关键点的特征1、特征2和特征3；

(7-9)将每个关键点A2的3个特征与数据库中所有的关键点集合的每个特征点的3个特征分别进行比较，在关键点集合中找出与A最相近关键点B2和次相近的关键点C2；

设定关键点A2和B2的特征1的差值为a21，设定关键点A2和C2的特征1的差值为b21；

设定关键点A2和B2的特征2的差值为a22，设定关键点A2和C2的特征1的差值为b22；

设定关键点A2和B2的特征32的差值为a23，设定关键点A2和C2的特征1的差值为b23；

当并且并且ratio为设定的比率阈值；

则选定关键点B2为正确匹配点。

作为优选，还包括如下步骤：如果在一段时间内，某使用者的识别率γ持续下降达到30次，则用最后一次识别的所有比对失败的特征点、关键点替换数据库中相应的特征点、关键点。

作为优选，在步骤(6-1)之前对I(x，y)进行如下处理：

利用公式R＝1.164(Y-16)+1.596(Cr-128)，

G＝1.164(Y-16)-0.813(Cr-128)-0.392(Cb-128)，

B＝1.164(Y-16)+2.017(Cb-128)，

将YCrCh格式的I(x，y)转换为rgb彩色图像；

利用公式Gray＝0.229R+0.587G+0.11B将rgb彩色图像转化为黑白图像I′(x，y)；其中，R为红色分量，G为绿色分量，B为蓝色分量；

利用公式g(x，y)＝{[I(x，y)-m]×sv}/v+sm对黑白图像做灰度归一化：

其中，m黑白图像的灰度均值，v是黑白图像的方差，sm是设定的归一化参数，sv是设定的方差参数。

因此，本发明具有如下有益效果：识别率高、适用性强，成本低，提高了管理便利性。

附图说明

图1是本发明的一种流程图；

图2是本发明的一种关键点集合图；

图3是本发明的一种特征点集合图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步的描述。

如图1所示的实施例是一种基于净水器的考勤方法，包括设于净水器上的控制器、存储器、红外温度传感器、第一摄像机和用于红外热成像的第二摄像机；设于用户的座椅上的压力传感器和报警器，控制器分别与红外温度传感器、第一摄像机、第二摄像机、存储器、服务器、压力传感器和报警器电连接；包括如下步骤：

步骤100，打卡提醒

存储器中设有上班时刻t1和下班时刻t2，压力传感器检测用户对座椅的压力，当用户每天在[t1-e1，t1+e1]的时间范围内第一次坐到座椅上时，控制器控制报警器报警，提醒用户去净水器处打卡；当用户每天在[t2-e1，t2+e1]的时间范围内离开座椅时，控制器控制报警器报警，提醒用户去净水器处打卡；e1为30分钟，t1为8：30，t2为17：00。

步骤200，人体检测及图像采集

用户每次靠近净水器时，控制器获得红外温度传感器检测的人体信号；控制器控制第一摄像机和第二摄像机开始工作，第一摄像机和第二摄像机采集用户图像；

步骤300，特征点及关键点的识别及匹配

存储器中设有包括所有注册用户的特征点集合和关键点集合的数据库，控制器从第一摄像机拍摄的图像中获得用户的各个特征点，将用户的各个特征点与数据库中的所有用户的特征点集合进行比对，选定正确匹配的特征点；

具体步骤如下：

步骤310，控制器从第一摄像机拍摄的图像中获得用户的各个特征点，

对于第一摄像机拍摄的图像I(x，y)进行如下处理：

利用公式R＝1.164(Y-16)+1.596(Cr-128)

G＝1.164(Y-16)-0.813(Cr-128)-0.392(Cb-128)

B＝1.164(Y-16)+2.017(Cb-128)

将YCrCh格式的I(x，y)转换为rgb彩色图像；

利用公式Gray＝0.229R+0.587G+0.11B将rgb彩色图像转化为黑白图像；其中，R为红色分量，G为绿色分量，B为蓝色分量；

利用公式g(x，y)＝{[I(x，y)-m]×sv}/v+sm对黑白图像做灰度归一化：

其中，m黑白图像的灰度均值，v是黑白图像的方差，sm是设定的归一化参数，sv是设定的方差参数。

步骤311，对于第一摄像机拍摄的图像I(x，y)，利用公式

G(i)＝|[f(i-1，j-1)+f(i-1，j)+f(i-1，j+1)]-[f(i+1，j-1)+f(i+1，j)+f(i+1，j+1)]|和

G(j)＝|[f(i-1，j+1)+f(i，j+1)+f(i+1，j+1)]-[f(i-1，j-1)+f(i，j-1)+f(i+1，j-1)]|计算图像I(x，y)中每个像素点(l，j)的邻域卷积G(i)，G(j)，

设定P(i，j)＝max[G(i)，G(j)]，选定P(i，j)为图像边缘点；

步骤312，对于第一摄像机拍摄的图像I(x，y)，利用公式L(x，y，σ)＝g(x，y，σ)×I(x，y)构建尺度空间图像L(x，y，σ)，g(x，y，σ)是尺度高斯可变函数，(x，y)是空间坐标，σ为图像平滑度；

步骤313，利用公式

D(x，y，σ)＝(g(x，y，kσ)-g(x，y，σ))×I(x，y)＝L(x，y，kσ)-L(x，y，σ)计算高斯差分尺度空间D(x，y，σ)；k为相邻尺度空间倍数的常数；

对于图像I(x，y)中的每个像素，依次建立s层个长宽分别减半的子八度图像，其中，第一层子八度图像为原图；

步骤314，将每个像素点的D(x，y，σ)与其相邻像素点的D(x，y，σ)进行比较，如果所述像素点的D(x，y，σ)在本层以及上下两层的各个领域中是最大或最小值时，取该像素点为特征点；

步骤315，获得由各个选定的特征点构成的dog图，对dog图进行低通滤波；去除dog图中边缘点之外的各个点，得到二维点图；

步骤316，利用公式

和θ(x，y)＝arc tan((L(x，y+1)-L(x，y-1))/(L(x+1，y)-L(x-1，y)))计算每个特征点的模值m(x，y)和角度θ(x，y)，设定每个特征点的尺度为其所在的子八度图像的层数；设定每个特征点的模值、角度和尺度为特征点的特征1、特征2和特征3；L(x+1，y)特征点(x+1，y)的尺度；

步骤317，将每个特征点A1的3个特征与数据库中所有的特征点集合的每个特征点的3个特征分别进行比较，在特征点集合中找出与A1最相近特征点B1和次相近的特征点C1；

设定特征点A1和B1的特征1的差值为a11，设定特征点A1和C1的特征1的差值为b11；

设定特征点A1和B1的特征2的差值为a12，设定特征点A1和C1的特征1的差值为b12；

设定特征点A1和B1的特征32的差值为a13，设定特征点A1和C1的特征1的差值为b13；

当并且并且ratio为设定的比率阈值；

则选定特征点B1为正确匹配点；

步骤320，关键点识别及匹配

控制器从第二摄像机拍摄的图像中获得用户的各个关键点，将用户的各个关键点与数据库中的所有用户的关键点集合进行比对，选定正确匹配的关键点；

具体步骤如下：

步骤321，设定f(i，j)为第二摄像机拍摄的图像中(i，j)点的灰度值，以(i，j)点为中心在图像中取一个N′×N′的窗口，设定窗口内像素组成的点集为A′，利用公式进行滤波，得到去燥后的图像g(i，j)；

步骤322，用N′×N′的窗口在图像上滑动，把窗口中所有像素的灰度值按升次序排列，取排列在正中间的灰度值作为窗口中心像素点的灰度值；

步骤323，利用公式对图像f(x，y)进行边缘检测，得到边缘点h(x，y)；

步骤324，对于第二摄像机拍摄的图像f(x，y)，利用公式L′(x，y，σ)＝g(x，y，σ)×f(x，y)构建尺度空间图像L′(x，y，σ)，g(x，y，σ)是尺度高斯可变函数，(x，y)是空间坐标，σ为图像平滑度；

步骤325，利用公式

D′(x，y，σ)＝(g(x，y，kσ)-g(x，y，σ))×f(x，y)＝L′(x，y，kσ)-L′(x，y，σ)计算高斯差分尺度空间D′(x，y，σ)；

对于图像f(x，y)中的每个像素，依次建立s层长宽分别减半的子八度图像，其中，第一层子八度图像的为原图；

步骤326，将每个像素点的D′(x，y，σ)与其相邻像素点的D′(x，y，σ)进行比较，如果所述像素点的D′(x，y，σ)在本层以及上下两层的各个邻域中是最大或最小值时，取该像素点为关键点；

步骤327，获得由各个选定的关键点构成的dog图，对dog图进行低通滤波；去除dog图中边缘点之外的各个点，得到二维点图；

步骤328，利用公式

和θ(x，y)＝arc tan2((L(x，y+1)-L(x，y-1))/(L(x+1，y)-L(x-1，y)))计算每个关键点的模值m(x，y)和角度θ(x，y)，L(x+1，y)为关键点(x+1，y)的尺度；设定每个关键点的模值、角度和尺度为关键点的特征1、特征2和特征3；

步骤329，将每个关键点A2的3个特征与数据库中所有的关键点集合的每个特征点的3个特征分别进行比较，在关键点集合中找出与A最相近关键点B2和次相近的关键点C2；

设定关键点A2和B2的特征1的差值为a21，设定关键点A2和C2的特征1的差值为b21；

设定关键点A2和B2的特征2的差值为a22，设定关键点A2和C2的特征1的差值为b22；

设定关键点A2和B2的特征32的差值为a23，设定关键点A2和C2的特征1的差值为b23；

当并且并且ratio为设定的比率阈值；

则选定关键点B2为正确匹配点。

步骤400，识别用户

利用公式计算特征点识别率γ₁，其中，n1为累计正确匹配的特征点数，N1为特征点集合的特征点总数，K1为每个特征点的特征数；

利用公式计算关键点识别率γ₂，其中，n2为累计正确匹配的特征点数，N2为关键点集合的关键点总数，K2为每个特征点的特征数；

控制器利用公式计算综合识别率γ；其中，k₁、k₂为设定的加权系数；

当γ≥W，则控制器找到数据库中与γ对应的使用者的名称，将使用者名称传递给服务器，服务器存储当前时间、综合识别率γ和使用者名称；W为设定的标准识别率；

步骤500，考勤处理

服务器将每个用户在一天中第一次被识别的时间作为上班打卡时间，将每个用户在一天中最后一次被识别的时间作为下班打卡时间，将上班打卡时间、下班打卡时间分别与上班时刻和下班时刻做比较，计算出用户每天是否迟到、早退和加班并存储在服务器中。

当γ＜W，控制器做出所述用户为非注册用户的判断；

控制器将从第一摄像机拍摄的图像中获得的各个特征点和从第二摄像机拍摄的图像中获得的各个关键点发送给服务器，服务器产生一个非注册用户的编号，并且将非注册用户的编号与当前时间、各个特征点和各个关键点关联存储

如图2所示，各个人脸关键点所处的范围为用户脸部上至发际线，下至下巴最低点，左右取耳朵边沿点，四个方向为出脸最大边框，在面部最大边框区域进行数据取样，除去特征点区域取86点关键点(发际线至特征区额头部分取22关键点(由上额发际线五点、上眉毛边缘部分五点、左右发际线各五点额头中部结合十字形取两点)、左脸颊部分26关键点(左脸颊由耳朵边界线16点、侧脸边际8点、脸颊中部取上眼角下方一定距离2点)、右脸颊部分取26关键点(右脸颊由耳朵边界线16点、侧脸边际8点、脸颊中部取上眼角下方一定距离2点)、下巴部分取12关键点(下巴部分由下巴边界6点、嘴唇边界2点、承浆及周围3点)。

如图3所示，人脸特征点位于人脸三角区两个眉毛中间点和承浆构成的三角区和肩部两边界至人脸边界区域，其中，眼睛16个特征点，嘴巴4个特征点，鼻子4个特征点，额头4个特征点以及脸部肩部的30点构成。

如果在7天内，某使用者的综合识别率γ持续下降达到30次，则用最后一次识别的所有比对失败的特征点、关键点替换数据库中相应的特征点、关键点。ratio为0.4。

应理解，本实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。