一种基于人脸识别的考勤方法及系统与流程

本发明涉及考勤技术领域，尤其涉及一种基于人脸识别的考勤方法及系统。

背景技术：

考勤系统是指一套管理公司的员工的上下班考勤记录等相关情况的管理系统。是考勤软件与考勤硬件结合的产品，一般为hr部门使用，掌握并管理企业的员工出勤动态。然而，现有的考勤系统主要基于刷卡或者指纹识别的方式对员工进行考勤。其中，刷卡的方式存在代刷的问题，而指纹识别的方式存在指纹识别不准确，有时需要多次指纹验证才能完成人员考勤。因此，针对上述问题，有必要提出进一步地解决方案。

技术实现要素：

本发明的目的在于提供一种基于人脸识别的考勤方法及系统，以克服现有技术中存在的不足。

为实现上述发明目的，本发明提供一种基于人脸识别的考勤方法，其包括如下步骤：

s1、预读取存储于数据库中的考勤人员人脸的特征码；

s2、采集申请开门人员的人脸图像数据，并提取人脸图像数据中特征码；

s3、将提取的特征码与预先读取的特征码进行比对，当二者的阈值不一致时，不记录人员的进出信息，并重新采集申请开门人员的人脸图像数据，否则，执行步骤s3；

s4、记录人员的进出信息，并发送开门信号；

s5、对记录的人员进出信息进行汇总，并以图形化形式进行显示。

作为本发明的基于人脸识别的考勤方法的改进，所述步骤s2还包括对采集的人脸图像数据进行过滤处理：

s21、根据采集的人脸图像数据，计算局部能量谱梯度、梯度直方图扩展和最大色度饱和；

s22、根据计算得到的局部能量谱梯度、梯度直方图扩展和最大色度饱和，统计出整幅图像中模糊像素的比例，对人脸图像数据进行有效的过滤。

作为本发明的基于人脸识别的考勤方法的改进，所述局部能量谱梯度按照如下方法计算：

先用离散傅里叶变换计算nxn大小图像的能量谱：

然后转换至极坐标u＝fcosθ，v＝fsinθ，并计算s(f,θ)，得到：

其中，a是一个各个方向上的幅度因子，α是能量谱斜率。大量的研究表明，自然图像中α约为2，模糊的图像有较大的α。因此图像的局部模糊程度可以描述为局部与全局α值的比例差异

其中，αp是局部α，αo是全局α。

作为本发明的基于人脸识别的考勤方法的改进，所述梯度直方图扩展按照如下方法计算：

先计算图像每个像素的梯度，然后用含有两个高斯的高斯混合模型描述局部的梯度分布：π0g(x；μ0，σ0)+π1g(x；μ1，σ1)，其中σ1>σ0；

根据梯度分布，梯度直方图扩展的具体计算公式为

其中，cp是局部图像灰度值范围，ε是防止除零的极小数，τ是一个常数，取25。

作为本发明的基于人脸识别的考勤方法的改进，所述最大色度饱和按照如下方法计算：

先计算每个像素的饱和度：

然后使用以下公式比较局部饱和度最大值和全局饱和度最大值，得到最大色度饱和：

其中，max(sp)是局部图像块中饱和度最大值，max(so)是全局图像中饱和度最大值。

为实现上述发明目的，本发明提供一种基于人脸识别的的考勤系统，其包括：存储模块、提取模块、人脸图像数据采集模块、识别模块、处理模块；

所述存储模块存储数据库中的考勤人员人脸的特征码；

所述提取模块预读取存储于数据库中的考勤人员人脸的特征码；

所述人脸图像数据采集模块采集申请开门人员的人脸图像数据，并提取人脸图像数据中特征码；

所述识别模将提取的特征码与预先读取的特征码进行比对，当二者的阈值不一致时，不记录人员的进出信息，并重新采集申请开门人员的人脸图像数据，否则，记录人员的进出信息，并发送开门信号；

所述处理模块对记录的人员进出信息进行汇总，并以图形化形式进行显示。

作为本发明的基于人脸识别的的考勤系统的改进，所述人脸图像数据采集模块还对采集的人脸图像数据进行过滤处理：

所述人脸图像数据采集模块根据采集的人脸图像数据，计算局部能量谱梯度、梯度直方图扩展和最大色度饱和，并根据计算得到的局部能量谱梯度、梯度直方图扩展和最大色度饱和，统计出整幅图像中模糊像素的比例，对人脸图像数据进行有效的过滤。

作为本发明的基于人脸识别的的考勤系统的改进，所述局部能量谱梯度按照如下方法计算：

先用离散傅里叶变换计算nxn大小图像的能量谱：

然后转换至极坐标u＝fcosθ，v＝fsinθ，并计算s(f,θ)，得到：

其中，a是一个各个方向上的幅度因子，α是能量谱斜率。大量的研究表明，自然图像中α约为2，模糊的图像有较大的α。因此图像的局部模糊程度可以描述为局部与全局α值的比例差异

其中，αp是局部α，αo是全局α。

作为本发明的基于人脸识别的的考勤系统的改进，所述梯度直方图扩展按照如下方法计算：

先计算图像每个像素的梯度，然后用含有两个高斯的高斯混合模型描述局部的梯度分布：π0g(x；μ0，σ0)+π1g(x；μ1，σ1)，其中σ1>σ0；

根据梯度分布，梯度直方图扩展的具体计算公式为

其中，cp是局部图像灰度值范围，ε是防止除零的极小数，τ是一个常数，取25。

作为本发明的基于人脸识别的的考勤系统的改进，所述最大色度饱和按照如下方法计算：

然后使用以下公式比较局部饱和度最大值和全局饱和度最大值，得到最大色度饱和：

其中，max(sp)是局部图像块中饱和度最大值，max(so)是全局图像中饱和度最大值。

与现有技术相比，本发明的有益效果是：本发明通过人脸识别的模式，方便了人员的考勤与管理，其具有较高的识别效率以及准确率，方便了考勤人员进入到指定区域，有利于人员管理以及提高所控制区域的安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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为本发明的基于人脸识别的考勤方法的原理图。

具体实施方式

下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

如图1所示，本发明的基于人脸识别的考勤方法包括如下步骤：

s1、预读取存储于数据库中的考勤人员人脸的特征码；

s2、采集申请开门人员的人脸图像数据，并提取人脸图像数据中特征码；

s3、将提取的特征码与预先读取的特征码进行比对，当二者的阈值不一致时，不记录人员的进出信息，并重新采集申请开门人员的人脸图像数据，否则，执行步骤s3；

s4、记录人员的进出信息，并发送开门信号；

s5、对记录的人员进出信息进行汇总，并以图形化形式进行显示。

此外，所述步骤s2还包括对采集的人脸图像数据进行过滤处理：

s21、根据采集的人脸图像数据，计算局部能量谱梯度、梯度直方图扩展和最大色度饱和；

s22、根据计算得到的局部能量谱梯度、梯度直方图扩展和最大色度饱和，统计出整幅图像中模糊像素的比例，对人脸图像数据进行有效的过滤。

具体地，所述局部能量谱梯度按照如下方法计算：

先用离散傅里叶变换计算nxn大小图像的能量谱：

然后转换至极坐标u＝fcosθ，v＝fsinθ，并计算s(f,θ)，得到：

其中，a是一个各个方向上的幅度因子，α是能量谱斜率。大量的研究表明，自然图像中α约为2，模糊的图像有较大的α。因此图像的局部模糊程度可以描述为局部与全局α值的比例差异

其中，αp是局部α，αo是全局α。

所述梯度直方图扩展按照如下方法计算：

先计算图像每个像素的梯度，然后用含有两个高斯的高斯混合模型描述局部的梯度分布：π0g(x；μ0，σ0)+π1g(x；μ1，σ1)，其中σ1>σ0；

根据自然图像模型，模糊区域的梯度分布单一，故σ1值非常小，而清晰区域σ1值较大。一张具有局部模糊的图像中，模糊和清晰区域的局部图像块将有混合高斯分布。

根据梯度分布，梯度直方图扩展的具体计算公式为

其中，cp是局部图像灰度值范围，ε是防止除零的极小数，τ是一个常数，取25。

所述最大色度饱和按照如下方法计算：

先计算每个像素的饱和度：

然后使用以下公式比较局部饱和度最大值和全局饱和度最大值，得到最大色度饱和：

其中，max(sp)是局部图像块中饱和度最大值，max(so)是全局图像中饱和度最大值。

与上述基于人脸识别的考勤方法相对应地，本发明还提供一种基于人脸识别的的考勤系统，其特征在于，所述的考勤系统包括：存储模块、提取模块、人脸图像数据采集模块、识别模块、处理模块。

其中，所述存储模块存储数据库中的考勤人员人脸的特征码；所述提取模块预读取存储于数据库中的考勤人员人脸的特征码；所述人脸图像数据采集模块采集申请开门人员的人脸图像数据，并提取人脸图像数据中特征码；所述识别模将提取的特征码与预先读取的特征码进行比对，当二者的阈值不一致时，不记录人员的进出信息，并重新采集申请开门人员的人脸图像数据，否则，记录人员的进出信息，并发送开门信号；所述处理模块对记录的人员进出信息进行汇总，并以图形化形式进行显示。

此外，所述人脸图像数据采集模块还对采集的人脸图像数据进行过滤处理：所述人脸图像数据采集模块根据采集的人脸图像数据，计算局部能量谱梯度、梯度直方图扩展和最大色度饱和，并根据计算得到的局部能量谱梯度、梯度直方图扩展和最大色度饱和，统计出整幅图像中模糊像素的比例，对人脸图像数据进行有效的过滤。

具体地，所述局部能量谱梯度按照如下方法计算：

先用离散傅里叶变换计算nxn大小图像的能量谱：

然后转换至极坐标u＝fcosθ，v＝fsinθ，并计算s(f,θ)，得到：

其中，a是一个各个方向上的幅度因子，α是能量谱斜率。大量的研究表明，自然图像中α约为2，模糊的图像有较大的α。因此图像的局部模糊程度可以描述为局部与全局α值的比例差异

其中，αp是局部α，αo是全局α。

所述梯度直方图扩展按照如下方法计算：

先计算图像每个像素的梯度，然后用含有两个高斯的高斯混合模型描述局部的梯度分布：π0g(x；μ0，σ0)+π1g(x；μ1，σ1)，其中σ1>σ0；

根据自然图像模型，模糊区域的梯度分布单一，故σ1值非常小，而清晰区域σ1值较大。一张具有局部模糊的图像中，模糊和清晰区域的局部图像块将有混合高斯分布。

根据梯度分布，梯度直方图扩展的具体计算公式为

其中，cp是局部图像灰度值范围，ε是防止除零的极小数，τ是一个常数，取25。

所述最大色度饱和按照如下方法计算：

先计算每个像素的饱和度：

然后使用以下公式比较局部饱和度最大值和全局饱和度最大值，得到最大色度饱和：

其中，max(sp)是局部图像块中饱和度最大值，max(so)是全局图像中饱和度最大值。

综上所述，本发明通过人脸识别的模式，方便了人员的考勤与管理，其具有较高的识别效率以及准确率，方便了考勤人员进入到指定区域，有利于人员管理以及提高所控制区域的安全性。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。