一种基于云服务的考勤系统及方法与流程

本发明属于图像识别技术领域，特别涉及基于云服务采用图像识别技术的一种考勤系统及方法。

背景技术

传统的考勤工作主要是通过人工的方式进行，这种方式易出错、效率低，冒名顶替和代考勤现象严重。近年来，随着机器学习及深度学习技术的发展，出现了一些基于人脸识别的考勤系统，此类方法直接使用cnn网络来提取人脸特征，然后利用svm等方法进行分类，容易受光照变化、复杂背景等因素影响，导致识别率不高的问题，且重复存储现象严重，浪费大量存储空间，很难有效的满足实际需求。尤其是对于人数较多的考勤工作，存在的问题就更佳突出。

技术实现要素：

本发明针对现有技术存在的问题，提供了一种基于云服务的考勤系统及方法。尤其对于人数较多的考勤记录情况更为快捷方便准确。

为实现上述目的，本发明所采用的技术方案为：

一种基于云服务的考勤系统，包括：图像采集系统、云分析系统、信息存储系统、统计系统；所述的图像采集系统、信息存储系统、统计系统分别与所述云分析系统相连；所述的图像采集系统用于获取人脸数据；所述的信息存储系统用于采集人脸信息，建立图像信息数据库；所述的云分析系统用于接收并处理所述图像采集系统发送过来的信息；所述的统计系统用于接收并处理所述云分析系统发送的信息。

进一步，还包括图表展现系统，所述的图表展现系统与所述统计系统相连接，所述的图表展现系统用于图形化直观展示所述统计系统发送的信息。

进一步的，所述的图像采集系统包括图像获取、人脸检测、图像预处理；图像获取用于通过摄像头等设施获取抓拍图像；人脸检测用于从图像中检测出人脸；所述的图像预处理用于人脸样本标准化。

一种基于云服务的考勤方法，包括以下步骤：

步骤1：采集现场图像，并进行人脸检测及数据预处理，得到标准的人脸样本。

步骤2：根据预设的神经网络，直接学习人脸图像到欧式空间上点的映射，使之同一个人所计算的欧式距离小于某个阈值，不同的人之间计算的欧式距离大于该阈值。

步骤3：对步骤2中训练出的网络，扫描信息库，计算当前输入人脸特征欧式距离，依据距离差，将结果分为两组：当欧式距离大于阈值ξ，定义为不同图像候选集，当欧式距离小于阈值ξ，定义为相同图像候选集；

步骤4：对步骤3中候选集，计算与对应候选集中每个对象的差异度λ(x)

λ(x)=|d(x)-ξ|*d(x)

步骤5：当候选集个数大于1，计算每个候选集差异度累加和，选择差异和较小的候选标签作为本次识别的结果；当候选集个数等于1时，直接选取该候选标签作为本次识别的结果。

学习待识别人脸与所述信息存储系统人脸特征欧式距离，依据欧式距离差，将结果分为两组：当欧式距离大于阈值ξ，定义为不同图像候选集，当欧式距离小于阈值ξ，定义为相同图像候选集，对每个候选集，计算其对象的差异度λ(x)=|d(x)-ξ|*d(x)，依据λ(x)输出识别结果。

本发明所述的差异度λ(x)用来有效度量类内或类间的相似程度，在同一类别空间中，λ(x)越大，表明越不相似，反之，表明越相似，提出了通过预设的神经网络学习人脸图像到欧式空间上点的映射，然后利用距离差定义候选集，并计算每个候选集差异度累加和，通过累加和判断识别结果。

优选的，还包括以下步骤：利用统计系统分析人员出勤情况，并利用所述的图表展现系统以图表形式展现。所述的图表展现系统接收并处理考勤统计系统发送过来的信息，并将结果转换成图表，管理人员即可清晰明了地看到人员的出勤状况。

优选的，所述的基于云服务的考勤方法采用mysql数据库，所述的数据库中包括人员姓名、性别、记录时间、图像信息。在实际应用中，为满足对考勤的查询统计需求，通过在用户界面上设置不同的查询条件，如编号、姓名等，方便管理人员根据自身需求进行个性化的查询。同时，为了满足对数据的分析需求，系统在实现时，还设置了“导出”功能，用户可以将统计到的结果以excel的形式成功导出到本地。

与现有技术相比本发明具有以下有益效果：

本发明重新定义图像的识别方式，改进识别效率，新定义的差异度λ(x)用来有效度量类内或类间的相似程度，在同一类别空间中，λ(x)越大，表明越不相似，反之，表明越相似，通过本方法，可有效提高图像识别的清晰度和准确度，不会受到因光照、复杂背景等的因素影响。

本发明充分利用现有的云存储及云分析技术，管理人员即可清晰明了地看到人员的出勤状况，实现智能考勤，自动统计考勤信息。此外，还可以实现在随机抓拍，并再次分析，当人员提前离开时可即时发觉。

本装置结构简单，共享且存储效率高，可同时为多个系统提供考勤服务。采用云存储架构，所有的存储及统计分析工作都在云端，安全可靠。

附图说明

图1为本发明一种基于云服务的考勤系统结构图。

图2为本发明一种基于云服务的考勤人脸图像识别流程图。

其中，1为图像采集系统，2为云分析系统，3为信息存储系统，4为统计系统，5为图表展现系统。

具体实施方式

下面结合实施例详细说明本发明的技术方案，但保护范围不被此限制。

一种基于云服务的学生课堂考勤系统，包括：图像采集系统1、云分析系统2、信息存储系统3、统计系统4；图像采集系统1、信息存储系统3、统计系统4分别与云分析系统2相连；图像采集系统1用于获取人脸数据；信息存储系统3用于采集人脸信息，建立图像信息数据库；云分析系统2用于接收并处理所述图像采集系统1发送过来的信息；统计系统4用于接收并处理云分析系统2发送的信息。还包括图表展现系统5，图表展现系统5与统计系统4相连接，图表展现系统5用于图形化直观展示统计系统4发送的信息。其中，图像采集系统1包括图像获取、人脸检测、图像预处理；所述的图像预处理用于人脸样本标准化。

一种基于云服务的学生课堂考勤方法：包括以下步骤：

步骤1：任课教师输入当前课程名称，学生的信息存储系统3以课程为组，获取对应班级的学生信息。

步骤2：通过图像采集系统1采集现场图像，并进行人脸检测及数据预处理，得到标准的人脸样本。

步骤3：利用云分析系统2，根据预设的神经网络，直接学习人脸图像到欧式空间上点的映射，使之同一个人所计算的欧式距离小于某个阈值，不同的人之间计算的欧式距离大于该阈值。

步骤4：对步骤3中训练出的网络，扫描班级信息库，计算当前输入人脸特征欧式距离，依据距离差，将结果分为两组：当欧式距离大于阈值ξ，定义为不同图像候选集c1，当欧式距离小于阈值ξ，定义为相同图像候选集c2。

步骤5：对步骤4中候选集，计算与对应候选集中每个对象的差异度λ(x)

λ(x)=|d(x)-ξ|*d(x)

步骤6：当候选集个数大于1，计算每个候选集差异度累加和，选择差异和较小的候选标签作为本次识别的结果；当候选集个数等于1时，直接选取该候选标签作为本次识别的结果。学生身份为候选集中d(x)最小值对应的图像。

步骤7：利用考勤统计系统4分析学生的到课情况，并利用图表展现系统5以图表形式展现。

所述的样本特征欧式距离表及分析见表1：

表1样本特征欧式距离表

在表1中，d(x)表示样本图像x对应的特征欧式距离，假设网络学习的阈值ξ为1.1，很快可以计算λ(x)与定义候选集，此次识别中，候选集包含两个，分别为c1、c2，其中c1的差异度累加和为2.21，c2的差异度累加和为0.64，依据步骤6）可快速输出识别结果。另外，若出现外班学生旁听，系统将只有一个候选集，且差异度累加和很大，表明该学生不属于考勤人员，不会对考勤系统产生影响。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为硬盘、rom、ram等。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。