[发明专利]基于自学习的人脸考勤方法、装置、设备及存储介质

说明书

本发明公开了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，该方法通过对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并保存至人脸特征列表；对人脸特征列表进行聚类，得到人脸特征矩阵；采用预先构建的KNN模型对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保存至识别相似度矩阵中；根据识别相似度矩阵，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。

技术领域

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。

发明内容

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：