考勤记录方法、装置、计算机设备及存储介质

技术领域

本发明涉及目标检测技术领域，尤其涉及考勤记录方法、装置、计算机设备及存储介质。

背景技术

员工的考勤和考核是企业人力资源管理中的一项重要内容。企业为了加强对员工的管理，对员工会实行考勤，考勤就是对员工出勤率的统计，如上班、下班、加班的时间记录，迟到早退、矿工时间、出勤总数、请假天数等等。

传统考勤方式，主要通过指纹考勤机利用生物识别技术识别员工指纹，以达到验证员工身份，进而实现对员工进行考勤记录的目的，但采用这种当时，常常会由于员工自身指纹出现问题而无法进行打卡，如出现手指划伤、出汗、起皮、过于干燥等问题，此时，则需要向相关人员进行报备，由人工对员工进行考勤补录，使得出勤记录的管理效率较低。另外，在员工较多的大企业，通过指纹考勤打卡，需要耗费较长时间进行排队等候，考勤记录的效率不高。

为了克服上述由于员工自身指纹出现问题而无法进行打卡的问题，通过采用人脸识别技术对员工进行考勤记录，然而，该技术目前依旧需要个体排队进行人脸识别，在员工较多的大企业，依然需要耗费较长时间进行排队等候，考勤记录的效率不高。

发明内容

本发明实施例提供一种考勤记录方法、装置、计算机设备和存储介质，以提高考勤记录效率。

为了解决上述技术问题，本申请实施例提供一种考勤记录方法，包括：

接收考勤记录请求，所述考勤记录请求包括待识别图像和所述待识别图像对应的拍摄时间；

根据选择性搜索算法，在所述待识别图像上生成目标候选区域集；

基于卷积神经网络，提取所述目标候选区域集的特征数据，作为第一特征数据；

基于分类算法，对所述第一特征数据进行分类，得到至少一个考勤对象特征；

获取预设的基础对象集合中的每个基础对象特征，针对每个所述考勤对象特征，将所述考勤对象特征分别与每个所述基础对象特征进行匹配，将匹配成功的基础对象特征对应的基础对象，作为所述考勤对象特征对应的目标对象；

基于所述拍摄时间和每个所述目标对象，生成每个所述目标对象对应的考勤记录。

为了解决上述技术问题，本申请实施例还提供一种考勤记录装置，包括：

接收模块，用于接收考勤记录请求，所述考勤记录请求包括待识别图像和所述待识别图像对应的拍摄时间；

区域生成模块，用于根据选择性搜索算法，在所述待识别图像上生成目标候选区域集；

提取模块，用于基于卷积神经网络，提取所述目标候选区域集的特征数据，作为第一特征数据；

分类模块，用于基于分类算法，对所述第一特征数据进行分类，得到至少一个考勤对象特征；

匹配模块，用于获取预设的基础对象集合中的每个基础对象特征，针对每个所述考勤对象特征，将所述考勤对象特征分别与每个所述基础对象特征进行匹配，将匹配成功的基础对象特征对应的基础对象，作为所述考勤对象特征对应的目标对象；

记录生成模块，用于基于所述拍摄时间和每个所述目标对象，生成每个所述目标对象对应的考勤记录。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述考勤记录方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述考勤记录方法的步骤。

本发明实施例提供的考勤记录方法、装置、计算机设备及存储介质，通过接收考勤记录请求，考勤记录请求包括待识别图像和待识别图像对应的拍摄时间；根据选择性搜索算法，在待识别图像上生成目标候选区域集，基于卷积神经网络，提取目标候选区域集的特征数据，作为第一特征数据；基于分类算法，对第一特征数据进行分类，得到至少一个考勤对象特征，获取预设的基础对象集合中的每个基础对象特征，针对每个考勤对象特征，将考勤对象特征分别与每个基础对象特征进行匹配，将匹配成功的基础对象特征对应的基础对象，作为考勤对象特征对应的目标对象，基于拍摄时间和每个目标对象，生成每个目标对象对应的考勤记录，其中，通过选择性搜索算法在待识别图像上生成目标候选区域集，再对候选区域集的特征数据进行分类，确定待识别图像上的至少一个待考勤对象，从而实现能够同时对多个目标对象进行考勤记录，提高了考勤记录效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请可以应用于其中的示例性系统架构图；

图2是本申请的考勤记录方法的一个实施例的流程图；

图3是根据本申请的考勤记录装置的一个实施例的结构示意图；

图4是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的考勤记录方法由服务器执行，相应地，考勤记录装置设置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。本申请实施例中的服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

请参阅图2，图2示出本发明实施例提供的一种考勤记录方法，以该方法应用在图1中的服务端为例进行说明，详述如下：

S201：接收考勤记录请求，考勤记录请求包括待识别图像和待识别图像对应的拍摄时间。

具体地，考勤场所部署有摄像设备，摄像设备与服务端有线或无线连接，并从服务端读取配置信息，配置请求中包含预设时间范围和固定间隔，摄像设备根据配置信息在预设时间段范围内，按照固定间隔进行图像拍摄，并对拍摄的图像进行快速识别，若识别到拍摄的图像中存在人员，则将该拍摄到的图像作为待识别图像，并记录该待识别图像对应的拍摄时间，进而基于该待识别图像和待识别图像对应的拍摄时间，生成考勤记录请求，并将考勤记录请求发送给服务端，服务端接收该考勤记录请求，并对其进行解析，得到待识别图像和待识别图像对应的拍摄时间。

其中，预设时间段范围可以根据实际应用场景来设定，此处不做具体限定。例如，设置三个时间段，分别为8:00至9:30、11:30至13:30和17:00至19:00，易理解地，通过结合实际需求，设置预设时间段范围，能够精准获取考勤相关信息，同时，减少服务器不必要的资源开销，提高服务器处理性能。

其中，固定间隔可以根据实际应用场景来设定，此处不做具体限定。例如，固定间隔时间可以设置成1秒、3秒、5秒。

在一具体实施方式中，对连续两次考勤记录请求中的待识别图像进行甄选，具体甄选方式包括：

获取待处理的连续两次考勤记录请求中的待识别图像作为第一图像和第二图像，并将第一图像和第二图像合并为双通道图像，第一图像和第二图像均为目标尺寸的灰度图像。

可选的，可检测第一图像和第二图像是否为目标尺寸的灰度图像，若检测到任一图像(第一图像和/或第二图像)不为灰度图像，则对任一图像进行灰度处理，以将该任一图像处理为灰度图像。示例性地，假设目标尺寸为Z*Z(Z大于0)，第一图像X1和第二图像X2均为目标尺寸的单通道图像(即灰度图像)(Z，Z，1)，可以将两张图像(Z，Z，1)进行组合成一张双通道图像(Z，Z，2)，构成输入图像对(X1，X2)，或者，若检测到任一图像的尺寸不为目标尺寸，那么可以将任一图像的尺寸调整为目标尺寸。

通过训练完成的图像相似度模型，对双通道图像进行数据处理，得到双通道图像对应的图像相似度矩阵。

其中，图像相似度模型的网络结构可以包括卷积层和和反卷积层。示例性地，图像相似度模型中前l1(例如4)层均为卷积层，倒数第二层为反卷积层，最后一层为卷积层。卷积层是用来提取特征图(Feature Map)，使用stride＝2实现下采样处理，反卷积是实现的是上采样过程，扩大图像尺寸，填充图像内容，使得图像内容更加丰富。

具体实现中，当双通道图像输入图像相似度模型之后，可以通过前l1个卷积层不断地对双通道图像进行下采样，提取双通道图像的特征图。

进一步地，可以通过反卷积层对卷积层提取的特征图进行上采样处理，依照目标维度更新特征图，得到目标特征图，后续通过最后一层卷积层对目标特征图进行降维处理，得到双通道图像对应的图像相似度矩阵。其中，目标维度为图像相似度模型最终输出的图像相似度矩阵的维度，该维度是在对模型进行训练时预先设定的；特征图为表征图像特征的矩阵。

示例性地，假设图像相似度模型前4个网络层为卷积层，分别为第一卷积层、第二卷积层、第三卷积层和第四卷积层，第5个网络层为反卷积层，第6个网络层为第五卷积层，上述目标维度为12*12，双通道图像为一张维度为(96*96*2)的图像1。这种情况下，第一卷积层对图像1进行第一次下采样，提取图像1的图像特征，得到维度为(48*48*k1)的第一特征图，将第一特征图输入第二卷积层，第二卷积层进行第二次下采样，得到维度为(24*24*k2)的第二特征图，依此类推，第二特征图经过第三卷积层后，得到维度为(12*12*k3)的第三特征图，第三特征图经过第四卷积层后，得到维度为(6*6*k4)的第四特征图。进一步地，反卷积层对维度为(6*6*k4)的第四特征图进行上采样处理，依照目标维度“12*12”，将第四特征图更新为维度为(12*12*k4)的目标特征图，后续通过最后一层卷积层对目标特征图进行降维处理，将目标特征图的第三维度“k4”下降为1，得到双通道图像对应的图像相似度矩阵。其中，第一特征图、第二特征图、第三特征图和第四特征图分别对应的第三维度：k1、k2、k3和k4，均可以为大于等于2的整数，具体数值与各自对应卷积层的网络参数有关，对此不作具体限定。

依照图像相似度矩阵，确定所述第一图像和所述第二图像在目标图像区域的图像相似度。

在一个实施例中，图像相似度矩阵的维度为N*M(N和M均为大于0的整数)，图像相似度矩阵中每个元素的数值，表征第一图像和第二图像在对应图像区域的相似度值，上述依照图像相似度矩阵确定第一图像和第二图像在目标图像区域的图像相似度的具体实施方式可以为：

依照图像相似度矩阵的维度，将第一图像和第二图像均划分为N*M个图像子区域，每一个图像子区域与图像相似度矩阵中的每一个元素具有对应关系。

进一步地，从N*M个图像子区域中确定目标图像区域包括的目标图像子区域，从图像相似度矩阵中获取目标图像子区域对应目标元素的数值，根据目标元素的数值确定第一图像和第二图像在目标图像区域的图像相似度。

具体地，图像相似度矩阵中每一个元素的数值均代表，第一图像和第二图像在对应图像区域的图像相似度，目标图像区域的图像相似度为：对图像相似度矩阵中与目标图像区域关联的目标元素的数值求平均值。

在一个实施例中，假设目标图像区域为第一图像或者第二图像的全局图像区域，上述依照图像相似度矩阵确定第一图像和第二图像在目标图像区域的图像相似度可以包括：获取图像相似度矩阵中每个元素的数值，对图像相似度矩阵中每个元素的数值求平均，得到第一图像和第二图像的全局图像相似度。

若图像相似度大于预设相似度阈值，则随机选取第一图像或第二图像作为待识别图像。

具体的，预设相似度阈值根据历史经验数据分子获得。

若图像相似度小于预设相似度阈值，则将第一图像和第二图像作为待识别图像。

S202：根据选择性搜索算法，在待识别图像上生成目标候选区域集。

具体的，选择性搜索算法主要运用图像分割技术来进行物体检测，选择性搜索算法的过程为根据图像分割技术在待识别图像上生成目标区域集，基于欧几里得距离，计算目标区域集里每两个相邻区域的相似度，将相似度高于预设阈值的相邻区域合并为新区域，直至目标区域集内两两相邻区域之间的相似度值都小于预设阈值为止，在待识别图像上生成目标候选区域集，其中，目标区域集包括前景区域和背景区域，其中，目标候选区域集为前景区域，且前景区域包括待识别图像中的候选目标，该候选目标包括待考勤对象和非待考勤对象，背景区域为待识别图像中的背景，如墙壁，在本申请中，通过在选择性搜索算法能够又快有准确的定位待识别图像前景区域中的候选目标，进而生成目标候选区域，从而得到目标候选区域集，通过快速、准确的确定目标候选区域集，有利于提高待考勤对象的识别效率，进而提高考勤记录效率。

对于上述步骤S202，根据选择性搜索算法，在待识别图像上生成目标候选区域集的步骤具体包括步骤S2021至步骤S2023：

步骤S2021，对待识别图像进行候选目标定位，生成候选目标框区域集。

具体的，采用基于图论的图像分割算法对待识别图像进行候选目标定位，即将待识别图像中的各像素点作为带权无向图中的结点，在各结点之间形成边的，由空间关系(如顶点i到顶点j的距离)与灰度测试(如纹理、颜色、灰度值)形成边的权值W(i,j)，边的权值反正出顶点i与顶点j之间的相似程度，将待识别图像按照每各个像素点之间的相似程度切割成若干个子集区域，即生成候选目标框区域集，其中，每个子集区域代表一个候选目标。

步骤S2022，计算候选目标框区域集中相邻目标候选框区域的综合相似度。

具体的，综合相似度为颜色相似度、纹理相似度、尺寸相似度和交叠相似度的加权和。

步骤S2023，若综合相似度大于预设相似度阈值，则将目标候选框区域进行合并，得到新的目标候选框区域集，返回计算候选目标框区域集中相邻目标候选框区域的综合相似度的步骤继续执行，直至目标候选框区域集中相邻目标候选框区域的综合相似度低于预设相似阈值为止，生成目标候选区域集。

具体的，预设相似度阈值根据对历史经验数据分析获得。

S203：基于卷积神经网络，提取目标候选区域集的特征数据，作为第一特征数据。

具体的，目标候选区域集的特征数据包括目标候选区域集中每个目标候选区域的特征数据，每个特征数据用于表征对应的目标候选区域，例如，待识别图像内包括待考勤对象A和非待考勤对象B，基于卷积神经网络，提取待考勤对象A和非待考勤对象B的特征数据，得到待考勤对象A的特征数据、和非待考勤对象B的特征数据，待考勤对象A的特征数据可以用于表征待考勤对象A，非待考勤对象B的特征数据可以用于表征非待考勤对象B，卷积神经网络是一种带有卷积结构的深度神经网络，由多个卷积层构成，每个卷积层包含多个卷积核，用这些卷积核从左向右、从上往下依次扫描整个图像，得到称为特征图的输出数据，在本申请中，卷积神经网络用于提取目标候选区域集中每个目标候选区域的特征数据，即目标候选区域集的特征数据。

S204：基于分类算法，对第一特征数据进行分类，得到至少一个考勤对象特征。

具体的，考勤对象特征可以是人脸特征、人体姿态特征以及人脸特征与人体姿态特征的结合，分类算法包括但不限于决策树、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类。

为了更好的理解上述步骤S204，以人工神经网络为例，对上述步骤进行举例说明：

获取样本图像训练集，对图像数据集中的每一幅图像进行预处理。

构建卷积神经网络CNN，设置卷积神经网络CNN的超参数和损失函数。

将预处理后的样本图像和已知样本图像分类标签，作为卷积神经网络CNN的输入值，开始对卷积神经网络CNN进行训练。

根据卷积神经网络CNN的输出与图像标签，计算损失函数，然后进行误差反向传播。

在误差反向传播的过程中，采用梯度方向参数优化的方式，实现卷积神经网络CNN训练过程中参数的更新，满足结束条件后，结束迭代训练，得到训练好的卷积神经网络CNN。

将第一特征数据输入训练好的卷积神经网络中进行分类，得到至少一个考勤对象特征。

具体的，根据公式(1)计算损失函数L：

L(α)＝-|y-a|

式中，β≥0，α为预测概率值，y为真实概率值。

此处，需要特别说明的是，当y＝α时，损失函数最小，即y越接近于α，样本越容易被划分，损失函数被抑制，从而提高分类的正确率，进而提高了考勤记录效率。

S205：获取预设的基础对象集合中的每个基础对象特征，针对每个考勤对象特征，将考勤对象特征分别与每个基础对象特征进行匹配，将匹配成功的基础对象特征对应的基础对象，作为考勤对象特征对应的目标对象。

具体的，基础对象特征为提前采集的考勤对象的特征，包括但不限于人脸特征、人体姿态特征以及人脸特征与人体姿态特征结合的特征，预设的基础对象集合包括多个基础对象特征，基础对象特征的数量与需要考勤的考勤对象特征一一对应，基于相似度算法，计算考勤对象特征与每个基础对象特征的特征相似度，得到相似度值集合，将相似度集合中小于预设经验阈值的相似度值对应的基础对象特征作为匹配成功的基础对象特征，将匹配成功的基础对象特征对应的基础对象，作为该考勤对象特征对应的目标对象，其中，预设经验阈值通过对历史经验数据进行分析获得，相似度算法包括但不限于欧几里得距离、余弦相似度、曼哈顿距离、Jaccard相似系数。

S206：基于拍摄时间和每个目标对象，生成每个目标对象对应的考勤记录。

具体的，考勤记录包括但不限于正常上班记录、正常下班记录、迟到记录、早退记录、加班记录，若拍摄时间早于或等于预设上班时间，则对目标对象进行正常上班记录，若拍摄时间早于预设下班时间，则生成目标对象正常下班的考勤记录。

此处需要特别说明的是，可以根据实际场景需要设置考勤时间区间，如上午考勤时间区间为早上7点至9点，下午考勤时间区间为下午18点至22点。

本发明实施例提供的考勤记录方法，通过接收考勤记录请求，考勤记录请求包括待识别图像和待识别图像对应的拍摄时间；根据选择性搜索算法，在待识别图像上生成目标候选区域集；基于卷积神经网络，提取目标候选区域集的特征数据，作为第一特征数据；基于分类算法，对第一特征数据进行分类，得到至少一个考勤对象特征；获取预设的基础对象集合中的每个基础对象特征，针对每个考勤对象特征，将考勤对象特征分别与每个基础对象特征进行匹配，将匹配成功的基础对象特征对应的基础对象，作为考勤对象特征对应的目标对象；基于拍摄时间和每个目标对象，生成每个目标对象对应的考勤记录，能够同时对多个目标对象进行考勤记录，提高了考勤记录效率。

在本实施例的一些可选的实现方式中，步骤S204中，基于分类算法，对第一特征数据进行分类，得到至少一个考勤对象特征的步骤包括如下步骤a1至步骤a2：

步骤a1、基于独热编码，将第一特征数据映射为分类概率值。

具体的，独热编码即One-Hot编码，又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有其独立的寄存器位，并且在任意时候，只有其中一位编码有效，在本申请中，基于独热编码将第一特征数据通过one-hot编码映射到欧式空间，形成多维连续的特征，将每一维的特征进行归一化，得到分类概率值。

步骤a2、根据分类概率值，对第一特征数据进行分类，得到至少一个考勤对象特征。

具体的，每一个分类概率值对应一个类别，该类别为考勤对象特征或非考勤对象特征。

在本实施例中，通过对基于独热编码，将第一特征数据映射为分类概率值，根据分类概率值对第一特征数据进行分类，得到至少一个考勤对象特征，有利于准确确定考勤对象特征，提高考勤记录的正确率。

在本实施例的一些可选的实现方式中，对于上述步骤S204和步骤S206，基于分类算法，对第一特征数据进行分类，得到至少一个考勤对象特征和基于拍摄时间和每个目标对象，生成每个目标对象对应的考勤记录的步骤之间的步骤之间还包括如下步骤b1至步骤b3：

步骤b1、获取预设的第一类别属性对照表，第一类别属性对照表包括基础对象特征集合和基础对象特征集合中每个待比较基础对象特征对应的唯一标记信息。

具体的，第一类别属性对照表可以根据实际应用需求进行实时更新。

步骤b2、基于相似度算法，计算待比较考勤对象特征与考勤对象特征的特征相似度，得到第一特征相似度值。

具体的，相似度算法包括但不限于欧几里得距离、余弦相似度、曼哈顿距离、Jaccard相似系数。

步骤b3、若第一特征相似度值大于预设第二阈值，则将待比较基础对象特征对应的唯一标记信息作为考勤对象特征的唯一标记信息。

具体的，预设第二阈值通过对历史经验数据进行分析获得，待比较基础对象特征对应的唯一标记信息可以是待比较基础对象的名字、编号等。

在本实施例中，通过唯一标记信息表征考勤对象特征，有利于提高考勤记录的正确率。

在本实施例的一些可选的实现方式中，对于上述步骤b3，若第一特征相似度值大于预设第二阈值，则将待比较基础对象特征对应的唯一标记信息作为考勤对象特征的唯一标记信息的步骤之后还包括：

获取预设的第二类别属性对照表，第二类别属性对照表包括待比较基础对象集合中和待比较基础对象特征集合中每个待比较基础对象对应的待比较唯一标记信息；

基于BERT模型，将唯一标记信息和待比较唯一标记信息分别转换成第一特征向量和第二特征向量。

具体的，BERT(BidirectionalEncoder Representations from Transformer，来自变换器的双向编码器表征量)语言模型是一种新型语言模型，BERT模型由多层编码转换器构成，多层编码转换器包括但不限于多头注意力机制层(Multi-head Self-Attention)、归一化层(Layer Normalization)以及前向反馈层(Feed Forward)，其开发目标是利用大规模无标注语料训练获得目标文本的语义表示，然后将文本的语义表示在特定NLP(NatureLanguage Procession，自然语言处理)任务中对模型参数(如权重)作微调后最终应用于该NLP任务，在本申请中，将唯一标记信息和待比较唯一标记信息输入到BERT模型中，得到文本语义表示，即第一特征向量和第二特征向量。

基于相似度算法，计算第一特征向量和第二特征向量的特征相似度，得到第二特征相似度值。

具体的，相似度算法包括但不限于欧几里得距离、余弦相似度、曼哈顿距离、Jaccard相似系数。

若第二特征相似度值大于预设第三阈值，则将唯一标记信息对应的待比较基础对象作为目标对象。

具体的，预设第三阈值通过对历史经验数据进行分析获得，若唯一标记信息为员工编号或员工名字，则将员工编号或员工名字对应的待比较基础对象作为目标对象，目标对象即为需要进行考勤记录的对象。

在本实施例中，通过比较唯一标记信息和待比较唯一标记信息的特征相似度确定目标对象，提高了考勤记录的正确率。

在本实施例的一些可选的实现方式中，在步骤S205中，将考勤对象特征分别与每个基础对象特征进行匹配，将匹配成功的基础对象特征对应的基础对象，作为考勤对象特征对应的目标对象的步骤包括：

基于相似度算法，计算考勤对象特征和基础对象特征的特征相似度，得到特征相似度值。

具体的，相似度算法包括但不限于欧几里得距离、余弦相似度、曼哈顿距离、Jaccard相似系数。

若特征相似度值大于预设第四阈值，则将基础对象特征对应的基础对象，作为考勤对象特征对应的目标对象。

具体的，预设第四阈值通过对历史经验数据分析获得。

在本实施例中，通过比较考勤对象特征和基础对象特征的特征相似度确定目标对象，提高了考勤记录的正确率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图3示出与上述实施例考勤记录方法一一对应的考勤记录装置的原理框图。如图3所示，该考勤记录装置包括接收模块30、区域生成模块31、提取模块32、分类模块33、匹配模块34和记录生成模块35。各功能模块详细说明如下：

接收模块30，用于接收考勤记录请求，考勤记录请求包括待识别图像和待识别图像对应的拍摄时间。

区域生成模块31，用于根据选择性搜索算法，在待识别图像上生成目标候选区域集。

提取模块32，用于基于卷积神经网络，提取目标候选区域集的特征数据，作为第一特征数据。

分类模块33，用于基于分类算法，对第一特征数据进行分类，得到至少一个考勤对象特征。

匹配模块34，用于获取预设的基础对象集合中的每个基础对象特征，针对每个考勤对象特征，将考勤对象特征分别与每个基础对象特征进行匹配，将匹配成功的基础对象特征对应的基础对象，作为考勤对象特征对应的目标对象；

记录生成模块35，用于基于拍摄时间和每个目标对象，生成每个目标对象对应的考勤记录。

可选的，区域生成模块31包括定位模块、相似度计算模块和区域合并模块，各功能模块详细说明如下：

定位模块，用于对待识别图像进行候选目标定位，生成候选目标框区域集。

相似度计算模块，用于计算候选目标框区域集中相邻目标候选框区域的综合相似度。

区域合并模块，用于若综合相似度大于预设相似度阈值，则将目标候选框区域进行合并，得到新的目标候选框区域集，返回计算候选目标框区域集中相邻目标候选框区域的综合相似度的步骤继续执行，直至目标候选框区域集中每两个目标候选框区域的综合相似度低于预设相似阈值为止，生成目标候选区域集。

可选的，分类模块33包括映射模块和特征获取模块，各功能模块详细说明如下：

映射模块，用于基于独热编码，将第一特征数据映射为分类概率值。

特征获取模块，用于根据分类概率值，对第一特征数据进行分类，得到至少一个考勤对象特征。

可选的，考勤记录装置还包括第一对照表获取模块、第一特征相似度计算模块和标记信息确定模块，各功能模块详细说明如下：

第一对照表获取模块，用于获取预设的第一类别属性对照表，第一类别属性对照表包括基础对象特征集合和基础对象特征集合中每个待比较基础对象特征对应的唯一标记信息。

第一特征相似度计算模块，用于基于相似度算法，计算待比较考勤对象特征与考勤对象特征的特征相似度，得到第一特征相似度值。

标记信息确定模块，用于若第一特征相似度值大于预设第二阈值，则将待比较基础对象特征对应的唯一标记信息作为考勤对象特征的唯一标记信息。

可选的，考勤记录装置还包括第二对照表获取模块、转换模块、第二特征相似度计算模块和第一目标对象确定模块，各功能模块详细说明如下：

第二对照表获取模块，用于获取预设的第二类别属性对照表，第二类别属性对照表包括待比较基础对象集合中和待比较基础对象特征集合中每个待比较基础对象对应的待比较唯一标记信息。

转换模块，用于基于BERT模型，将唯一标记信息和待比较唯一标记信息分别转换成第一特征向量和第二特征向量。

第二特征相似度计算模块，用于基于相似度算法，计算第一特征向量和第二特征向量的特征相似度，得到第二特征相似度值。

第一目标对象确定模块，用于若第二特征相似度值大于预设第三阈值，则将唯一标记信息对应的待比较基础对象作为目标对象。

可选的，匹配模块34包括特征相似度值获取模块和第二目标对象确定模块，各功能模块详细说明如下：

特征相似度值获取模块，用于基于相似度算法，计算考勤对象特征和基础对象特征的特征相似度，得到特征相似度值。

第二目标对象确定模块，用于若特征相似度值大于预设第四阈值，则将基础对象特征对应的基础对象，作为考勤对象特征对应的目标对象。

关于考勤记录装置的具体限定可以参见上文中对于考勤记录方法的限定，在此不再赘述。上述考勤记录装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据，例如运行电子文件的控制的程序代码。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的考勤记录方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。