基于人脸识别的考勤方法、装置、电子设备及存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人脸识别的考勤方法、装置、电子设备及计算机可读存储介质。

背景技术

员工出勤率往往影响着一个团队的正常运作，而如何更好的计算和预测员工的出勤率，则影响着我日常工作的计划与安排。

现有的考勤打卡方法多为通过手机定位，指纹打卡，面部打卡等方式确定员工是否正常出勤，此种考勤方式往往需要员工主动上传打卡信息，但主动上传信息的方式由员工自身主导上传信息，无法保证信息是否真实有效，进而无法避免利用他人信息进行代打卡，导致对员工进行出勤率分析的精确度不高。

发明内容

本发明提供一种基于人脸识别的考勤方法、装置及计算机可读存储介质，其主要目的在于解决对员工进行出勤率分析的精确度较低的问题。

为实现上述目的，本发明提供的一种基于人脸识别的考勤方法，包括：

获取预设员工的工位图像，将所述工位图像转换至预设色彩空间，并对转换后的工位图像进行像素增强，得到增强图像；

提取所述增强图像的全局特征，计算所述全局特征与预设的人脸特征之间的相似度为第一相似度；

当所述第一相似度小于或等于预设的第一相似阈值时，确定所述预设员工缺勤；

当所述第一相似度大于所述第一相似阈值时，提取所述增强图像的局部特征，计算所述局部特征与所述预设员工的预存储特征之间的相似度为第二相似度；

当所述第二相似度小于或等于预设的第二相似阈值时，确定所述预设员工缺勤；

当所述第二相似度大于所述第二相似阈值时，确定所述预设员工完成考勤。

可选地，所述将所述工位图像转换至预设色彩空间，包括：

获取工位图像的原始色彩空间参数；

根据所述原始色彩空间参数遍历并获取所述工位图像中各像素点的颜色三分量；

根据绝对色彩空间的绝对色彩参数对所述颜色三分量进行中间值转化，得到中间值三分量；

将所述中间值三分量进行归一化处理，得到归一化三分量；

根据目标色彩空间的目标色彩参数对所述归一化三分量进行数值校正，得到所述工位图像中各像素点校正三分量；

将所述校正三分量输入至所述目标色彩空间，得到转换后的工位图像。

可选地，所述对转换后的工图像进行细节增强处理，得到增强图像，包括：

利用n×n的图像窗口在所述转换后的工位图像中依次进行区域选择，得到多个图像区域，其中，所述n为正整数；

根据每个所述图像区域的中心像素以及所述中心像素的邻域像素，利用预设算法计算每个所述图像区域的中心像素的二进制码元；

根据所述二进制码元对所述中心像素进行像素增强，得到增强图像。

可选地，所述根据每个所述图像区域的中心像素以及所述中心像素的邻域像素，利用预设算法计算每个所述图像区域的中心像素的二进制码元，包括：

利用如下算法计算所述图像区域的中心像素的二进制码元

其中，P

可选地，所述提取选取的所述增强图像的全局特征，包括：

将选取的所述增强图像转换为灰度图像，对所述灰度图像进行色彩空间归一化，得到标准图像；

将所述标准图像按照预设比例划分为多个图像块，计算每一个图像块中每个像素的像素梯度，根据所述像素梯度统计得到每一个图像块的梯度直方图；

将所述梯度直方图转换为向量，并将所有梯度直方图的向量进行拼接，得到所述增强图像的全局特征。

可选地，所述提取选取的所述增强图像的全局特征，包括：

将选取的所述增强图像按照预设比例划分为多个图像块，从所述多个图像块中逐个选取其中一个图像块为增强图像块；

根据所述增强图像块的像素尺寸确定所述增强图像块的中心像素；

在所述增强图像块中，将像素值大于或等于所述中心像素的像素点置为第一像素点，将像素值小于所述中心像素的像素点置为第二像素点；

按照预设顺序统计所述增强图像块中被重置的第一像素点和第二像素点，将统计后的像素点按照预设进制转换规则转换为图像块数值，并汇集所有增强图像块的图像块的图像块数值为所述增强图像的全局特征。

可选地，所述提取所述增强图像的局部特征，包括：

利用预设核函数构建尺度空间，将选择的所述增强图像映射至所述尺度空间中，在所述尺度空间中；

从所述增强图像的像素点中逐个选取其中一个像素点为目标像素点；

判断所述目标像素点的像素值在预设邻域内是否为极值；

当所述目标像素点的像素值在所述预设邻域内不为极值，则返回从所述增强图像的像素点中逐个选取其中一个像素点为目标像素点的步骤；

当所述目标像素点的像素值在所述预设邻域内为极值时，则确定所述目标像素点为关键点；

计算所述关键点的像素对比度，汇集所述像素对比度大于预设对比度阈值的关键点为所述增强图像的特征点；

计算每一个所述特征点的特征像素梯度，将所述像素梯度进行归一化处理，并将归一化后的特征像素梯度汇集为所述增强图像的局部特征。

为了解决上述问题，本发明还提供一种基于人脸识别的考勤装置，所述装置包括：

图像处理模块，用于获取预设员工的工位图像，将所述工位图像转换至预设色彩空间，并对转换后的工位图像进行像素增强，得到增强图像；

第一判断模块，用于提取所述增强图像的全局特征，计算所述全局特征与预设的人脸特征之间的相似度为第一相似度，当所述第一相似度小于或等于预设的第一相似阈值时，确定所述预设员工缺勤；

第二判断模块，用于当所述第一相似度大于所述第一相似阈值时，提取所述增强图像的局部特征，计算所述局部特征与所述预设员工的预存储特征之间的相似度为第二相似度；当所述第二相似度小于或等于预设的第二相似阈值时，确定所述预设员工缺勤；当所述第二相似度大于所述第二相似阈值时，确定所述预设员工完成考勤。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于人脸识别的考勤方法。

为了解决上述问题，本发明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中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于人脸识别的考勤方法。

本发明实施例能够避免用户主动签到，而直接采集用户工位的图像，对该工位图像进行全局特征分析，以判断出该工位图像中是否包含人脸，当包含人脸时，继续对该工位图像进行局部分析，以判断出该工位图像中的人脸与预设员工是否符合，进而根据两次分析实现对员工是否完成考勤的精确分析。因此本发明提出的基于人脸识别的考勤方法、装置、电子设备及计算机可读存储介质，可以解决进行员工出勤率分析时的精确度较低的问题。

附图说明

图1为本发明一实施例提供的基于人脸识别的考勤方法的流程示意图；

图2为本发明一实施例提供的进行细节增强处理的流程示意图；

图3为本发明一实施例提供的提取全局特征的流程示意图；

图4为本发明一实施例提供的基于人脸识别的考勤装置的功能模块图；

图5为本发明一实施例提供的实现所述基于人脸识别的考勤方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种基于人脸识别的考勤方法。所述基于人脸识别的考勤方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于人脸识别的考勤方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述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。

参照图1所示，为本发明一实施例提供的基于人脸识别的考勤方法的流程示意图。在本实施例中，所述基于人脸识别的考勤方法包括：

S1、获取预设员工的工位图像，将所述工位图像转换至预设色彩空间，并对转换后的工位图像进行像素增强，得到增强图像。

本发明实施例中，所述工位图像可以由预先安装与企业、公司的摄像头、相机等设备进行拍摄获取，可通过具有数据抓取功能的计算机语句(如java语句、python语句等)从预先构建的存储区域抓取预先获取并存储的工位图像，所述存储区域包括但不限于数据库、区块链节点、网络缓存。

本发明其中一个实际应用场景中，摄像头、相机等具有图像捕获功能的设备的限制，获取到的工位图像一般为RGB色彩空间的图像或为CMYK色彩空间的图像。

详细地，所述将所述工位图像转换至预设色彩空间，包括：

获取工位图像的原始色彩空间参数；

根据所述原始色彩空间参数遍历并获取所述工位图像中各像素点的颜色三分量；

根据绝对色彩空间的绝对色彩参数对所述颜色三分量进行中间值转化，得到中间值三分量；

将所述中间值三分量进行归一化处理，得到归一化三分量；

根据目标色彩空间的目标色彩参数对所述归一化三分量进行数值校正，得到所述工位图像中各像素点校正三分量；

将所述校正三分量输入至所述目标色彩空间，得到转换后的工位图像。

本发明实施例可利用具有数据抓取功能的python语句从不同颜色空间的底层数据中获取所述原始色彩空间参数、所述绝对色彩参数和所述目标色彩参数。

详细地，所述原始色彩空间参数是所述工位图像所在的色彩空间中定义颜色范围的特定参数，所述原始色彩空间包括但不限于RGB色彩空间、CMYK色彩空间，原始色彩空间中显示的色彩范围会随着显示设备的变动而变动。

所述绝对色彩参数是绝对色彩空间定义颜色范围的特定参数，所述绝对色彩空间包括但不限于sRGB色彩空间、Adobe RGB色彩空间，绝对色彩空间是显示的色彩范围不会随着显示设备的变动而变动。

所述目标色彩空间包括LAB色彩空间，所述目标色彩参数是目标色彩空间中定义颜色范围的特定参数，目标色彩空间中显示的颜色范围不会随显示设备的变动而变动，且由于目标色彩空间中显示的颜色范围适用于人类视觉，更有利于显示图像细节特征。

由于所述工位图像所在的原始色彩空间(RGB色彩空间、CMYK色彩空间等)中显示的色彩范围会随着显示设备的变动而变动，但预设色彩空间中显示的颜色范围不会随显示设备的变动而变动，因此，为了后续实现对该工位图像的精准分析，可将原始色彩空间中的工位图像转化至绝对色彩空间中，通过绝对色彩空间将所述工位图像转化至所述预设色彩空间，其中，所述绝对色彩空间为将所述工位图像从原始色彩空间转换至预设色彩空间的中介，所述预设色彩空间中显示的颜色范围不会随显示设备的变动而变动。

例如，工位图像的原始色彩空间为RGB色彩空间，预设色彩空间为LAB色彩空间，在将工位图像从RGB色彩空间转换至LAB色彩空间时，需要先将工位图像从RGB色彩空间转换至sRGB色彩空间(即绝对色彩空间)，再通过sRGB色彩空间将工位图像转换至LAB色彩空间。

本发明实施例遍历所述工位图像，获取所述工位图像中各像素点的颜色三分量，并利用线性变换函数根据绝对色彩参数对所述颜色三分量进行中间值转化，得到中间值三分量，其中，所述线性变换函数如下：

y＝α*R+β*G+γ*B

z＝δ*R+ε*G+θ*B

其中，x、y、z为所述中间值三分量；R、G、B为工位图像中任一像素点的颜色三分量，C、

详细地，所述中间值三分量x、y、z分别用于表示绝对色彩空间中图像的任一像素点的颜色三分量。

本发明实施例通过上述步骤将工位图像的色彩空间由原始色彩空间转化为绝对色彩空间。

进一步地，所述将所述中间值三分量进行归一化处理得到归一化三分量，包括：

利用如下归一化算法将所述中间值三分量进行归一化处理：

F

F

F

其中，F

详细地，所述归一化系数ρ、σ、τ一般取值为

本发明实施例中，所述根据所述目标色彩参数对所述归一化三分量进行数值校正得到所述工位图像中各像素点校正三分量，包括：

利用如下数值校正算法对所述归一化三分量进行数值校正：

a＝ω*(F

其中，L、a、b为所述工位图像中各像素点校正三分量，F

本发明实施例中对工位图像进行色彩空间转换，实现了将工位图像从原始色彩空间转换至目标色彩空间，利用目标色彩空间可更好的显示图像细节特征，有利于后续精准地对图像细节进行增强。

本发明实施例中，参图2所示，所述对转换后的工图像进行细节增强处理，得到增强图像，包括：

S21、利用n×n的图像窗口在所述转换后的工位图像中依次进行区域选择，得到多个图像区域，其中，所述n为正整数；

S22、根据每个所述图像区域的中心像素以及所述中心像素的邻域像素，利用预设算法计算每个所述图像区域的中心像素的二进制码元；

S23、根据所述二进制码元对所述中心像素进行像素增强，得到增强图像。

可选地，所述根据每个所述图像区域的中心像素以及所述中心像素的邻域像素，利用预设算法计算每个所述图像区域的中心像素的二进制码元，包括：

利用如下算法计算所述图像区域的中心像素的二进制码元

其中，P

本发明实施例对转换后的工位图像进行细节增强处理，将转换后的工位图像中噪声像素点进行过滤，并对图像细节进行局部纹理加深，突出了图像中的细节特征，有利于提高对图像进行分析的精确度。

S2、提取所述增强图像的全局特征，计算所述全局特征与预设的人脸特征之间的相似度为第一相似度。

本发明实施例中，由于获取的工位图像中，并不一定存在员工的画面，若直接对所述工位图像进行详细分析，会占用大量计算资源，导致对员工是否完成考勤的判断效率低下。

因此，本申请实施例提取所述增强图像的全局特征，以对所述增强图像进行分析，避免直接对所述增强图像进行详细的分析，以提高分析效率，其中，所述全局特征包括图像的颜色特征、形状特征、纹理特征等用于描述图像整体的特征。

本申请实施例中，可采用HOG(Histogram of Oriented Gradient，方向梯度直方图)、DPM(Deformable Part Model，可变性组件模型)、LBP(Local Binary Patterns，局部二值模式)等方式来提取所述增强图像的全局特征。

本申请其中一个实施例中，参图3所示，所述提取选取的所述增强图像的全局特征，包括：

S31、将选取的所述增强图像转换为灰度图像，对所述灰度图像进行色彩空间归一化，得到标准图像；

S32、将所述标准图像按照预设比例划分为多个图像块，计算每一个图像块中每个像素的像素梯度，根据所述像素梯度统计得到每一个图像块的梯度直方图；

S33、将所述梯度直方图转换为向量，并将所有梯度直方图的向量进行拼接，得到所述增强图像的全局特征。

详细地，可通过最大值平均法、最小值平均法、加权平均法等方式将所述增强图像转换为灰度图像，进而利用预设的归一化公式对所述灰度图像中每一点的像素值进行归一化运算，以将所述灰度图像中每一点的像素值映射至预设值域内，实现对所述灰度图像进行色彩空间归一化，得到标准图像。

示例性地，所述归一化公式可以为：

其中，Z

本实施例中，通过对所述灰度图像进行色彩空间归一化，可调节图像的对比度，降低图像局部的阴影和光照变化对图像全局特征所造成的影响，有利于提高提取全局特征的精确度。

进一步地，可将所述标准图像按照预设比例划分为多个图像块，并逐一计算每一个像素块中每个像素的像素梯度，通过计算像素梯度，可捕获所述标准图像中物体的轮廓信息，同时进一步弱化光照的干扰，提高提取全局特征的精确度。

其中，可利用预设的梯度算法计算每一个图像块中每个像素的像素梯度，所述梯度算法包括但不限于二维离散求导算法、soble算子等。

本申请实施例可根据所述像素梯度，统计出每个图像块中的梯度直方图，进而利用所述梯度直方图中各梯度的值，生成用于标识该梯度直方图的向量，并将所有梯度直方图的向量拼接为所述增强图像的全局特征。

本发明另一实施例中，所述提取选取的所述增强图像的全局特征，包括：

将选取的所述增强图像按照预设比例划分为多个图像块，从所述多个图像块中逐个选取其中一个图像块为增强图像块；

根据所述增强图像块的像素尺寸确定所述增强图像块的中心像素；

在所述增强图像块中，将像素值大于或等于所述中心像素的像素点置为第一像素点，将像素值小于所述中心像素的像素点置为第二像素点；

按照预设顺序统计所述增强图像块中被重置的第一像素点和第二像素点，将统计后的像素点按照预设进制转换规则转换为图像块数值，并汇集所有增强图像块的图像块的图像块数值为所述增强图像的全局特征。

详细地，所述第一像素点通常为1，所述第二像素点通常为0。

例如，以3*3的比例将所述标准图像划分为多个图像块后，选取的增强图像块为：

可知，该图像块中，中心点即为所述中心像素，且像素值为83，则将该图像块中每个点的像素值与该中心像素的像素值进行比对，并将大于或等于所述中心像素点的像素值重置为第一像素点(1)，将小于所述中心像素点的像素值重置为第一像素点(0)，得到如下转换后的增强图像块：

进而，若按照顺时针的顺序对该增强图像中被重置的像素值进行统计，可得到01111100，按照预设的进制转换规则(如十进制转换规则)对得到的数值进行转换，得到(01111100)

本申请实施例汇集所有增强图像块的图像块的图像块数值为所述增强图像的全局特征。

例如，所述增强图像中包含4个图像块，每个图像块对应的图像块数值分别为124、88、36和158，则可将四个图像块的图像块数值汇集为(124，88，36，158)的向量形式，并将该向量作为所述增强图像的全局特征。

本申请实施例中，可计算所述全局特征与预设的人脸特征之间的全局相似度。

本申请其中一个实施例中，所述计算所述全局特征与预设的人脸特征之间的第一相似度，包括：

利用如下相似度算法计算所述全局特征与预设的人脸特征之间的第一相似度：

其中，Sim

本申请其他实施例中，还可通过欧式距离算法、预先距离算法等具有相似度计算功能的算法计算所述全局特征与预设的人脸特征的全局相似度。

S3、判断所述第一相似度是否大于预设的第一相似阈值。

本发明实施例中，可判断所述第一相似度是否大于预设的第一相似阈值，进而根据判断结果对所述预设员工是否缺勤进行判断。

当所述第一相似度小于或等于所述第一相似阈值时，则执行S4、确定所述预设员工缺勤。

本发明实施例中，当所述第一相似度小于或等于预设的第一相似阈值，则说明该增强图像中不包括人脸，则无需对该增强图像进行分析，可确定所述预设员工缺勤。

本申请实施例通过分别计算所述增强图像的全局特征与预设的人脸特征的第一相似度，并在所述第一相似度小于或等于预设的第一相似阈值时确定所述预设员工缺勤，可实现利用全局特征对员工是否缺勤的快速判断，而无需对不包含人脸的增强图像进行详细分析，有利于提高进行地标识别的效率。

当所述第一相似度大于所述第一相似阈值时，则执行S5、提取所述增强图像的局部特征，计算所述局部特征与所述预设员工的预存储特征之间的相似度为第二相似度。

本发明实施例中，当所述第一相似度大于所述第一相似阈值，则说明该增强图像中包含人脸，但由于不能确认该人脸是否与所述预设员工相同，则无法直接确定改预设员工完成考勤。

因此，本申请实施例为了提高对预设员工进行考勤的精确度，可提取所述增强的局部特征，并将所述局部特征与所述预设员工的预存储特征进行相似度计算，进而利用计算得到的相似度对所述增强图像进行进一步判断，以确定所述目标员工是否完成考勤。

本申请实施例中，可采用LOG(Laplacian of Gaussian，高斯拉普拉斯算子检测)、DOH(Dot of Hessian，斑点检测)、SIFT(Scale-invariant feature transform，尺度不变特征转换)等方法提取所述目标帧的局部特征，所述局部特征包括但不限于斑点和角点。

本发明实施例中，所述提取所述增强图像的局部特征，包括：

利用预设核函数构建尺度空间，将选择的所述增强图像映射至所述尺度空间中，在所述尺度空间中；

从所述增强图像的像素点中逐个选取其中一个像素点为目标像素点；

判断所述目标像素点的像素值在预设邻域内是否为极值；

当所述目标像素点的像素值在所述预设邻域内不为极值，则返回从所述增强图像的像素点中逐个选取其中一个像素点为目标像素点的步骤；

当所述目标像素点的像素值在所述预设邻域内为极值时，则确定所述目标像素点为关键点；

计算所述关键点的像素对比度，汇集所述像素对比度大于预设对比度阈值的关键点为所述增强图像的特征点；

计算每一个所述特征点的特征像素梯度，将所述像素梯度进行归一化处理，并将归一化后的特征像素梯度汇集为所述增强图像的局部特征。

示例性地，所述预设核函数可以为高斯函数，可利用所述高斯函数构建如下尺度空间：

L(x，y，σ)＝G(x，y，σ)*I(x，y)

其中，L(x，y，σ)为所述尺度空间的数值表达，G(x，y，σ)为所述高斯函数，I(x，y)为所述增强图像，x为所述增强图像中像素点的横坐标，y为所述增强图像中像素点的纵坐标，σ为预设参数。

可按照上述尺度空间的算法公式，将所述增强图像映射至所述尺度空间中。

本申请实施例中，所述极值包括极大值与极小值，当所述目标像素点的像素值在所述预设领域内为极大值或极小值时，即确定所述目标像素点为所述增强图像的关键点。

详细地，可利用预设的python程序计算所述关键点的像素对比度，并汇集所述像素对比度大于预设对比度阈值的关键点为所述增强图像的特征点。

具体地，所述计算每一个所述特征点的特征像素梯度的步骤，与S2中计算每一个图像块中每个像素的像素梯度的步骤一致，在此不做赘述。

所述将所述像素梯度进行归一化处理的步骤，与S2中提取所述增强图像的全局特征时，对所述灰度图像进行色彩空间归一化的步骤一致，在此不做赘述。

进一步地，本申请实施例可计算所述局部特征与所述预设员工的预存储特征的第二相似度。

详细地，所述计算所述局部特征与所述预设员工的预存储特征之间的相似度为第二相似度的步骤，与S2中计算所述全局特征与预设的人脸特征之间的第一相似度的步骤一致，在此不做赘述。

S6、判断所述第二相似度是否大于预设的第二相似阈值。

本发明实施例中，可判断所述第二相似度是否大于预设的第二相似阈值，进而根据判断结果对所述预设员工是否缺勤进行判断。

当所述第二相似度小于或等于预设的第二相似阈值时，则返回S4。

本发明实施例中，当所述第二相似度小于或等于预设的第二相似阈值时，则说明该增强图像中的人脸和所述预设员工的不一致，则说明该增强图像中不是所述预设员工的人脸，返回步骤S4确认该预设员工缺勤。

当所述第二相似度大于所述第二相似阈值时，则执行S7、确定所述预设员工完成考勤。

本发明实施例中，当所述第二相似度大于所述第二相似阈值时，则说明该增强图像中的人脸和所述预设员工的一致，则说明该增强图像中是所述预设员工的人脸，可确认该预设员工完成考勤。

本发明实施例能够避免用户主动签到，而直接采集用户工位的图像，对该工位图像进行全局特征分析，以判断出该工位图像中是否包含人脸，当包含人脸时，继续对该工位图像进行局部分析，以判断出该工位图像中的人脸与预设员工是否符合，进而根据两次分析实现对员工是否完成考勤的精确分析。因此本发明提出的基于人脸识别的考勤方法，可以解决进行员工出勤率分析时的精确度较低的问题。

如图4所示，是本发明一实施例提供的基于人脸识别的考勤装置的功能模块图。

本发明所述基于人脸识别的考勤装置100可以安装于电子设备中。根据实现的功能，所述基于人脸识别的考勤装置100可以包括图像处理模块101、第一判断模块102及第二判断模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述图像处理模块101，用于获取预设员工的工位图像，将所述工位图像转换至预设色彩空间，并对转换后的工位图像进行像素增强，得到增强图像；

所述第一判断模块102，用于提取所述增强图像的全局特征，计算所述全局特征与预设的人脸特征之间的相似度为第一相似度，当所述第一相似度小于或等于预设的第一相似阈值时，确定所述预设员工缺勤；

所述第二判断模块103，用于当所述第一相似度大于所述第一相似阈值时，提取所述增强图像的局部特征，计算所述局部特征与所述预设员工的预存储特征之间的相似度为第二相似度；当所述第二相似度小于或等于预设的第二相似阈值时，确定所述预设员工缺勤；当所述第二相似度大于所述第二相似阈值时，确定所述预设员工完成考勤。

详细地，本发明实施例中所述基于人脸识别的考勤装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于人脸识别的考勤方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明一实施例提供的实现基于人脸识别的考勤方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于人脸识别的考勤程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于人脸识别的考勤程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于人脸识别的考勤程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的基于人脸识别的考勤程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取预设员工的工位图像，将所述工位图像转换至预设色彩空间，并对转换后的工位图像进行像素增强，得到增强图像；

提取所述增强图像的全局特征，计算所述全局特征与预设的人脸特征之间的相似度为第一相似度；

当所述第一相似度小于或等于预设的第一相似阈值时，确定所述预设员工缺勤；

当所述第一相似度大于所述第一相似阈值时，提取所述增强图像的局部特征，计算所述局部特征与所述预设员工的预存储特征之间的相似度为第二相似度；

当所述第二相似度小于或等于预设的第二相似阈值时，确定所述预设员工缺勤；

当所述第二相似度大于所述第二相似阈值时，确定所述预设员工完成考勤。

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取预设员工的工位图像，将所述工位图像转换至预设色彩空间，并对转换后的工位图像进行像素增强，得到增强图像；

提取所述增强图像的全局特征，计算所述全局特征与预设的人脸特征之间的相似度为第一相似度；

当所述第一相似度小于或等于预设的第一相似阈值时，确定所述预设员工缺勤；

当所述第一相似度大于所述第一相似阈值时，提取所述增强图像的局部特征，计算所述局部特征与所述预设员工的预存储特征之间的相似度为第二相似度；

当所述第二相似度小于或等于预设的第二相似阈值时，确定所述预设员工缺勤；

当所述第二相似度大于所述第二相似阈值时，确定所述预设员工完成考勤。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

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涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。