CN109934949A - 考勤方法及装置、设备、存储介质 - Google Patents

Abstract

本申请实施例公开了考勤方法及装置、设备、存储介质，其中，所述方法包括：采集至少一帧待考勤图像；对所述待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合；对所述目标区域集合中的每一目标对象进行识别，得到与所述待考勤图像对应的身份信息集合；基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

Description

考勤方法及装置、设备、存储介质

技术领域

本申请实施例涉及计算机视觉技术，涉及但不限于考勤方法及装置、设备、存储介质。

背景技术

在学校以及企事业单位的教学和工作管理过程中，点名是一项重要的内容。传统的人工点名方式具有效率太低、教师工作量大、花费时间过多和传统点名记录的数据不易利用等缺陷。目前基于人脸检测的考勤***，例如，老师在上课时，对课堂情况进行拍照，得到待考勤图像；然后，将该待考勤图像上传至考勤***，以便考勤***对该待考勤图像中的人脸进行识别，以达到实现无感应点名的目的。由于该***无需学生到指定区域进行拍照，即可实现点名，从而大大节约了在课堂上的点名时间。然而，在基于待考勤图像实施点名时，存在点名准确度较低的问题。

发明内容

有鉴于此，本申请实施例为解决相关技术中存在的至少一个问题而提供考勤方法及装置、设备、存储介质。

本申请实施例的技术方案是这样实现的：

第一方面，本申请实施例提供一种考勤方法，所述方法包括：采集至少一帧待考勤图像；对所述待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合；对所述目标区域集合中的每一目标对象进行识别，得到与所述待考勤图像对应的身份信息集合；基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

在其他实施例中，所述对所述待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合，包括：对所述待考勤图像进行分区，得到图像区域集合，所述图像区域集合中的图像区域至少包括一个目标对象；对所述图像区域集合中的图像区域进行放大，得到符合预定识别条件的目标区域集合。

在其他实施例中，所述对所述待考勤图像进行分区，得到图像区域集合，包括：根据所述待考勤图像中每一目标对象在所述待考勤图像上的位置，对所述待考勤图像进行分区，得到图像区域集合。

在其他实施例中，所述对所述图像区域集合中的图像区域进行放大，得到符合预定识别条件的目标区域集合，包括：将所述图像区域中每一所述目标对象的尺寸放大至预设尺寸，得到目标区域集合。

在其他实施例中，所述根据所述待考勤图像中每一目标对象在所述待考勤图像上的位置，对所述待考勤图像进行分区，得到图像区域集合，包括：基于每一所述目标对象在所述待考勤图像上的位置，确定所述目标对象的尺寸；基于每一所述目标对象的尺寸，对所述待考勤图像进行分区，得到图像区域集合。

在其他实施例中，所述对所述图像区域集合中的图像区域进行放大，得到符合预定识别条件的目标区域集合，包括：基于每一所述图像区域中的每一目标对象的尺寸，确定与所述图像区域对应的放大倍数；基于每一所述图像区域的放大倍数，对与所述放大倍数对应的图像区域进行放大，得到目标区域集合。

在其他实施例中，所述基于每一所述图像区域中的每一目标对象的尺寸，确定与所述图像区域对应的放大倍数，包括：基于所述图像区域中的每一目标对象的尺寸，确定所述图像区域中的目标对象的平均尺寸；基于所述图像区域中的目标对象的平均尺寸，从所述图像区域集合中确定基准图像区域；确定所述基准图像区域的目标对象的平均尺寸，与所述图像区域中目标对象的平均尺寸之间的比例；基于所述比例，确定所述图像区域的放大倍数。

在其他实施例中，所述采集至少一帧待考勤图像，包括：将待考勤图像的初始采集时刻到当前时刻之间的时长，确定为考勤时长；基于每一待考勤图像对应的身份信息集合，确定目标对象数目；如果所述考勤时长小于预设时长，且所述目标对象数目小于预设数目，重新采集至少一帧待考勤图像。

在其他实施例中，所述基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果，包括：如果所述考勤时长小于预设时长，且所述目标对象数目等于预设数目，基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果；如果所述考勤时长大于等于预设时长，基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

在其他实施例中，所述方法还包括：将所述考勤结果发送给管理平台。

在其他实施例中，所述对所述目标区域集合中的每一所述目标对象进行识别，得到与所述待考勤图像对应的身份信息集合，包括：对所述目标区域集合中的每一所述目标对象进行识别，得到与所述目标对象对应的第一特征数据；基于每一所述目标对象的第一特征数据和预设的特征数据库，确定与所述目标对象对应的身份信息，得到所述待考勤图像对应的身份信息集合。

在其他实施例中，所述基于每一所述目标对象的第一特征数据和预设的特征数据库，确定与所述目标对象对应的身份信息，得到所述待考勤图像对应的身份信息集合，包括：从预设的特征数据库中，确定与每一第一特征数据相匹配的第二特征数据；基于每一相匹配的第二特征数据，从所述特征数据库中获取与所述第二特征数据对应的身份信息，得到所述待考勤图像对应的身份信息集合。

在其他实施例中，在所述采集至少一帧待考勤图像之前，所述方法还包括：载入所述对象集合上记录的每一考勤对象的特征图片、每一考勤对象的名称和身份标识；其中，所述身份标识用于唯一标识所述考勤对象；对每一所述特征图片进行识别，得到与所述考勤对象对应的第二特征数据；将每一考勤对象的名称、第二特征数据和身份标识保存在预设的特征数据库中。

在其他实施例中，所述基于每一相匹配的第二特征数据，从所述特征数据库中获取与所述第二特征数据对应的身份信息，得到与所述待考勤图像对应的身份信息集合，包括：基于每一相匹配的第二特征数据，从所述特征数据库所记载的身份标识中，获取与所述第二特征数据对应的目标身份标识；基于每一所述目标身份标识，从所述特征数据库中获取与所述目标身份标识对应的目标对象名称；将获取的所述待考勤图像中每一目标对象的目标身份标识和目标对象名称，确定为与所述目标对象对应的身份信息，得到与所述待考勤图像对应的身份信息集合。

在其他实施例中，所述将每一考勤对象的名称、第二特征数据和身份标识保存在预设的特征数据库中，包括：将每一考勤对象的第二特征数据和身份标识，存储在所述特征数据库中；以每一身份标识为键值，将每一所述键值和与所述键值对应的考勤对象名称写入哈希表，所述哈希表存储在所述特征数据库中。

在其他实施例中，所述基于每一所述目标身份标识，从所述特征数据库中获取与所述目标身份标识对应的目标对象名称，包括：以每一所述目标身份标识为键值，访问所述哈希表，获取与所述目标身份标识对应的目标对象名称。

在其他实施例中，所述目标对象为人脸。

第二方面，本申请实施例提供一种考勤装置，包括：图像采集模块，配置为采集至少一帧待考勤图像；图像处理模块，配置为对所述待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合；对象识别模块，配置为对所述目标区域集合中的每一目标对象进行识别，得到与所述待考勤图像对应的身份信息集合；考勤结果生成模块，配置为：基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

在其他实施例中，所述图像处理模块，包括：分区处理子模块，配置为：对所述待考勤图像进行分区，得到图像区域集合，所述图像区域集合中的图像区域至少包括一个目标对象；放大处理子模块，配置为：对所述图像区域集合中的图像区域进行放大，得到符合预定识别条件的目标区域集合。

在其他实施例中，所述分区处理子模块，配置为：根据所述待考勤图像中每一目标对象在所述待考勤图像上的位置，对所述待考勤图像进行分区，得到图像区域集合。

在其他实施例中，所述放大处理子模块，配置为：将所述图像区域中每一所述目标对象的尺寸放大至预设尺寸，得到目标区域集合。

在其他实施例中，所述分区处理子模块包括：尺寸确定单元，配置为：基于每一所述目标对象在所述待考勤图像上的位置，确定所述目标对象的尺寸；分区处理单元，配置为：基于每一所述目标对象的尺寸，对所述待考勤图像进行分区，得到图像区域集合。

在其他实施例中，所述放大处理子模块包括：放大倍数确定单元，配置为：基于每一所述图像区域中的每一目标对象的尺寸，确定与所述图像区域对应的放大倍数；放大处理单元，配置为：基于每一所述图像区域的放大倍数，对与所述放大倍数对应的图像区域进行放大，得到目标区域集合。

在其他实施例中，所述放大倍数确定单元，配置为：基于所述图像区域中的每一目标对象的尺寸，确定所述图像区域中的目标对象的平均尺寸；基于所述图像区域中的目标对象的平均尺寸，从所述图像区域集合中确定基准图像区域；确定所述基准图像区域的目标对象的平均尺寸，与所述图像区域中目标对象的平均尺寸之间的比例；基于所述比例，确定所述图像区域的放大倍数。

在其他实施例中，所述图像采集模块配置为：将待考勤图像的初始采集时刻到当前时刻之间的时长，确定为考勤时长；基于每一待考勤图像对应的身份信息集合，确定目标对象数目；如果所述考勤时长小于预设时长，且所述目标对象数目小于预设数目，重新采集至少一帧待考勤图像。

在其他实施例中，所述考勤结果生成模块，配置为：如果所述考勤时长小于预设时长，且所述目标对象数目等于预设数目，基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果；如果所述考勤时长大于等于预设时长，基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

在其他实施例中，所述装置还包括：发送模块，配置为将所述考勤结果发送给管理平台。

在其他实施例中，所述对象识别模块，包括：对象识别子模块，配置为：对所述目标区域集合中的每一所述目标对象进行识别，得到与所述目标对象对应的第一特征数据；身份确定子模块，配置为：基于每一所述目标对象的第一特征数据和预设的特征数据库，确定与所述目标对象对应的身份信息，得到所述待考勤图像对应的身份信息集合。

在其他实施例中，所述身份确定子模块包括：特征确定单元，配置为：从预设的特征数据库中，确定与每一第一特征数据相匹配的第二特征数据；身份确定单元，配置为：基于每一相匹配的第二特征数据，从所述特征数据库中获取与所述第二特征数据对应的身份信息，得到所述待考勤图像对应的身份信息集合。

在其他实施例中，所述装置还包括信息载入模块和信息存储模块；其中，所述信息载入模块，配置为：载入所述对象集合上记录的每一考勤对象的特征图片、每一考勤对象的名称和身份标识；其中，所述身份标识用于唯一标识所述考勤对象；所述对象识别模块，配置为：对每一所述特征图片进行识别，得到与所述考勤对象对应的第二特征数据；所述信息存储模块，配置为：将每一考勤对象的名称、第二特征数据和身份标识保存在预设的特征数据库中。

在其他实施例中，所述身份确定单元，包括：身份标识获取子单元，配置为基于每一相匹配的第二特征数据，从所述特征数据库所记载的身份标识中，获取与所述第二特征数据对应的目标身份标识；对象名称获取子单元，配置为：基于每一所述目标身份标识，从所述特征数据库中获取与所述目标身份标识对应的目标对象名称；身份信息确定子单元，配置为：将获取的所述待考勤图像中每一目标对象的目标身份标识和目标对象名称，确定为与所述目标对象对应的身份信息，得到与所述待考勤图像对应的身份信息集合。

在其他实施例中，所述信息存储模块配置为：将每一考勤对象的第二特征数据和身份标识，存储在所述特征数据库中；以每一身份标识为键值，将每一所述键值和与所述键值对应的考勤对象名称写入哈希表，所述哈希表存储在所述特征数据库中。

在其他实施例中，所述对象名称获取子单元，配置为：以每一所述目标身份标识为键值，访问所述哈希表，获取与所述目标身份标识对应的目标对象名称。

在其他实施例中，所述目标对象为人脸。

第三方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述考勤方法中的步骤。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述考勤方法中的步骤。

本申请实施例中，能够对采集的待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合，这样，在对所述目标区域集合中的每一目标对象进行识别时，能够准确识别每一目标对象，从而提高考勤准确度。

附图说明

图1为本申请实施例考勤方法的实现流程示意图；

图2为本申请实施例待考勤图像的分区示意图；

图3为本申请实施例待考勤图像内容示意图；

图4为本申请实施例另一考勤方法的实现流程示意图；

图5为本申请实施例无感应课堂考勤装置的组成结构示意图；

图6为本申请实施例对教室全景图像和分区图像示意图；

图7为本申请实施例再一考勤方法的实现流程示意图；

图8为本申请实施例自适应插值策略的实现流程示意图；

图9为本申请实施例考勤装置的组成结构示意图；

图10为本申请实施例电子设备的一种硬件实体示意图。

具体实施方式

下面结合附图和实施例对本申请的技术方案进一步详细阐述。

本申请实施例提供一种考勤方法，该方法应用于电子设备，该方法所实现的功能可以通过电子设备中的处理器调用程序代码来实现，当然程序代码可以保存在计算机存储介质中，可见，该电子设备至少包括处理器和存储介质。

图1为本申请实施例考勤方法的实现流程示意图，如图1所示，该方法包括步骤S101至步骤S104：

S101、采集至少一帧待考勤图像；

可以理解地，在有的场景中被考勤对象可能是动态变化的，这样仅仅采集一帧待考勤图像，不能够完全捕获到到堂的所有目标对象。例如在课堂进行点名时，课堂上有的学生当前低着头，有的学生当前抬着头，此时采集的一帧待考勤图像中并不能够捕获到所有学生的脸部特征。因此，在实际应用中，可以通过拍摄视频的方式，来采集多帧待考勤图像，还可以按照预设的时间间隔，采集多帧待考勤图像。这样，通过采集至少一帧待考勤图像，利用采集的多帧待考勤图像来实施点名，能够提高点名准确度。

S102、对所述待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合；

S103、对所述目标区域集合中的每一目标对象进行识别，得到与所述待考勤图像对应的身份信息集合；

在本实施例中，所述目标对象是人脸时，本申请实施例所提供的考勤方法常用于课堂考勤、会场考勤、考场考勤等场景。当然，在其他实施例中，所述目标对象还可以是动物，这里不限制所述目标对象的对象类型。在实际应用中，可以通过具有考勤能力的电子设备控制摄像头来采集所述待考勤图像。为了能够清楚、完整地采集到考勤区域的每一个目标对象，且不需要目标对象配合，通常情况下，将摄像头悬空安装在考勤区域的正前方，以使采集得到的待考勤图像中包含考勤区域的每一目标对象。

一般来说，待考勤图像通过安装在固定视角的摄像机拍摄得到的，而固定视角必将存在近大远小的图像特性，因此需要自适应的进行图像的区域划分，对不同区域进行图像的预处理，以使划分后的每一区域的目标对象符合识别条件。例如，待考勤图像为一张教室上课情况的照片，照片中前排学生的人脸尺寸远远大于最后几排人脸的尺寸，由于最后几排的人脸尺寸较小，导致对该照片进行人脸识别时，难以准确提取最后几排的人脸特征，从而导致考勤准确度下降。因此，在本申请实施例中，在对待考勤图像中的目标对象进行识别之前，先对待考勤图像进行自适应分区处理，以使所述待考勤图像中的每一目标对象符合识别条件(例如，使每一所述目标对象符合预设尺寸)，得到目标区域集合，然后，再对目标区域集合中的每一目标对象进行识别，得到目标对象名称。例如，所述目标对象是人脸时，所述目标对象名称是人名。

需要说明的是，对待考勤图像进行自适应分区处理，得到的目标区域集合中至少包括一个目标区域，每一个目标区域中至少包括一个目标对象。

S104、基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

例如，在课堂点名的应用场景中，所述对象集合可以是班级名单。所述考勤结果可以包括签到人员的姓名和学号、缺勤人员的姓名、学号、缺勤次数等。

本申请实施例中，能够对采集的待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合，这样，在对所述目标区域集合中的每一目标对象进行识别时，能够准确识别每一所述目标对象，从而提高考勤准确度。

本申请实施例提供另一种考勤方法，该方法包括步骤S201至步骤S205：

S201、采集至少一帧待考勤图像；

S202、对所述待考勤图像进行分区，得到图像区域集合，所述图像区域集合中的图像区域至少包括一个目标对象；

需要说明的是，在对待考勤图像进行分区时，相邻的两个图像区域有部分区域的内容相同，这样就能够确保得到的图像区域集合中每一目标对象的图像内容都是完整的，从而使后续基于目标区域集合，对每一目标区域中的每一目标对象进行识别时，能够准确识别待考勤图像中的每一目标对象。例如，图2所示，待考勤图像20中包括目标对象201至目标对象204，其中，目标对象201和目标对象202被划分在图像区域21中，目标对象203和目标对象204被划分在图像区域22中，其中，图像区域21中的子区域211和图像区域22中的子区域221的内容相同。

S203、对所述图像区域集合中的图像区域进行放大，得到符合预定识别条件的目标区域集合；

可以理解地，由于多个目标对象之间的相对位置不同，待考勤图像中存在大小不一的目标对象，因此，为了能够有针对性地对目标对象进行预处理，可以先对待考勤图像进行分区，得到图像区域集合；然后，对图像区域集合中满足预定放大条件的图像区域进行放大，从而得到符合预定识别条件的目标区域集合，例如，只对目标对象的尺寸小于预设阈值的图像区域进行放大，这样可以减小图像处理负荷，在进行放大时，可以将待放大的图像区域放大至预设尺寸，以得到符合预定识别条件的目标区域集合。

这里，需要说明的是，步骤S202和步骤S203实际上是上述实施例中步骤S102的一种实施示例。

S204、对所述目标区域集合中的每一目标对象进行识别，得到所述待考勤图像对应的身份信息集合；

S205、基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

在本申请实施例中，能够对分区后得到的图像区域进行放大，使放大后的图像区域(即目标区域)的每一目标对象满足识别条件，从而在对每一目标对象进行识别时，提高识别准确度。

本申请实施例提供又一种考勤方法，该方法包括步骤S301至步骤S305：

S301、采集至少一帧待考勤图像；

S302、根据所述待考勤图像中每一目标对象在所述待考勤图像上的位置，对所述待考勤图像进行分区，得到图像区域集合；

一般来说，目标对象在待考勤图像上的位置指的是该目标对象在待考勤图像上所占的区域、尺寸。可以基于待考勤图像中每一目标对象在所述待考勤图像上的尺寸，对所述待考勤图像进行分区，得到图像区域集合。

例如，图3所示，待考勤图像30包括目标对象301至目标对象309，其中，目标对象301和目标对象302在待考勤图像中的尺寸大于目标对象303和目标对象304在待考勤图像中的尺寸大于目标对象305和目标对象306在待考勤图像中的尺寸大于目标对象307至目标对象309在待考勤图像中的尺寸。即，目标对象301和目标对象302在第一尺寸范围内，目标对象303和目标对象304在第二尺寸范围内，目标对象305和目标对象306在第三尺寸范围内，目标对象307至目标对象309在第四尺寸范围内，因此，在对待考勤图像30进行分区时，可以将目标对象301和目标对象302划分在图像区域31中，将目标对象303和目标对象304划分在图像区域32中，将目标对象305和目标对象306划分在图像区域33中，将目标对象307至目标对象309划分在图像区域34中，得到的图像区域集合包括图像区域31至图像区域34。

这里，需要说明的是，步骤S302实际上是上述实施例中步骤S202的一种实施示例。

S303、对所述图像区域集合中的图像区域进行放大，得到符合预定识别条件的目标区域集合；

S304、对所述目标区域集合中的每一目标对象进行识别，得到所述待考勤图像对应的身份信息集合；

S305、基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

本申请实施例中，能够基于待考勤图像中每一目标对象在所述待考勤图像上的位置，对所述待考勤图像进行分区，这样，得到的每一图像区域中都包括完整的目标对象，从而提高目标对象的识别准确度。

本申请实施例提供再一种考勤方法，该方法包括步骤S401至步骤S405：

S401、采集至少一帧待考勤图像；

S402、根据所述待考勤图像中每一目标对象在所述待考勤图像上的位置，对所述待考勤图像进行分区，得到图像区域集合；

S403、将所述图像区域集合中的图像区域上每一所述目标对象的尺寸放大至预设尺寸，得到目标区域集合；

在实际应用中，用户可以根据需求设置所述预设尺寸，所述电子设备可以将图像区域中目标对象小于预设尺寸的目标对象进行放大。例如，图3所示，其中，图像区域31和图像区域32中的目标对象的尺寸均大于预设尺寸，图像区域33和图像区域34中的目标对象的尺寸均小于预设尺寸，因此，可以只对图像区域33和图像区域34进行放大，以使图像区域33中的目标对象305和目标对象306、图像区域34中的目标对象307至目标对象309的尺寸放大至预设尺寸，得到的目标区域集合包括图像区域31、图像区域32、放大后的图像区域33和放大后的图像区域34。

这里，需要说明的是，步骤S403实际上是上述实施例中步骤S303的一种实施示例。

本申请实施例中，在根据所述待考勤图像中每一目标对象在所述待考勤图像上的位置，对所述待考勤图像进行分区，得到图像区域集合之后，通过将所述图像区域集合中的图像区域上每一所述目标对象的尺寸放大至预设尺寸，使得到的目标区域中的每一目标对象能够被准确识别。

S404、对所述目标区域集合中的每一目标对象进行识别，得到所述待考勤图像对应的身份信息集合；

S405、基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

本申请实施例提供另一种考勤方法，该方法包括步骤S501至步骤S507：

S501、采集至少一帧待考勤图像；

S502、基于每一所述目标对象在所述待考勤图像上的位置，确定所述目标对象的尺寸；

这里，需要说明的是，步骤S502和步骤S503实际上是上述实施例中步骤S302的一种实施示例。

S503、基于每一所述目标对象的尺寸，对所述待考勤图像进行分区，得到图像区域集合；

可以理解地，基于每一所述目标对象的尺寸，对所述待考勤图像进行分区，例如，将尺寸在同一范围的目标对象划分到同一区域，这样，在得到图像区域之后，便于后续对每一图像区域进行对应的放大处理时，减小放大处理的复杂度。例如，直接对图像区域进行插值放大，不用对图像区域进行进一步地分区。

S504、基于每一所述图像区域中的每一目标对象的尺寸，确定与所述图像区域对应的放大倍数；

S505、基于每一所述图像区域的放大倍数，对与所述放大倍数对应的图像区域进行放大，得到目标区域集合；

可以理解地，这种基于每一所述图像区域中的每一目标对象的尺寸，确定对应图像区域的放大倍数，比较直接、简单。

这里，需要说明的是，步骤S504和步骤S505实际上是上述实施例中步骤S303的一种实施示例。

S506、对所述目标区域集合中的每一目标对象进行识别，得到所述待考勤图像对应的身份信息集合；

S507、基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

本申请实施例提供又一种考勤方法，该方法包括步骤S601至步骤S610：

S601、采集至少一帧待考勤图像；

S602、基于每一所述目标对象在所述待考勤图像上的位置，确定所述目标对象的尺寸；

S603、基于每一所述目标对象的尺寸，对所述待考勤图像进行分区，得到图像区域集合；

S604、基于所述图像区域中的每一目标对象的尺寸，确定所述图像区域中的目标对象的平均尺寸；

S605、基于所述图像区域中的目标对象的平均尺寸，从所述图像区域集合中确定基准图像区域；

通常情况下，可以以最大平均尺寸对应的图像区域为基准图像区域，基准图像区域的放大倍数为1，即，不对基准图像区域进行放大处理。

S606、确定所述基准图像区域的目标对象的平均尺寸，与所述图像区域中目标对象的平均尺寸之间的比例；

S607、基于所述比例，确定所述图像区域的放大倍数；

仍以图3为例，对步骤S604至步骤S607进行举例说明，假设图像区域31的目标对象的平均尺寸为s1，s1＝(a1+a2)/2，a1为图像区域31中目标对象301的尺寸，a2为图像区域31中目标对象302的尺寸；图像区域32的目标对象的平均尺寸为s2，图像区域33的目标对象的平均尺寸为s3，图像区域34的目标对象的平均尺寸为s4，s1>s2>s3>s4；因此，可以将s1对应的图像区域31确定为基准图像区域，确定s1分别与s2、s3和s4的比例，然后，依据预设的放大倍数映射表，例如表1，确定每一比例所属的预设范围，从而确定对应的放大倍数。

表1

比例范围	放大倍数
		第一预设范围：(1，2]	2
第二预设范围：(2，3]	3
		第三预设范围：(3，4]	4
……	……

这里，需要说明的是，步骤S604和步骤S607实际上是上述实施例中步骤S504的一种实施示例。

S608、基于每一所述图像区域的放大倍数，对与所述放大倍数对应的图像区域进行放大，得到目标区域集合；

S609、对所述目标区域集合中的每一目标对象进行识别，得到所述待考勤图像对应的身份信息集合；

S610、基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

本申请实施例中，通过确定所述基准图像区域的目标对象的平均尺寸，与每一所述图像区域中目标对象的平均尺寸之间的比例，进而确定对应图像区域的放大倍数，对对应的图像区域进行放大，这样，能够基于待考勤图像中目标对象之间的相对尺寸关系，对图像区域进行适当的放大。也就是说，本申请实施例步骤S604至步骤S607提供一种简单、可行、有效的放大处理方法。

本申请实施例提供再一种考勤方法，图4为本申请实施例另一种考勤方法的实现流程示意图，如图4所示，该方法包括步骤S701至步骤S709：

S701、采集至少一帧待考勤图像；

S702、对所述待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合；

S703、对所述目标区域集合中的每一目标对象进行识别，得到与所述待考勤图像对应的身份信息集合；

S704、将待考勤图像的初始采集时刻到当前时刻之间的时长，确定为考勤时长；

需要说明的是，待考勤图像的初始采集时刻指的是考勤开始时，采集第一张待考勤图像对应的时刻。

S705、基于每一待考勤图像对应的身份信息集合，确定目标对象数目；

S706、确定所述考勤时长是否小于预设时长；如果是，执行步骤S707；否则，执行步骤S708；

S707、确定所述目标对象数目是否小于预设数目；如果是，返回执行步骤S701；否则，执行步骤S708；

需要说明的是，用户可以自由设置所述预设时长和所述预设数目。可以理解地，如果所述考勤时长小于预设时长，且所述目标对象数目小于预设数目，需要重新采集至少一帧待考勤图像，继续识别重新采集的待考勤图像中的目标对象；这是因为，在实际应用中，考勤区域的目标对象一般都是动态的，由于本申请实施例是一种无感应的考勤方法，即不需要考勤区域的对象做出任何配合考勤的指定动作，所以，仅仅基于一张待考勤图像，可能无法准确识别得到考勤区域中每一目标对象的名称，例如，待考勤图像为一张学生上课情况的照片，如果基于人脸检测对该待考勤图像进行识别，由于该待考勤图像中有的学生处于低头状态，所以导致无法识别该学生。因此，在考勤时长允许的条件下，通常需要采集多张待考勤图像，完成考勤任务。

S708、基于每一待考勤图像对应的身份信息集合和预设的对象集合，生成考勤结果；

例如，所述身份信息集合中包括学生姓名和学号，班级名单中包括学生姓名和学号，那么，基于每一待考勤图像对应的身份信息集合中每一学生的学生姓名、学号和班级名单，就可以确定哪些学生到课，哪些学生没有到课，从而生成考勤结果。为了避免重名情况的出现，生成的考勤结果一般包括学生姓名和学生学号。

可以理解地，如果所述考勤时长小于预设时长，且所述目标对象数目等于预设数目，此时如果继续采集至少一帧待考勤图像，进行考勤，也就没有了意义，此时可以基于每一待考勤图像对应的身份信息集合和预设的对象集合，生成考勤结果。

另外，如果所述考勤时长大于等于预设时长，则考勤结束，此时基于每一待考勤图像对应的身份信息集合和预设的对象集合，生成考勤结果。这是因为，考勤具有一定的时效性，例如，如果学生已经下课了，此时重新采集至少一帧待考勤图像进行考勤，已经没有了意义。

S709、将所述考勤结果发送给管理平台。

在得到考勤结果之后，可以将所述考勤结果发送给管理平台，便于统一管理和利用。例如，本申请实施例的考勤方法应用于课堂考勤时，将考勤结果发送给学校的教务***，以便作为期末成绩考核的参考依据。

本申请实施例中，在得到待考勤图像中的目标对象的名称之后，并没有直接生成考勤结果，而是通过考勤时长和目标对象数目，确定是否满足结束考勤的条件，如果不满足，则重新采集至少一帧待考勤图像，从而避免因目标对象漏检导致的考勤准确度下降的问题。

本申请实施例提供另一种考勤方法，该方法包括步骤S801至步骤S805：

S801、采集至少一帧待考勤图像；

S802、对所述待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合；

S803、对所述目标区域集合中的每一所述目标对象进行识别，得到与所述目标对象对应的第一特征数据；

例如，如果目标对象是人脸，可以对所述目标区域集合中每一目标区域的人脸进行识别，从而提取每一人脸对应的第一特征数据。

S804、基于每一所述目标对象的第一特征数据和预设的特征数据库，确定与所述目标对象对应的身份信息，得到所述待考勤图像对应的身份信息集合；

一般来说，预设的特征数据库中预先存储有每一目标对象的名称和特征数据，所以，可以基于每一目标对象的第一特征数据，从特征数据库中确定出与第一特征数据相匹配的特征数据，从而得到对应的目标对象名称。

需要说明的是，步骤S803和步骤S804是上述任一实施例中所述的“对所述目标区域集合中的每一目标对象进行识别，得到所述待考勤图像对应的身份信息集合”的一种实施示例，即，步骤S803和步骤S804是上述实施例中步骤S103、步骤S204、步骤S304、步骤S404、步骤S506、步骤S609或者步骤S703中的任一个步骤的实施示例。

S805、基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

本申请实施例提供又一种考勤方法，该方法包括步骤S901至步骤S906：

S901、采集至少一帧待考勤图像；

S902、对所述待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合；

S903、对所述目标区域集合中的每一所述目标对象进行识别，得到与所述目标对象对应的第一特征数据；

S904、从预设的特征数据库中，确定与每一第一特征数据相匹配的第二特征数据；

S905、基于每一相匹配的第二特征数据，从所述特征数据库中获取与所述第二特征数据对应的身份信息，得到所述待考勤图像对应的身份信息集合；

这里，需要说明的是，步骤S904和步骤S905实际上是上述实施例步骤S804的一种实施示例。

S906、基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

本申请实施例提供再一种考勤方法，该方法包括步骤S1001至步骤S1011：

S1001、载入预设的对象集合上记录的每一考勤对象的特征图片、每一考勤对象的名称和身份标识；其中，所述身份标识用于唯一标识对应的考勤对象；

例如，所述对象集合为某个班级的学生名单，可以预先载入该名单上每一学生的个人照片、每一学生的姓名和学号。

S1002、对每一所述特征图片进行识别，得到与所述考勤对象对应的第二特征数据；

例如，对每一学生照片进行人脸识别，得到对应学生的第二特征数据，即人脸特征数据。

S1003、将每一考勤对象的名称、第二特征数据和身份标识保存在预设的特征数据库中，然后进入步骤S1004；

一般来说，存储在特征数据库中的第二特征数据、身份标识和考勤对象的名称，三者之间具有一一对应的关系，也就是说，根据第二特征数据，即可确定对应的身份标识和目标对象名称。

S1004、采集至少一帧待考勤图像；

S1005、对所述待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合；

S1006、对所述目标区域集合中的每一目标对象进行识别，得到与所述目标对象对应的第一特征数据；

S1007、从预设的特征数据库中，确定与每一第一特征数据相匹配的第二特征数据；

S1008、基于每一相匹配的第二特征数据，从所述特征数据库所记载的身份标识中，获取与所述第二特征数据对应的目标身份标识；

S1009、基于每一所述目标身份标识，从所述特征数据库中获取与所述目标身份标识对应的目标对象名称；

S1010、将获取的所述待考勤图像中每一目标对象的目标身份标识和目标对象名称，确定为与所述目标对象对应的身份信息，得到与所述待考勤图像对应的身份信息集合；

这里，需要说明的是，步骤S1008和步骤S1009实际上是上述实施例步骤S905的一种实施示例。

S1011、基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

本申请实施例中，通过得到的每一相匹配的第二特征数据，从所述特征数据库所记载的身份标识中，获取与所述第二特征数据对应的目标身份标识；基于每一所述目标身份标识，从所述特征数据库中获取对应的目标对象名称。这样，先获取用于唯一标识目标对象的目标身份标识，然后，再基于目标身份标识获取目标对象的名称，可以提高考勤准确度，避免获取的目标对象名称与实际目标对象不一致的问题。

本申请实施例提供另一种考勤方法，该方法包括步骤S1101至步骤S1112：

S1101、载入所述对象集合上记录的每一考勤对象的名称、特征图片和身份标识；其中，所述身份标识用于唯一标识对应的考勤对象；

S1102、对每一所述特征图片进行识别，得到与所述考勤对象对应的第二特征数据；

S1103、将每一考勤对象的第二特征数据和身份标识，存储在所述特征数据库中；

S1104、以每一身份标识为键值，将每一所述键值和所述键值对应的考勤对象名称写入哈希表，所述哈希表存储在所述特征数据库中；

为了提高考勤效率，通常将每一考勤对象的名称和身份标识预先载入哈希表，即，以每一身份标识为键值，将每一所述键值和对应的考勤对象名称写入哈希表。在后续S1109中得到目标身份标识之后，以每一所述目标身份标识为键值，访问所述哈希表，获取与所述键值对应的目标对象名称。

这里，需要说明的是，步骤S1103和步骤S1104实际上是上述实施例步骤S1003的一种实施示例。

S1105、采集至少一帧待考勤图像；

S1106、对所述待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合；

S1107、对所述目标区域集合中的每一目标对象进行识别，得到与所述目标对象对应的第一特征数据；

S1108、从预设的特征数据库中，确定与每一第一特征数据相匹配的第二特征数据；

S1109、基于每一相匹配的第二特征数据，从所述特征数据库所记载的身份标识中，获取与所述第二特征数据对应的目标身份标识；

S1110、以每一所述目标身份标识为键值，访问所述哈希表，获取与所述目标身份标识对应的目标对象名称；

可以理解地，在得到目标身份标识之后，以每一所述目标身份标识为键值，访问所述哈希表，获取与所述目标身份标识对应的目标对象名称，可以提高考勤效率。

S1111、将获取的所述待考勤图像中每一目标对象的目标身份标识和目标对象名称，确定为与所述目标对象对应的身份信息，得到与所述待考勤图像对应的身份信息集合；

S1112、基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

本申请实施例提供又一种考勤方法，该方法包括步骤S1201至步骤S1220：

S1201、预先载入对象集合上每一学生的学号和每一学生的照片；

S1202、对每一学生的照片进行人脸识别，得到与所述学生对应的第二特征数据；

S1203、将每一学生的第二特征数据和学号存储在预设的特征数据库中；

S1204、采集至少一帧待考勤图像；

S1205、基于每一人脸在所述待考勤图像上的位置，确定所述人脸的尺寸；

S1206、基于每一人脸的尺寸，对所述待考勤图像进行分区，得到图像区域集合；

S1207、基于所述图像区域中的每一人脸的尺寸，确定所述图像区域中的人脸的平均尺寸；

S1208、基于每一所述图像区域中人脸的平均尺寸，从所述图像区域集合中确定基准图像区域；

S1209、确定所述基准图像区域的人脸的平均尺寸，与每一所述图像区域中人脸的平均尺寸之间的比例；

S1210、基于所述比例，确定与所述比例对应的图像区域的放大倍数；

S1211、基于每一所述图像区域的放大倍数，对与所述放大倍数对应的图像区域进行放大，得到目标区域集合；

S1212、对所述目标区域集合中的每一人脸进行识别，得到每一人脸的第一特征数据；

S1213、从预设的特征数据库中，确定与每一第一特征数据相匹配的第二特征数据；

S1214、基于每一相匹配的第二特征数据，从所述特征数据库所记载的学号中，获取与所述第二特征数据对应的目标学号，得到待考勤图像对应的目标学号集合；

S1215、将待考勤图像的初始采集时刻到当前时刻之间的时长，确定为考勤时长；

S1216、基于每一待考勤图像对应的目标学号集合，确定到课学生数目；

S1217、确定所述考勤时长是否小于预设时长；如果是，执行步骤S1218；否则，执行步骤S1219；

S1218、确定所述到课学生数目是否小于预设数目；如果是，返回执行步骤S1204；否则，执行步骤S1219；

S1219、基于每一待考勤图像对应的目标学号集合和预设的对象集合，生成考勤结果；

假如班里有两个叫李明的同学，其中有一个李明没有来上课，那么，此时如果是基于学生姓名和对象集合来确定到课学生和缺课学生，则是不准确的，也就是说，不知道到底是哪个李明没有来，所以，这里可以基于每一所述目标学号和预设的对象集合，生成考勤结果的。

S1220、将所述考勤结果发送给管理平台。

本申请实施例中，能够对待考勤图像进行自适应分区处理，使待考勤图像中的每一目标对象均满足识别条件，从而提高目标对象的识别准确度，使考勤结果更加接近实际情况。本申请实施例运用人脸识别技术，提供一种可一次识别多个人脸的课堂考勤方法，大大提高了考勤的效率。并且采用了分区域算法，能够在学生正常上课过程中，完成考勤，实现了真正的无感应考勤。

同时，为避免采用基于服务器的考勤方法，带来的改造成本高，后期需要专门维护的问题，本申请实施例的考勤方法通过使用智能边缘节点进行实现，使实施本申请实施例的考勤方法的***成为一个轻量级的***。

因此，本申请实施例提供一种基于智能边缘节点和人脸识别技术的无感应课堂考勤***，满足学校教学工作中对学生考勤的要求，同时做到了***部署的轻量级，降低后期维护成本。

本申请实施例提供的一种基于智能边缘节点和人脸识别***的考勤方法。该方法能够在学生无感应的情况下高效地完成对学生的考勤统计工作，并且，将考勤结果发回服务端进行统一管理。该方法在实施时，通过智能边缘节点进行终端处理，降低了设备的改造费用与后期维护费用，使实施该方法的考勤***做到轻量级部署。

另外，为了提高***友好度，本申请实施例提供一种无感应的考勤方法。在上课过程中对学生进行无感应人脸识别，克服了传统的考勤***需要到指定区域进行人脸识别的问题。

并且，本申请实施例基于一种自适应分区处理方法，根据相机放置信息将采集到的图像(即待考勤图像)分成前后若干区域，对后排区域的图像进行插值放大操作。各区域的图像插值放大倍数根据相机位置和镜头焦距进行自适应。这种方法可以有效克服待考勤图像中前后排学生人脸大小不一致的问题，从而提高考勤准确率。

本申请实施例提供一种无感应课堂考勤装置，如图5所示，该装置50包括：人脸采集模块501、人脸识别模块502和考勤模块503；其中，

人脸采集模块501包括图像采集单元、图像预处理单元和人脸检测单元。

图像采集单元：在教室正前方安装摄像机，保证相机的图像能够覆盖整个教室，以便后续的图像处理。将相机接入到智能边缘节点设备上，并进行配置和连接，使得智能边缘节点设备能收到摄像机采集的视频信号(即所述待考勤图像)。

图像预处理单元：由于课堂场景中，前后人脸存在不一致的问题，因此，需要对后排图像进行分区域插值操作。其具体实现分为两部分：第一部分，确定分区数量，根据教室大小及其前后人脸差别，可以将教室分为2至4个区域(即所述图像区域)，而后对每一区域进行不同程度的自适应插值放大；第二部分，在进行区域划分时，针对可能出现人脸分割的现象(即一张人脸被划分在两个区域)，划分区域时，后一区域会与前一区域的图像内容有一定程度上的重叠，这样就保证了分区域后还能准确的检测到每一个人。

如图6所示，对教室全景60分为三个区域，由于最后区域无任何学生信息，因此直接忽略该区域。在后排区域601与前排区域602上，其实可以发现第二排座椅在区域划分的时候进行了覆盖；同时，后排区域被放大，这样就基本可以确保前后区域人脸大小相似。

人脸识别模块502：首次使用该考勤装置50时，先载入学生学号及其对应的人脸图片，该考勤装置50会自动提取载入的人脸图片的特征，并将其存放于数据库中，做长久化保存。在进行人脸识别时，会将当前提取到的人脸特征向量与数据库中的特征向量进行对比，得到置信度；当置信度大于一定阈值时返回与人脸匹配的学号。

考勤模块503：在考勤过程中，一般方法是将识别过程中返回的学号与数据库进行匹配，获得学生数据。但此方法效率较低，在识别过程中需要频繁地访问数据库，降低了考勤的速度。本装置50运用哈希表，在考勤前预先将学生的学号和姓名载入哈希表中，在识别过程中只需访问哈希表，大大提高了考勤的效率和速度。

基于此，本申请实施例提供上述装置50的工作流程，如图7所示，该流程包括：

S71、考勤开始后，相机进行图像采集，得到待考勤图像；

S72、对待考勤图像进行分区域自适应插值，得到目标区域集合；

S73、对目标区域集合中每一目标区域进行人脸检测，得到对应的人脸特征；

S74、将人脸检测得到的人脸特征，与人脸数据库中的人脸进行特征匹配，得到待考勤图像对应的学生学号集合；

S75、确定考勤是否完成；如果是，执行步骤S76；否则，返回执行步骤S71；

需要说明的是，如果在预设时长内得到的到课学生数目与预设数目相同，则考勤完成，或者如果考勤时长大于等于预设时长，则考勤完成，此时执行步骤S76；如果步骤S74中对应得到的学生学号的数目小于预设数目，且考勤时长小于预设时长，则考勤没有完成，此时返回执行步骤S71，重新采集至少一帧待考勤图像。

S76、考勤结束，考勤结果生成。

在其他实施例中，对于步骤S72，对待考勤图像进行分区域自适应插值，得到目标区域集合，即，图像分区域自适应插值方法，相关说明如下：

在图像预处理过程中，会进行图像分区域自适应插值，根据相机的位置、教室座位分布情况及其学生人脸在待考勤图像中呈现的大小进行自适应的图像分割和插值。插值方法在本申请实施例中使用双线性插值方法，当然也可以根据需求更改为其他任意插值方法。

例如，采集的待考勤图像中，第一排学生、中间排学生、最后一排学生的人脸平均尺寸分别为s1、s2、s3，本申请实施例提供的自适应插值策略，如图8所示，包括以下内容：

如果同时满足条件(s1/s3<2)和(s1/s2<2)，则将待考勤图像平均分成前、后2个图像区域，前排图像区域保持不变，后排图像区域插值放大2倍。

如果同时满足条件(s1/s3<4)和(s1/s2>2)，则将待考勤图像平均分成前、中、后3个图像区域，前排图像区域保持不变，中间图像区域和后排图像区域的放大倍数分别是2倍和3倍。

如果同时满足条件(s1/s3>4)和(s1/s2>2)，则将待考勤图像平均分成前、中前、中后、后4个图像区域，前排图像区域保持不变，中前图像区域、中后图像区域、后排图像区域插值放大倍数分别是2倍、3倍和4倍。

其它条件下，不进行分区域插值处理。

在本申请实施例中，通过在智能边缘节点进行多人脸识别，从而完成考勤工作，而以往考勤则通过APP或者单个人脸识别的考勤方式进行；本申请实施例的考勤方法支持无感应考勤，不需要通过告知或者特定的方式进行考勤，即可在课堂上完成考勤工作，不会扰乱正常教学工作。而以往的技术实现则需要通过到指定区域拍照方能进行课堂考勤；另外，本申请实施例所提供的考勤方法主要通过分区域的方式对待考勤图像进行处理，有效的解决了相机成像近大远小导致后方同学人脸过小，无法被检测到的情况，从而提高了考勤的准确度。

本申请实施例提供的考勤方法，支持在课堂环境中通过采集的图像进行人脸识别，从而无感应的完成对学生的日常考勤工作。由于采用了自适应分区处理的方式，解决了后排学生人脸过小的问题，大大提升了考勤的准确率。教学工作中的日常考勤可用本申请实施例的考勤方法进行替代，在考勤完成后，将考勤结果进行统一的管理，并生成对应的报表，可使教师将节省的时间用于教学工作中。

基于前述的实施例，本申请实施例提供一种考勤装置，该装置包括所包括的各模块、以及各模块所包括的各单元，可以通过电子设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。

图9为本申请实施例考勤装置的组成结构示意图，如图9所示，所述装置900包括：

图像采集模块901，配置为：采集至少一帧待考勤图像；

图像处理模块902，配置为：对所述待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合；

对象识别模块903，配置为：对所述目标区域集合中的每一目标对象进行识别，得到所述待考勤图像对应的身份信息集合；

考勤结果生成模块904，配置为：基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

在其他实施例中，所述图像处理模块902，包括：

分区处理子模块，配置为：对所述待考勤图像进行分区，得到图像区域集合，所述图像区域集合中的图像区域至少包括一个目标对象；

放大处理子模块，配置为：对所述图像区域集合中的图像区域进行放大，得到符合预定识别条件的目标区域集合。

在其他实施例中，所述分区处理子模块，配置为：根据所述待考勤图像中每一目标对象在所述待考勤图像上的位置，对所述待考勤图像进行分区，得到图像区域集合。

在其他实施例中，所述放大处理子模块，配置为：将所述图像区域中每一所述目标对象的尺寸放大至预设尺寸，得到目标区域集合。

在其他实施例中，所述分区处理子模块包括：

尺寸确定单元，配置为：基于每一所述目标对象在所述待考勤图像上的位置，确定所述目标对象的尺寸；

分区处理单元，配置为：基于每一所述目标对象的尺寸，对所述待考勤图像进行分区，得到图像区域集合。

在其他实施例中，所述放大处理子模块包括：

放大倍数确定单元，配置为：基于每一所述图像区域中的每一目标对象的尺寸，确定与所述图像区域对应的放大倍数；

放大处理单元，配置为：基于每一所述图像区域的放大倍数，对与所述放大倍数对应的图像区域进行放大，得到目标区域集合。

在其他实施例中，所述放大倍数确定单元，配置为：基于所述图像区域中的每一目标对象的尺寸，确定所述图像区域中的目标对象的平均尺寸；基于所述图像区域中的目标对象的平均尺寸，从所述图像区域集合中确定基准图像区域；确定所述基准图像区域的目标对象的平均尺寸，与所述图像区域中目标对象的平均尺寸之间的比例；基于所述比例，确定所述图像区域的放大倍数。

在其他实施例中，所述图像采集模块配置为：将待考勤图像的初始采集时刻到当前时刻之间的时长，确定为考勤时长；基于每一待考勤图像对应的身份信息集合，确定目标对象数目；如果所述考勤时长小于预设时长，且所述目标对象数目小于预设数目，重新采集至少一帧待考勤图像。

在其他实施例中，所述考勤结果生成模块904，配置为：如果所述考勤时长小于预设时长，且所述目标对象数目等于预设数目，基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果；如果所述考勤时长大于等于预设时长，基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

在其他实施例中，所述装置还包括：发送模块905，配置为：将所述考勤结果发送给管理平台。

在其他实施例中，所述对象识别模块903，包括：

对象识别子模块，配置为：对所述目标区域集合中的每一所述目标对象进行识别，得到与所述目标对象对应的第一特征数据；

身份确定子模块，配置为：基于每一所述目标对象的第一特征数据和预设的特征数据库，确定与所述目标对象对应的身份信息，得到所述待考勤图像对应的身份信息集合。

在其他实施例中，所述身份确定子模块包括：

特征确定单元，配置为：从预设的特征数据库中，确定与每一第一特征数据相匹配的第二特征数据；

身份确定单元，配置为：基于每一相匹配的第二特征数据，从所述特征数据库中获取与所述第二特征数据对应的身份信息，得到所述待考勤图像对应的身份信息集合。

在其他实施例中，所述装置还包括信息载入模块904和信息存储模块905；其中，

所述信息载入模块904，配置为：载入所述对象集合上记录的每一考勤对象的特征图片、每一考勤对象的名称和身份标识；其中，所述身份标识用于唯一标识所述考勤对象；

所述对象识别模块903，配置为：对每一所述特征图片进行识别，得到与所述考勤对象对应的第二特征数据；

所述信息存储模块905，配置为：将每一考勤对象的名称、第二特征数据和身份标识保存在预设的特征数据库中。

在其他实施例中，所述身份确定单元，包括：

身份标识获取子单元，配置为基于每一相匹配的第二特征数据，从所述特征数据库所记载的身份标识中，获取与所述第二特征数据对应的目标身份标识；

对象名称获取子单元，配置为：基于每一所述目标身份标识，从所述特征数据库中获取与所述目标身份标识对应的目标对象名称；

身份信息确定子单元，配置为：将获取的所述待考勤图像中每一目标对象的目标身份标识和目标对象名称，确定为与所述目标对象对应的身份信息，得到与所述待考勤图像对应的身份信息集合。

在其他实施例中，所述信息存储模块905配置为：将每一考勤对象的第二特征数据和身份标识，存储在所述特征数据库中；以每一身份标识为键值，将每一所述键值和与所述键值对应的考勤对象名称写入哈希表，所述哈希表存储在所述特征数据库中。

在其他实施例中，所述对象名称获取子单元，配置为：以每一所述目标身份标识为键值，访问所述哈希表，获取与所述目标身份标识对应的目标对象名称。

在其他实施例中，所述目标对象为人脸。

以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的考勤方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关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中，包括若干指令用以使得一台电子设备执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。

对应地，本申请实施例提供一种电子设备，图10为本申请实施例电子设备的一种硬件实体示意图，如图10所示，该电子设备100的硬件实体包括：包括存储器1001和处理器1002，所述存储器1001存储有可在处理器1002上运行的计算机程序，所述处理器1002执行所述程序时实现上述实施例中提供的考勤方法中的步骤。

存储器1001配置为存储由处理器1002可执行的指令和应用，还可以缓存待处理器1002以及电子设备100中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(RandomAccessMemory，RAM)实现。

对应地，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例提供的考勤方法中的步骤。

这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程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，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ReadOnly Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关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中，包括若干指令用以使得一台电子设备执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种考勤方法，其特征在于，所述方法包括：

采集至少一帧待考勤图像；

对所述待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合；

对所述目标区域集合中的每一目标对象进行识别，得到与所述待考勤图像对应的身份信息集合；

基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

2.根据权利要求1所述的方法，其特征在于，所述对所述待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合，包括：

对所述待考勤图像进行分区，得到图像区域集合，所述图像区域集合中的图像区域至少包括一个目标对象；

对所述图像区域集合中的图像区域进行放大，得到符合预定识别条件的目标区域集合。

3.根据权利要求2所述的方法，其特征在于，所述对所述待考勤图像进行分区，得到图像区域集合，包括：

根据所述待考勤图像中每一目标对象在所述待考勤图像上的位置，对所述待考勤图像进行分区，得到图像区域集合。

4.根据权利要求2所述的方法，其特征在于，所述对所述图像区域集合中的图像区域进行放大，得到符合预定识别条件的目标区域集合，包括：

将所述图像区域中每一所述目标对象的尺寸放大至预设尺寸，得到目标区域集合。

5.根据权利要求3所述的方法，其特征在于，所述根据所述待考勤图像中每一目标对象在所述待考勤图像上的位置，对所述待考勤图像进行分区，得到图像区域集合，包括：

基于每一所述目标对象在所述待考勤图像上的位置，确定所述目标对象的尺寸；

基于每一所述目标对象的尺寸，对所述待考勤图像进行分区，得到图像区域集合。

6.根据权利要求5所述的方法，其特征在于，所述对所述图像区域集合中的图像区域进行放大，得到符合预定识别条件的目标区域集合，包括：

基于每一所述图像区域中的每一目标对象的尺寸，确定与所述图像区域对应的放大倍数；

基于每一所述图像区域的放大倍数，对与所述放大倍数对应的图像区域进行放大，得到目标区域集合。

7.根据权利要求6所述的方法，其特征在于，所述基于每一所述图像区域中的每一目标对象的尺寸，确定与所述图像区域对应的放大倍数，包括：

基于所述图像区域中的每一目标对象的尺寸，确定所述图像区域中的目标对象的平均尺寸；

基于所述图像区域中的目标对象的平均尺寸，从所述图像区域集合中确定基准图像区域；

确定所述基准图像区域的目标对象的平均尺寸，与所述图像区域中目标对象的平均尺寸之间的比例；基于所述比例，确定所述图像区域的放大倍数。

8.一种考勤装置，其特征在于，包括：

图像采集模块，配置为：采集至少一帧待考勤图像；

图像处理模块，配置为：对所述待考勤图像进行自适应分区处理，得到符合预定识别条件的目标区域集合；

对象识别模块，配置为：对所述目标区域集合中的每一目标对象进行识别，得到与所述待考勤图像对应的身份信息集合；

考勤结果生成模块，配置为：基于预设的对象集合和每一待考勤图像对应的身份信息集合，生成考勤结果。

9.一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项所述考勤方法中的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项考勤方法中的步骤。