本發(fā)明涉及智能識別技術(shù)領(lǐng)域，尤其是涉及一種不易作弊、識別率高、成本低的基于凈水器的考勤方法。

背景技術(shù)：

智能打卡管理系統(tǒng)是一套管理公司的員工的上下班打卡記錄等相關(guān)情況的管理系統(tǒng)，是打卡軟件與打卡硬件相結(jié)合的產(chǎn)品，一般為HR部門使用，掌握并管理企業(yè)的員工出勤動態(tài)。

常用的智能打卡系統(tǒng)包括指紋打卡系統(tǒng)和人臉識別打卡系統(tǒng)，但是存在如下缺點(diǎn)：

智能人臉識別打卡系統(tǒng)針對于長相相似的兩個人無法進(jìn)行有效的識別；人臉識別成功率受到較多因素限制，如：體型變化導(dǎo)致臉型變化時則會導(dǎo)致識別出錯，更換發(fā)型及戴帽子也可能導(dǎo)致識別失敗，如果更換用戶識別信息則需要人力進(jìn)行數(shù)據(jù)更換，增加了人力成本；

指紋識別要求手指清潔，有水漬、油污都會導(dǎo)致指紋無法識別，指紋識別對錄入指紋的指紋完整度有較高要求，并且指紋識別可代替性較高，市場上有很多指紋識別套可以代替打卡；現(xiàn)有識別度較高的虹膜識別打卡的成本較高，無法得到廣泛推廣。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的發(fā)明目的是為了克服現(xiàn)有技術(shù)中的打卡方法容易作弊，成本高的不足，提供了一種不易作弊、識別率高、成本低的基于凈水器的考勤方法。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

一種基于凈水器的考勤方法，包括設(shè)于凈水器上的控制器、存儲器、紅外溫度傳感器、第一攝像機(jī)和用于紅外熱成像的第二攝像機(jī)；設(shè)于用戶的座椅上的壓力傳感器和報(bào)警器，控制器分別與紅外溫度傳感器、第一攝像機(jī)、第二攝像機(jī)、存儲器、服務(wù)器、壓力傳感器和報(bào)警器電連接；包括如下步驟：

(1-1)存儲器中設(shè)有上班時刻t1和下班時刻t2，壓力傳感器檢測用戶對座椅的壓力，當(dāng)用戶每天在[t1-e1，t1+e1]的時間范圍內(nèi)第一次坐到座椅上時，控制器控制報(bào)警器報(bào)警，提醒用戶去凈水器處打卡；當(dāng)用戶每天在[t2-e1，t2+e1]的時間范圍內(nèi)離開座椅時，控制器控制報(bào)警器報(bào)警，提醒用戶去凈水器處打卡；

(1-2)用戶每次靠近凈水器時，控制器獲得紅外溫度傳感器檢測的人體信號；控制器控制第一攝像機(jī)和第二攝像機(jī)開始工作，第一攝像機(jī)和第二攝像機(jī)采集用戶圖像；

(1-3)存儲器中設(shè)有包括所有注冊用戶的特征點(diǎn)集合和關(guān)鍵點(diǎn)集合的數(shù)據(jù)庫，控制器從第一攝像機(jī)拍攝的圖像中獲得用戶的各個特征點(diǎn)，將用戶的各個特征點(diǎn)與數(shù)據(jù)庫中的所有用戶的特征點(diǎn)集合進(jìn)行比對，選定正確匹配的特征點(diǎn)；

控制器從第二攝像機(jī)拍攝的圖像中獲得用戶的各個關(guān)鍵點(diǎn)，將用戶的各個關(guān)鍵點(diǎn)與數(shù)據(jù)庫中的所有用戶的關(guān)鍵點(diǎn)集合進(jìn)行比對，選定正確匹配的關(guān)鍵點(diǎn)；

(1-4)控制器計(jì)算綜合識別率γ；

當(dāng)γ≥W，則控制器找到數(shù)據(jù)庫中與γ對應(yīng)的使用者的名稱，將使用者名稱傳遞給服務(wù)器，服務(wù)器存儲當(dāng)前時間、綜合識別率γ和使用者名稱；

(1-5)服務(wù)器將每個用戶在一天中第一次被識別的時間作為上班打卡時間，將每個用戶在一天中最后一次被識別的時間作為下班打卡時間，將上班打卡時間、下班打卡時間分別與上班時刻和下班時刻做比較，計(jì)算出用戶每天是否遲到、早退和加班并存儲在服務(wù)器中。

本發(fā)明基于智能凈水器實(shí)現(xiàn)了用戶身份識別及打卡的功能，當(dāng)用戶靠近凈水器時，獲得紅外溫度傳感器檢測的人體信號；第一攝像機(jī)和第二攝像機(jī)采集用戶圖像；存儲器中設(shè)有包括所有注冊用戶的特征點(diǎn)集合和關(guān)鍵點(diǎn)集合的數(shù)據(jù)庫，控制器進(jìn)行關(guān)鍵點(diǎn)識別及匹配特征點(diǎn)識別及匹配，最終識別用戶并自動考勤。

本發(fā)明將識別系統(tǒng)與凈水器相結(jié)合，是基于時長一個月的市場調(diào)研，經(jīng)過研究發(fā)現(xiàn)，員工、白領(lǐng)等商務(wù)人群平均每日工作時間內(nèi)在門口停留時間為2分鐘次數(shù)為6次，在打卡機(jī)前停留時間為2分鐘次數(shù)為2次，在凈水器旁停留時間為16分鐘次數(shù)為8次，在工位上停留時間為6小時次數(shù)為10次，通過調(diào)研數(shù)據(jù)發(fā)現(xiàn)，除去每天在工位前的工作時間外，凈水器前停留次數(shù)和停留時間都占較高比例，本發(fā)明將智能識別系統(tǒng)與凈水器相結(jié)合，能夠有效增加識別度，降低人工維護(hù)成本；

本發(fā)明提高了管理工作的便利性，降低了人工維護(hù)成本，提升了用戶體驗(yàn)度；具有更高的識別度，在應(yīng)用范圍內(nèi)可以達(dá)到百分之99的識別準(zhǔn)確率；本發(fā)明無需用戶進(jìn)行按壓等刻意識別操作，在用戶每天早上接水時就可以實(shí)現(xiàn)智能識別，識別更為便捷；與高識別度的虹膜識別相比，凈水器智能識別系統(tǒng)具有成本低、應(yīng)用范圍廣的優(yōu)點(diǎn)，更便于公司等商務(wù)場合使用。

作為優(yōu)選，步驟(1-4)包括如下步驟：

利用公式計(jì)算特征點(diǎn)識別率γ₁，其中，n1為累計(jì)正確匹配的特征點(diǎn)數(shù)，N1為特征點(diǎn)集合的特征點(diǎn)總數(shù)，K1為每個特征點(diǎn)的特征數(shù)；

利用公式計(jì)算關(guān)鍵點(diǎn)識別率γ₂，其中，n2為累計(jì)正確匹配的特征點(diǎn)數(shù)，N2為關(guān)鍵點(diǎn)集合的關(guān)鍵點(diǎn)總數(shù)，K2為每個特征點(diǎn)的特征數(shù)；

控制器利用公式計(jì)算綜合識別率γ；其中，k₁、k₂為設(shè)定的加權(quán)系數(shù)。

作為優(yōu)選，當(dāng)γ＜W，控制器做出所述用戶為非注冊用戶的判斷；

控制器將從第一攝像機(jī)拍攝的圖像中獲得的各個特征點(diǎn)和從第二攝像機(jī)拍攝的圖像中獲得的各個關(guān)鍵點(diǎn)發(fā)送給服務(wù)器，服務(wù)器產(chǎn)生一個非注冊用戶的編號，并且將非注冊用戶的編號與當(dāng)前時間、各個特征點(diǎn)和各個關(guān)鍵點(diǎn)關(guān)聯(lián)存儲。

作為優(yōu)選，各個關(guān)鍵點(diǎn)所處的范圍為用戶臉部上至發(fā)際線，下至下巴最低點(diǎn)，左右至耳朵邊沿點(diǎn)；包括7個區(qū)域，7個區(qū)域分別為前額區(qū)域、左眼區(qū)域、右眼區(qū)域、鼻子區(qū)域、左臉區(qū)域、右臉區(qū)域和鼻子下巴區(qū)域；左眼區(qū)域、右眼區(qū)域中的關(guān)鍵點(diǎn)對稱選取，左臉區(qū)域、右臉區(qū)域中的關(guān)鍵點(diǎn)對稱選取。

作為優(yōu)選，各個特征點(diǎn)位于人臉三角區(qū)，特征點(diǎn)為30個。

作為優(yōu)選，所述控制器從第一攝像機(jī)拍攝的圖像中獲得用戶的各個特征點(diǎn)，將用戶的各個特征點(diǎn)與數(shù)據(jù)庫中的所有用戶的特征點(diǎn)集合進(jìn)行比對，選定正確匹配的特征點(diǎn)包括如下步驟：

(6-1)對于第一攝像機(jī)拍攝的圖像I(x，y)，利用公式G(i)＝|[f(i-1，j-1)+f(i-1，j)+f(i-1，j+1)]-[f(i+1，j-1)+f(i+1，j)+f(i+1，j+1)]|和

G(j)＝|[f(i-1，j+1)+f(i，j+1)+f(i+1，j+1)]-[f(i-1，j-1)+f(i，j-1)+f(i+1，j-1)]|計(jì)算圖像I(x，y)中每個像素點(diǎn)(l，j)的鄰域卷積G(i)，G(j)，

設(shè)定P(i，j)＝max[G(i)，G(j)]，選定P(i，j)為圖像邊緣點(diǎn)；

(6-2)對于第一攝像機(jī)拍攝的圖像I(x，y)，利用公式L(x，y，σ)＝g(x，y，σ)×I(x，y)構(gòu)建尺度空間圖像L(x，y，σ)，g(x，y，σ)是尺度高斯可變函數(shù)，(x，y)是空間坐標(biāo)，σ為圖像平滑度；

(6-3)利用公式

D(x，y，σ)＝(g(x，y，kσ)-g(x，y，σ))×I(x，y)＝L(x，y，kσ)-L(x，y，σ)計(jì)算高斯差分尺度空間D(x，y，σ)；k為相鄰尺度空間倍數(shù)的常數(shù)；

對于圖像I(x，y)中的每個像素，依次建立s層個長寬分別減半的子八度圖像，其中，第一層子八度圖像為原圖；

(6-4)將每個像素點(diǎn)的D(x，y，σ)與其相鄰像素點(diǎn)的D(x，y，σ)進(jìn)行比較，如果所述像素點(diǎn)的D(x，y，σ)在本層以及上下兩層的各個領(lǐng)域中是最大或最小值時，取該像素點(diǎn)為特征點(diǎn)；

(6-5)獲得由各個選定的特征點(diǎn)構(gòu)成的dog圖，對dog圖進(jìn)行低通濾波；去除dog圖中邊緣點(diǎn)之外的各個點(diǎn)，得到二維點(diǎn)圖；

(6-6)利用公式

和θ(x，y)＝arc tan((L(x，y+1)-L(x，y-1))/(L(x+1，y)-L(x-1，y)))計(jì)算每個特征點(diǎn)的模值m(x，y)和角度θ(x，y)，設(shè)定每個特征點(diǎn)的尺度為其所在的子八度圖像的層數(shù)；設(shè)定每個特征點(diǎn)的模值、角度和尺度為特征點(diǎn)的特征1、特征2和特征3；L(x+1，y)特征點(diǎn)(x+1，y)的尺度；

(6-7)將每個特征點(diǎn)A1的3個特征與數(shù)據(jù)庫中所有的特征點(diǎn)集合的每個特征點(diǎn)的3個特征分別進(jìn)行比較，在特征點(diǎn)集合中找出與A1最相近特征點(diǎn)B1和次相近的特征點(diǎn)C1；

設(shè)定特征點(diǎn)A1和B1的特征1的差值為a11，設(shè)定特征點(diǎn)A1和C1的特征1的差值為b11；

設(shè)定特征點(diǎn)A1和B1的特征2的差值為a12，設(shè)定特征點(diǎn)A1和C1的特征1的差值為b12；

設(shè)定特征點(diǎn)A1和B1的特征32的差值為a13，設(shè)定特征點(diǎn)A1和C1的特征1的差值為b13；

當(dāng)并且并且ratio為設(shè)定的比率閾值；

則選定特征點(diǎn)B1為正確匹配點(diǎn)。

作為優(yōu)選，控制器從第二攝像機(jī)拍攝的圖像中獲得用戶的各個關(guān)鍵點(diǎn)，將用戶的各個關(guān)鍵點(diǎn)與數(shù)據(jù)庫中的所有用戶的關(guān)鍵點(diǎn)集合進(jìn)行比對，選定正確匹配的關(guān)鍵點(diǎn)包括如下步驟：

(7-1)設(shè)定f(i，j)為第二攝像機(jī)拍攝的圖像中(i，j)點(diǎn)的灰度值，以(i，j)點(diǎn)為中心在圖像中取一個N′×N′的窗口，設(shè)定窗口內(nèi)像素組成的點(diǎn)集為A′，利用公式進(jìn)行濾波，得到去燥后的圖像g(i，j)；

(7-2)用N′×N′的窗口在圖像上滑動，把窗口中所有像素的灰度值按升次序排列，取排列在正中間的灰度值作為窗口中心像素點(diǎn)的灰度值；

(7-3)利用公式對圖像f(x，y)進(jìn)行邊緣檢測，得到邊緣點(diǎn)h(x，y)；

(7-4)對于第二攝像機(jī)拍攝的圖像f(x，y)，利用公式L′(x，y，σ)＝g(x，y，σ)×f(x，y)構(gòu)建尺度空間圖像L′(x，y，σ)，g(x，y，σ)是尺度高斯可變函數(shù)，(x，y)是空間坐標(biāo)，σ為圖像平滑度；

(7-5)利用公式

D′(x，y，σ)＝(g(x，y，kσ)-g(x，y，σ))×f(x，y)＝L′(x，y，kσ)-L′(x，y，σ)計(jì)算高斯差分尺度空間D′(x，y，σ)；

對于圖像f(x，y)中的每個像素，依次建立s層長寬分別減半的子八度圖像，其中，第一層子八度圖像的為原圖；

(7-6)將每個像素點(diǎn)的D′(x，y，σ)與其相鄰像素點(diǎn)的D′(x，y，σ)進(jìn)行比較，如果所述像素點(diǎn)的D′(x，y，σ)在本層以及上下兩層的各個鄰域中是最大或最小值時，取該像素點(diǎn)為關(guān)鍵點(diǎn)；

(7-7)獲得由各個選定的關(guān)鍵點(diǎn)構(gòu)成的dog圖，對dog圖進(jìn)行低通濾波；去除dog圖中邊緣點(diǎn)之外的各個點(diǎn)，得到二維點(diǎn)圖；

(7-8)利用公式

和θ(x，y)＝arc tan2((L(x，y+1)-L(x，y-1))/(L(x+1，y)-L(x-1，y)))計(jì)算每個關(guān)鍵點(diǎn)的模值m(x，y)和角度θ(x，y)，L(x+1，y)為關(guān)鍵點(diǎn)(x+1，y)的尺度；設(shè)定每個關(guān)鍵點(diǎn)的模值、角度和尺度為關(guān)鍵點(diǎn)的特征1、特征2和特征3；

(7-9)將每個關(guān)鍵點(diǎn)A2的3個特征與數(shù)據(jù)庫中所有的關(guān)鍵點(diǎn)集合的每個特征點(diǎn)的3個特征分別進(jìn)行比較，在關(guān)鍵點(diǎn)集合中找出與A最相近關(guān)鍵點(diǎn)B2和次相近的關(guān)鍵點(diǎn)C2；

設(shè)定關(guān)鍵點(diǎn)A2和B2的特征1的差值為a21，設(shè)定關(guān)鍵點(diǎn)A2和C2的特征1的差值為b21；

設(shè)定關(guān)鍵點(diǎn)A2和B2的特征2的差值為a22，設(shè)定關(guān)鍵點(diǎn)A2和C2的特征1的差值為b22；

設(shè)定關(guān)鍵點(diǎn)A2和B2的特征32的差值為a23，設(shè)定關(guān)鍵點(diǎn)A2和C2的特征1的差值為b23；

當(dāng)并且并且ratio為設(shè)定的比率閾值；

則選定關(guān)鍵點(diǎn)B2為正確匹配點(diǎn)。

作為優(yōu)選，還包括如下步驟：如果在一段時間內(nèi)，某使用者的識別率γ持續(xù)下降達(dá)到30次，則用最后一次識別的所有比對失敗的特征點(diǎn)、關(guān)鍵點(diǎn)替換數(shù)據(jù)庫中相應(yīng)的特征點(diǎn)、關(guān)鍵點(diǎn)。

作為優(yōu)選，在步驟(6-1)之前對I(x，y)進(jìn)行如下處理：

利用公式R＝1.164(Y-16)+1.596(Cr-128)，

G＝1.164(Y-16)-0.813(Cr-128)-0.392(Cb-128)，

B＝1.164(Y-16)+2.017(Cb-128)，

將YCrCh格式的I(x，y)轉(zhuǎn)換為rgb彩色圖像；

利用公式Gray＝0.229R+0.587G+0.11B將rgb彩色圖像轉(zhuǎn)化為黑白圖像I′(x，y)；其中，R為紅色分量，G為綠色分量，B為藍(lán)色分量；

利用公式g(x，y)＝{[I(x，y)-m]×sv}/v+sm對黑白圖像做灰度歸一化：

其中，m黑白圖像的灰度均值，v是黑白圖像的方差，sm是設(shè)定的歸一化參數(shù)，sv是設(shè)定的方差參數(shù)。

因此，本發(fā)明具有如下有益效果：識別率高、適用性強(qiáng)，成本低，提高了管理便利性。

附圖說明

圖1是本發(fā)明的一種流程圖；

圖2是本發(fā)明的一種關(guān)鍵點(diǎn)集合圖；

圖3是本發(fā)明的一種特征點(diǎn)集合圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明做進(jìn)一步的描述。

如圖1所示的實(shí)施例是一種基于凈水器的考勤方法，包括設(shè)于凈水器上的控制器、存儲器、紅外溫度傳感器、第一攝像機(jī)和用于紅外熱成像的第二攝像機(jī)；設(shè)于用戶的座椅上的壓力傳感器和報(bào)警器，控制器分別與紅外溫度傳感器、第一攝像機(jī)、第二攝像機(jī)、存儲器、服務(wù)器、壓力傳感器和報(bào)警器電連接；包括如下步驟：

步驟100，打卡提醒

存儲器中設(shè)有上班時刻t1和下班時刻t2，壓力傳感器檢測用戶對座椅的壓力，當(dāng)用戶每天在[t1-e1，t1+e1]的時間范圍內(nèi)第一次坐到座椅上時，控制器控制報(bào)警器報(bào)警，提醒用戶去凈水器處打卡；當(dāng)用戶每天在[t2-e1，t2+e1]的時間范圍內(nèi)離開座椅時，控制器控制報(bào)警器報(bào)警，提醒用戶去凈水器處打卡；e1為30分鐘，t1為8：30，t2為17：00。

步驟200，人體檢測及圖像采集

用戶每次靠近凈水器時，控制器獲得紅外溫度傳感器檢測的人體信號；控制器控制第一攝像機(jī)和第二攝像機(jī)開始工作，第一攝像機(jī)和第二攝像機(jī)采集用戶圖像；

步驟300，特征點(diǎn)及關(guān)鍵點(diǎn)的識別及匹配

存儲器中設(shè)有包括所有注冊用戶的特征點(diǎn)集合和關(guān)鍵點(diǎn)集合的數(shù)據(jù)庫，控制器從第一攝像機(jī)拍攝的圖像中獲得用戶的各個特征點(diǎn)，將用戶的各個特征點(diǎn)與數(shù)據(jù)庫中的所有用戶的特征點(diǎn)集合進(jìn)行比對，選定正確匹配的特征點(diǎn)；

具體步驟如下：

步驟310，控制器從第一攝像機(jī)拍攝的圖像中獲得用戶的各個特征點(diǎn)，

對于第一攝像機(jī)拍攝的圖像I(x，y)進(jìn)行如下處理：

利用公式R＝1.164(Y-16)+1.596(Cr-128)

G＝1.164(Y-16)-0.813(Cr-128)-0.392(Cb-128)

B＝1.164(Y-16)+2.017(Cb-128)

將YCrCh格式的I(x，y)轉(zhuǎn)換為rgb彩色圖像；

利用公式Gray＝0.229R+0.587G+0.11B將rgb彩色圖像轉(zhuǎn)化為黑白圖像；其中，R為紅色分量，G為綠色分量，B為藍(lán)色分量；

利用公式g(x，y)＝{[I(x，y)-m]×sv}/v+sm對黑白圖像做灰度歸一化：

其中，m黑白圖像的灰度均值，v是黑白圖像的方差，sm是設(shè)定的歸一化參數(shù)，sv是設(shè)定的方差參數(shù)。

步驟311，對于第一攝像機(jī)拍攝的圖像I(x，y)，利用公式

G(i)＝|[f(i-1，j-1)+f(i-1，j)+f(i-1，j+1)]-[f(i+1，j-1)+f(i+1，j)+f(i+1，j+1)]|和

G(j)＝|[f(i-1，j+1)+f(i，j+1)+f(i+1，j+1)]-[f(i-1，j-1)+f(i，j-1)+f(i+1，j-1)]|計(jì)算圖像I(x，y)中每個像素點(diǎn)(l，j)的鄰域卷積G(i)，G(j)，

設(shè)定P(i，j)＝max[G(i)，G(j)]，選定P(i，j)為圖像邊緣點(diǎn)；

步驟312，對于第一攝像機(jī)拍攝的圖像I(x，y)，利用公式L(x，y，σ)＝g(x，y，σ)×I(x，y)構(gòu)建尺度空間圖像L(x，y，σ)，g(x，y，σ)是尺度高斯可變函數(shù)，(x，y)是空間坐標(biāo)，σ為圖像平滑度；

步驟313，利用公式

D(x，y，σ)＝(g(x，y，kσ)-g(x，y，σ))×I(x，y)＝L(x，y，kσ)-L(x，y，σ)計(jì)算高斯差分尺度空間D(x，y，σ)；k為相鄰尺度空間倍數(shù)的常數(shù)；

對于圖像I(x，y)中的每個像素，依次建立s層個長寬分別減半的子八度圖像，其中，第一層子八度圖像為原圖；

步驟314，將每個像素點(diǎn)的D(x，y，σ)與其相鄰像素點(diǎn)的D(x，y，σ)進(jìn)行比較，如果所述像素點(diǎn)的D(x，y，σ)在本層以及上下兩層的各個領(lǐng)域中是最大或最小值時，取該像素點(diǎn)為特征點(diǎn)；

步驟315，獲得由各個選定的特征點(diǎn)構(gòu)成的dog圖，對dog圖進(jìn)行低通濾波；去除dog圖中邊緣點(diǎn)之外的各個點(diǎn)，得到二維點(diǎn)圖；

步驟316，利用公式

和θ(x，y)＝arc tan((L(x，y+1)-L(x，y-1))/(L(x+1，y)-L(x-1，y)))計(jì)算每個特征點(diǎn)的模值m(x，y)和角度θ(x，y)，設(shè)定每個特征點(diǎn)的尺度為其所在的子八度圖像的層數(shù)；設(shè)定每個特征點(diǎn)的模值、角度和尺度為特征點(diǎn)的特征1、特征2和特征3；L(x+1，y)特征點(diǎn)(x+1，y)的尺度；

步驟317，將每個特征點(diǎn)A1的3個特征與數(shù)據(jù)庫中所有的特征點(diǎn)集合的每個特征點(diǎn)的3個特征分別進(jìn)行比較，在特征點(diǎn)集合中找出與A1最相近特征點(diǎn)B1和次相近的特征點(diǎn)C1；

設(shè)定特征點(diǎn)A1和B1的特征1的差值為a11，設(shè)定特征點(diǎn)A1和C1的特征1的差值為b11；

設(shè)定特征點(diǎn)A1和B1的特征2的差值為a12，設(shè)定特征點(diǎn)A1和C1的特征1的差值為b12；

設(shè)定特征點(diǎn)A1和B1的特征32的差值為a13，設(shè)定特征點(diǎn)A1和C1的特征1的差值為b13；

當(dāng)并且并且ratio為設(shè)定的比率閾值；

則選定特征點(diǎn)B1為正確匹配點(diǎn)；

步驟320，關(guān)鍵點(diǎn)識別及匹配

控制器從第二攝像機(jī)拍攝的圖像中獲得用戶的各個關(guān)鍵點(diǎn)，將用戶的各個關(guān)鍵點(diǎn)與數(shù)據(jù)庫中的所有用戶的關(guān)鍵點(diǎn)集合進(jìn)行比對，選定正確匹配的關(guān)鍵點(diǎn)；

具體步驟如下：

步驟321，設(shè)定f(i，j)為第二攝像機(jī)拍攝的圖像中(i，j)點(diǎn)的灰度值，以(i，j)點(diǎn)為中心在圖像中取一個N′×N′的窗口，設(shè)定窗口內(nèi)像素組成的點(diǎn)集為A′，利用公式進(jìn)行濾波，得到去燥后的圖像g(i，j)；

步驟322，用N′×N′的窗口在圖像上滑動，把窗口中所有像素的灰度值按升次序排列，取排列在正中間的灰度值作為窗口中心像素點(diǎn)的灰度值；

步驟323，利用公式對圖像f(x，y)進(jìn)行邊緣檢測，得到邊緣點(diǎn)h(x，y)；

步驟324，對于第二攝像機(jī)拍攝的圖像f(x，y)，利用公式L′(x，y，σ)＝g(x，y，σ)×f(x，y)構(gòu)建尺度空間圖像L′(x，y，σ)，g(x，y，σ)是尺度高斯可變函數(shù)，(x，y)是空間坐標(biāo)，σ為圖像平滑度；

步驟325，利用公式

D′(x，y，σ)＝(g(x，y，kσ)-g(x，y，σ))×f(x，y)＝L′(x，y，kσ)-L′(x，y，σ)計(jì)算高斯差分尺度空間D′(x，y，σ)；

對于圖像f(x，y)中的每個像素，依次建立s層長寬分別減半的子八度圖像，其中，第一層子八度圖像的為原圖；

步驟326，將每個像素點(diǎn)的D′(x，y，σ)與其相鄰像素點(diǎn)的D′(x，y，σ)進(jìn)行比較，如果所述像素點(diǎn)的D′(x，y，σ)在本層以及上下兩層的各個鄰域中是最大或最小值時，取該像素點(diǎn)為關(guān)鍵點(diǎn)；

步驟327，獲得由各個選定的關(guān)鍵點(diǎn)構(gòu)成的dog圖，對dog圖進(jìn)行低通濾波；去除dog圖中邊緣點(diǎn)之外的各個點(diǎn)，得到二維點(diǎn)圖；

步驟328，利用公式

和θ(x，y)＝arc tan2((L(x，y+1)-L(x，y-1))/(L(x+1，y)-L(x-1，y)))計(jì)算每個關(guān)鍵點(diǎn)的模值m(x，y)和角度θ(x，y)，L(x+1，y)為關(guān)鍵點(diǎn)(x+1，y)的尺度；設(shè)定每個關(guān)鍵點(diǎn)的模值、角度和尺度為關(guān)鍵點(diǎn)的特征1、特征2和特征3；

步驟329，將每個關(guān)鍵點(diǎn)A2的3個特征與數(shù)據(jù)庫中所有的關(guān)鍵點(diǎn)集合的每個特征點(diǎn)的3個特征分別進(jìn)行比較，在關(guān)鍵點(diǎn)集合中找出與A最相近關(guān)鍵點(diǎn)B2和次相近的關(guān)鍵點(diǎn)C2；

設(shè)定關(guān)鍵點(diǎn)A2和B2的特征1的差值為a21，設(shè)定關(guān)鍵點(diǎn)A2和C2的特征1的差值為b21；

設(shè)定關(guān)鍵點(diǎn)A2和B2的特征2的差值為a22，設(shè)定關(guān)鍵點(diǎn)A2和C2的特征1的差值為b22；

設(shè)定關(guān)鍵點(diǎn)A2和B2的特征32的差值為a23，設(shè)定關(guān)鍵點(diǎn)A2和C2的特征1的差值為b23；

當(dāng)并且并且ratio為設(shè)定的比率閾值；

則選定關(guān)鍵點(diǎn)B2為正確匹配點(diǎn)。

步驟400，識別用戶

利用公式計(jì)算特征點(diǎn)識別率γ₁，其中，n1為累計(jì)正確匹配的特征點(diǎn)數(shù)，N1為特征點(diǎn)集合的特征點(diǎn)總數(shù)，K1為每個特征點(diǎn)的特征數(shù)；

利用公式計(jì)算關(guān)鍵點(diǎn)識別率γ₂，其中，n2為累計(jì)正確匹配的特征點(diǎn)數(shù)，N2為關(guān)鍵點(diǎn)集合的關(guān)鍵點(diǎn)總數(shù)，K2為每個特征點(diǎn)的特征數(shù)；

控制器利用公式計(jì)算綜合識別率γ；其中，k₁、k₂為設(shè)定的加權(quán)系數(shù)；

當(dāng)γ≥W，則控制器找到數(shù)據(jù)庫中與γ對應(yīng)的使用者的名稱，將使用者名稱傳遞給服務(wù)器，服務(wù)器存儲當(dāng)前時間、綜合識別率γ和使用者名稱；W為設(shè)定的標(biāo)準(zhǔn)識別率；

步驟500，考勤處理

服務(wù)器將每個用戶在一天中第一次被識別的時間作為上班打卡時間，將每個用戶在一天中最后一次被識別的時間作為下班打卡時間，將上班打卡時間、下班打卡時間分別與上班時刻和下班時刻做比較，計(jì)算出用戶每天是否遲到、早退和加班并存儲在服務(wù)器中。

當(dāng)γ＜W，控制器做出所述用戶為非注冊用戶的判斷；

控制器將從第一攝像機(jī)拍攝的圖像中獲得的各個特征點(diǎn)和從第二攝像機(jī)拍攝的圖像中獲得的各個關(guān)鍵點(diǎn)發(fā)送給服務(wù)器，服務(wù)器產(chǎn)生一個非注冊用戶的編號，并且將非注冊用戶的編號與當(dāng)前時間、各個特征點(diǎn)和各個關(guān)鍵點(diǎn)關(guān)聯(lián)存儲

如圖2所示，各個人臉關(guān)鍵點(diǎn)所處的范圍為用戶臉部上至發(fā)際線，下至下巴最低點(diǎn)，左右取耳朵邊沿點(diǎn)，四個方向?yàn)槌瞿樧畲筮吙颍诿娌孔畲筮吙騾^(qū)域進(jìn)行數(shù)據(jù)取樣，除去特征點(diǎn)區(qū)域取86點(diǎn)關(guān)鍵點(diǎn)(發(fā)際線至特征區(qū)額頭部分取22關(guān)鍵點(diǎn)(由上額發(fā)際線五點(diǎn)、上眉毛邊緣部分五點(diǎn)、左右發(fā)際線各五點(diǎn)額頭中部結(jié)合十字形取兩點(diǎn))、左臉頰部分26關(guān)鍵點(diǎn)(左臉頰由耳朵邊界線16點(diǎn)、側(cè)臉邊際8點(diǎn)、臉頰中部取上眼角下方一定距離2點(diǎn))、右臉頰部分取26關(guān)鍵點(diǎn)(右臉頰由耳朵邊界線16點(diǎn)、側(cè)臉邊際8點(diǎn)、臉頰中部取上眼角下方一定距離2點(diǎn))、下巴部分取12關(guān)鍵點(diǎn)(下巴部分由下巴邊界6點(diǎn)、嘴唇邊界2點(diǎn)、承漿及周圍3點(diǎn))。

如圖3所示，人臉特征點(diǎn)位于人臉三角區(qū)兩個眉毛中間點(diǎn)和承漿構(gòu)成的三角區(qū)和肩部兩邊界至人臉邊界區(qū)域，其中，眼睛16個特征點(diǎn)，嘴巴4個特征點(diǎn)，鼻子4個特征點(diǎn)，額頭4個特征點(diǎn)以及臉部肩部的30點(diǎn)構(gòu)成。

如果在7天內(nèi)，某使用者的綜合識別率γ持續(xù)下降達(dá)到30次，則用最后一次識別的所有比對失敗的特征點(diǎn)、關(guān)鍵點(diǎn)替換數(shù)據(jù)庫中相應(yīng)的特征點(diǎn)、關(guān)鍵點(diǎn)。ratio為0.4。

應(yīng)理解，本實(shí)施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權(quán)利要求書所限定的范圍。