考勤不是非得按指纹 刷脸操作更亲民!

日复一日准时准点地按指纹打卡,你是否也感到厌倦了?定点打卡限制自由,排队等候消磨精力,这样的开头如何能够唤醒一整天的活力呢?如果我们每天上班前可以把打卡的时间用来美美地自拍一张,是不是更容易拥有好心情呢?


可是打卡和自拍这两件事情天南地北的,放在一起比较似乎有些牵强吧。其实不然,随着人脸识别技术的成熟,刷脸相关应用已经大量投入市场使用,刷脸考勤便是其中一项。也就是说,人脸识别技术让自拍打卡成为一件可实现的事情,只要公司所使用的考勤机带有人脸识别技术,员工便可以通过自拍来打卡。如果你对打卡的印象还停留在规规矩矩按指纹这种方式上,那只能说明你out了。


前段时间,和朋友聊天时,提到了打卡这件事。朋友表示自从公司的考勤机器更新换代之后,他对打卡就不那么排斥了。目前,他们所使用的考勤机器是来自厦门云脉出品的人脸识别移动考勤。移动考勤的意思是员工可以直接在自己的手机上刷脸打卡,只要进入公司范围内,无论你处于哪个方位,都可以使用手机打卡,只要你高兴,厕所也可以成为你的打卡地点呢!

 


据了解,云脉人脸识别移动考勤系统可以按照公司的需求结合在APP、微信小程序或者公众号上使用,员工初次操作时需要配合系统录入人脸图像,即根据系统提示完成活体检测操作,其实步骤十分简单,就像和手机玩一个头部运动小游戏一样,系统会发出抬头、点头、张嘴、闭眼之类的指示,员工按照指示完成相应动作即可。


这一步骤其实是为了全方位或许员工的脸部图像,以便提升员工打卡时的速度和准确率,也为了防止一些不务正业的员工使用不入流的“小手段”代打卡。据有关数据显示,云脉的人脸识别技术识别率高于平均水平,识别速度也是秒级的,这对员工来说方便了许多。只要不整容,无论你化妆、戴眼镜、戴帽子啥的,系统都能够准确地辨认出你的身份。

 


假如员工在临近上下班是忘记给手机充电,也可以借用同事的手机登录自己的账号进行打卡,或者直接“大摇大摆”地通过公司大门,前台的摄像机也会自动获取你的人脸图像,为你记录上下班时间,并且同步将时间发送至你的系统上。如此一来,只要你有经过公司大门,就不会发生漏打卡这件事情,前台的摄像头就是一个打卡的好助手啊。


所以说,考勤不是非得定点按指纹啊,如今可是人工智能时代,各种设备都在不断地推陈出新,人脸识别考勤打卡显然更加亲民,更加便捷。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值