一种基于多重验证的智能考勤异常识别方法和相关设备与流程

本发明涉及信息处理，尤其涉及一种基于多重验证的智能考勤异常识别方法和相关设备。

背景技术：

1、考勤管理是企事业单位规范用工、核算薪资的核心环节。随着技术演进，传统考勤方式已从刷卡、指纹逐步发展为生物识别与移动终端结合的电子考勤系统，包括面部识别、手机app打卡、wifi定位及打卡照片上传等，为员工出勤记录提供数字化手段。

2、现有考勤系统主要依赖单一技术实现：刷卡机通过磁卡/ic卡记录时间，指纹机以指纹验证身份，面部识别系统拍摄面部比对，手机app结合gps或wifi定位打卡，部分要求补充现场照片。各技术独立运行，形成多样化考勤模式。

3、然而，现有技术存在以下缺陷：单一验证手段易被针对性破解，多源考勤数据相互孤立难以交叉核验，使得考勤防作弊效果存在明显局限。

技术实现思路

1、本发明提供了一种基于多重验证的智能考勤异常识别方法和相关设备，解决了考勤单一验证易破解、多源数据难交叉核验的技术问题。

2、第一方面，本发明提供的一种基于多重验证的智能考勤异常识别方法，包括：

3、响应于员工通过移动设备发起的考勤打卡请求，获取预设时间窗口内经员工授权的多因子生物特征数据；

4、对所述多因子生物特征数据进行多源融合验证，生成身份验证结果；

5、若所述身份验证结果为身份验证通过，则获取预设考勤区域的当前图像数据和所述预设时间窗口内经员工授权的设备时空定位数据；

6、基于所述身份验证结果，对所述当前图像数据进行身份比对，生成图像核验结果；

7、基于所述身份验证结果，对所述设备时空定位数据进行多维时空校验，生成时空验证结果；

8、融合所述身份验证结果、所述时空验证结果和所述图像核验结果，生成所述考勤打卡请求的异常识别结果。

9、在一些实施例中，所述多因子生物特征数据包括面部图像数据和活体检测数据，所述对所述多因子生物特征数据进行多源融合验证，生成身份验证结果，包括：

10、调用面部识别模型，提取所述面部图像数据中的面部特征并与员工面部特征库进行比对，输出匹配的目标员工身份标识和对应的面部匹配置信度；

11、调用深度学习活体识别模型，基于所述活体检测数据，生成活体置信度；

12、若所述面部匹配置信度大于第一预设阈值，且所述活体置信度大于第二预设阈值，则将身份验证结果确定为身份验证通过，并绑定所述目标员工身份标识；

13、若所述面部匹配置信度小于或等于第一预设阈值，或者所述活体置信度小于或等于第二预设阈值，则将身份验证结果确定为身份验证未通过。

14、在一些实施例中，所述基于所述身份验证结果，对所述当前图像数据进行身份比对，生成图像核验结果，包括：

15、调用身份识别模型，对所述当前图像数据进行身份识别，输出预设考勤区域内全部人员的身份标识集合；

16、基于所述身份标识集合，对所述身份验证结果绑定的目标员工身份标识进行匹配校验；

17、若匹配成功，则确定图像校验结果为图像校验通过；

18、若匹配失败，则确定图像校验结果为图像校验未通过。

19、在一些实施例中，所述设备时空定位数据包括设备当前定位、设备无线信号指纹数据以及发起所述考勤打卡请求前预设时段内的设备移动轨迹，所述基于所述身份验证结果，对所述设备时空定位数据进行多维时空校验，生成时空验证结果，包括：

20、若所述设备当前定位在预设考勤地理围栏范围内，则确定定位验证结果为定位验证通过；

21、获取预设考勤区域的无线信号指纹基准库；

22、若所述设备无线信号指纹数据匹配到所述无线信号指纹基准库中超过预设数量的有效无线特征，则确定信号验证结果为信号验证通过；

23、提取所述身份验证结果绑定的目标员工身份标识；

24、基于所述目标员工身份标识关联的历史打卡轨迹集合，对所述设备移动轨迹进行轨迹比对分析，生成轨迹验证结果；

25、基于所述信号验证结果、所述轨迹验证结果和所述定位验证结果，确定时空验证结果。

26、在一些实施例中，所述基于所述目标员工身份标识关联的历史打卡轨迹集合，对所述设备移动轨迹进行轨迹比对分析，生成轨迹验证结果，包括：

27、统计所述历史打卡轨迹集合中各打卡位置的出现频次占比，若所述出现频次占比大于预设占比阈值，则将对应打卡位置标记为常用打卡点；

28、提取所述设备移动轨迹中的当前打卡点，若所述当前打卡点不属于任一所述常用打卡点，则生成打卡位置异常项；

29、计算所述设备移动轨迹中相邻定位点之间的区间平均移动速度，若所述区间平均移动速度超出预设通勤速度上限阈值，则生成位移速度异常项；

30、提取所述设备移动轨迹中当前打卡时刻前预设追溯时长的前置轨迹片段；

31、若所述当前打卡点与所述前置轨迹片段的末端定位点之间的直线位移超过预设位移阈值，则生成位置跳变异常项；

32、若检测到所述打卡位置异常项、所述位移速度异常项或所述位置跳变异常项中的任意一项，则确定轨迹验证结果为轨迹验证未通过，并绑定检测到的对应异常项；

33、若未检测到所述打卡位置异常项、所述位移速度异常项或所述位置跳变异常项中的任意一项，则确定轨迹验证结果为轨迹验证通过。

34、在一些实施例中，所述融合所述身份验证结果、所述时空验证结果和所述图像核验结果，生成所述考勤打卡请求的异常识别结果，包括：

35、将所述身份验证结果、所述时空验证结果和所述图像核验结果输入至多维异常评分模型，经融合计算后输出综合异常评分与异常类型；

36、将所述综合异常评分与预设异常评分区间进行匹配，结合匹配的目标评分区间和所述异常类型，映射生成异常识别结果。

37、在一些实施例中，还包括：

38、若所述身份验证结果为身份验证未通过，且当前重试次数小于预设重试次数阈值，则对所述当前重试次数进行自增后跳转执行所述获取预设时间窗口内经员工授权的多因子生物特征数据的步骤；

39、若所述身份验证结果为身份验证未通过，且所述当前重试次数等于或大于所述预设重试次数阈值，则生成考勤告警信息并终止所述考勤打卡请求。

40、第二方面，本发明提供的一种基于多重验证的智能考勤异常识别装置，包括：

41、打卡响应模块，用于响应于员工通过移动设备发起的考勤打卡请求，获取预设时间窗口内经员工授权的多因子生物特征数据；

42、身份核验模块，用于对所述多因子生物特征数据进行多源融合验证，生成身份验证结果；

43、场域采集模块，用于若所述身份验证结果为身份验证通过，则获取预设考勤区域的当前图像数据和所述预设时间窗口内经员工授权的设备时空定位数据；

44、图像核验模块，用于基于所述身份验证结果，对所述当前图像数据进行身份比对，生成图像核验结果；

45、时空校验模块，用于基于所述身份验证结果，对所述设备时空定位数据进行多维时空校验，生成时空验证结果；

46、融合判定模块，用于融合所述身份验证结果、所述时空验证结果和所述图像核验结果，生成所述考勤打卡请求的异常识别结果。

47、第三方面，本发明提供的一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述基于多重验证的智能考勤异常识别方法的步骤。

48、第四方面，本发明提供的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述基于多重验证的智能考勤异常识别方法。

49、从以上技术方案可以看出，本发明具有以下优点：本发明提供的一种基于多重验证的智能考勤异常识别方法和相关设备，其通过响应于员工通过移动设备发起的考勤打卡请求，获取员工授权的多因子生物特征数据，采用多因子生物特征多源融合验证，提升身份核验防伪能力，降低代打卡、身份伪造的作弊风险；当身份验证通过后，对预设考勤区域的当前图像数据进行身份比对，并对员工授权的设备时空定位数据进行多维时空校验，实现身份与场域双重交叉佐证，破解单一位置、单一面部类作弊手段；最后对多维度验证结果进行融合判定，生成考勤打卡请求的异常识别结果，实现多源数据联动校验，提升考勤异常识别的全面性与准确性。