随着人脸识别技术的发展,基于动态人脸识别的视频考勤技术也取得了很好的成绩。视频考勤以其非接触性、非强制性受到越来越多的青睐;本文结合实际问题的特点,从多个方面提升视频考勤的性能。视频考勤最主要的三个内容是图像采集、人脸检测和人脸识别。本文设计了一种基于运动检测的方式来保证图像采集得到的图像的有效性;人脸检测模块需要保证精确率和召回率,而人脸识别则必须保证正确率。深度学习的发展解决了计算机视觉领域一个又一个难题,对于卷积神经网络的研究和改进突破了传统机器学习的各种瓶颈,使其可以完成视频考勤中人脸检测和人脸识别的任务。通过对比,本文选择了MTCNN(Multi-task Cascaded Convolutional Networks)和FaceNet。人体运动,偏离焦距等会使得到的图像出现模糊,模糊的人脸图像将导致人脸识别的正确率降低,最终影响视频考勤的可靠性。利用视频考勤中可以获得足够多人脸图像的特点,本文通过滤除模糊人脸图像的方法来提高人脸识别的正确率,设计了基于“扩展二阶梯度”的模糊人脸图片过滤方法和基于CNN的模糊人脸图像过滤方法。影响人脸识别正确率的另一个因素是人脸偏转角度过大;在人脸图像足够多的情况下,只保留正面的人脸可以明显提高人脸识别的正确率。本文利用MTCNN输出的人脸特征点和CNN自动提取特征分别设计了偏转角度过大人脸图像过滤方法。通过分析,将模糊人脸图像过滤和偏转角度过大人脸图像过滤的CNN网络进行结合,设计了多任务CNN网络来同时完成两个任务。在验证过滤方法有效性的过程中,设计乒乓操作方式来实现类似于流水线的处理过程,并通过多线程实现乒乓操作的定时。另外,本文通过一个测试集对多种过滤方式的效果进行了比较。