基于联邦学习的学生识别系统、考勤打卡装置及服务器

摘要

本申请公开了基于联邦学习的学生识别系统、考勤打卡装置及服务器；考勤打卡装置包括：第一接收模块，用于接收模型参数为第一模型参数的第一学生识别模型；第一处理模块，用于通过学生图像将第一学生识别模型训练，得到第二学生识别模型、学生图像特征向量及第二模型参数；发送模块，用于将根据第一模型参数及第二模型参数获得的模型参数更新值或学生图像特征向量发送给服务器；第二接收模块，用于接收服务器将从多个考勤打卡装置所接收的模型参数更新值或学生图像特征向量处理后所得的模型调整参数；第二处理模块，用于根据模型调整参数对第二学生识别模型进行更新，以获得训练好的目标识别模型；采用本申请，可提高学生识别准确率。

说明书

技术领域

本申请涉及图像识别技术领域，尤其涉及基于联邦学习的学生识别系统、考勤打卡装置及服务器。

背景技术

现实学校生活中，由于一些学生的学生图像特征(如：人脸特征、指纹特征或瞳孔特征)点被遮挡、未被提取到或训练样本有限，导致现有的一些图像特征识别算法模型(如：DeepFace、FaceNet)的识别性能降低，难以发挥上述算法模型的性能，也难以被推广应用。

发明内容

基于以上存在的问题以及现有技术的缺陷，本申请提供基于联邦学习的学生识别系统、考勤打卡装置及服务器，采用本申请，通过将联邦学习技术融入到学生识别系统中，可提高学生识别准确率，识别性能等，用户体验较高。

第一方面，本申请提供了基于联邦学习的学生识别系统，该系统包括：

服务器和多个考勤打卡设备；其中，

所述服务器用于将第一学生识别模型分别发送给所述多个考勤打卡设备；其中，所述第一学生识别模型的模型参数为第一模型参数；

第一考勤打卡设备用于接收到所述第一识别模型之后，将所述第一考勤打卡设备中的学生图像输入将到所述第一学生识别模型进行训练，得到第二学生识别模型、所述学生图像特征向量以及所述第二学生识别模型的第二模型参数，并根据所述第一模型参数以及所述第二模型参数得到模型参数更新值；其中，所述学生图像包括：学生人脸图像、学生指纹图像或学生瞳孔图像；所述第一考勤打卡设备为所述多个考勤打卡设备中的任一个考勤打卡设备；

所述第一考勤打卡设备用于将所述模型参数更新值或所述学生图像特征向量发送给所述服务器；

所述服务器用于将分别从所述多个考勤打卡设备中的每个考勤打卡设备所接收的所述模型参数更新值或所述学生图像特征向量进行处理，获得模型调整参数，并分别将所述模型调整参数发送给所述多个考勤打卡设备；所述多个考勤打卡设备包括：多个分布在不同学校的考勤打卡设备、多个分布在同一所学校不同位置的考勤打卡设备、或多个分布在不同区域地点的考勤打卡设备；

所述第一考勤打卡设备用于根据接收的所述模型调整参数对所述第二学生识别模型进行更新，直至所述第二学生识别模型收敛或达到预设迭代训练轮次，以获得训练好的目标识别模型。

结合第一方面，在一些可选的实施例中，

所述服务器具体用于：在将生成的秘钥分别发送给所述多个考勤打卡设备，通过所述秘钥将第一学生识别模型进行加密之后，并将加密后的第一学生识别模型分别发送给所述多个考勤打卡设备；

其中，所述秘钥包括：对称秘钥或非对称秘钥。

结合第一方面，在一些可选的实施例中，

所述模型调整参数包括：损失值；

所述服务器具体用于：

将分别从所述多个考勤打卡设备中的每个考勤打卡设备所述接收的所述图像特征向量与所述学生的基准图像特征向量进行差值运算，确定出所述损失值，并分别将所述损失值发送给所述多个考勤打卡设备；

其中，所述学生的基准图像特征向量为所述学生图像输入到收敛的学生识别模型后，所获得的图像特征向量。

结合第一方面，在一些可选的实施例中，

所述模型调整参数包括：模型参数更新值；

所述服务器具体用于：

在第(t+1)次迭代训练轮次时，将分别从K个考勤打卡设备中的考勤打卡设备k接收的模型参数更新值

所述

结合第一方面，在一些可选的实施例中，

所述学生图像为所述学生人脸图像；

所述第一考勤打卡设备还用于：

在将所述第一考勤打卡设备中的所述学生人脸图像输入将到所述第一学生识别模型进行训练之前，

获取学生人脸预设图像，并将所述学生人脸预设图像进行切除处理操作，得到所述学生人脸图像；

其中，所述学生人脸预设图像为学生穿戴有口罩时的人脸图像；所述学生人脸图像为学生人脸中鼻梁以上位置的图像。

结合第一方面，在一些可选的实施例中，

所述第一考勤打卡设备，还用于：

接收学生识别请求；其中，所述学生识别请求包括：用户穿戴有口罩时的人脸图像；

将所述用户穿戴有口罩时的人脸图像输入到所述训练好的目标识别模型，获得识别结果，所述识别结果用于确定所述用户是否为目标学生。

结合第一方面，在一些可选的实施例中，

所述第一考勤打卡设备，具体用于：

直接将所述模型参数更新值或所述学生图像特征向量发送给所述服务器；或者，

将通过所述秘钥加密后的所述模型参数更新值或所述学生图像特征向量发送给所述服务器。

第二方面，本申请提供了考勤打卡装置，该考勤打卡装置包括：

第一接收模块、第一处理模块、发送模块、第二接收模块及第二处理模块；所述第一接收模块、所述第一处理模块、所述发送模块、所述第二接收模块及所述第二处理模块通过电路进行连接；其中，

所述第一接收模块，用于接收服务器发送的第一学生识别模型；其中，所述第一学生识别模型的模型参数为第一模型参数；

所述第一处理模块，用于接收到所述第一学生识别模型之后，将所述考勤打卡装置中的学生图像输入将到所述第一学生识别模型进行训练，得到第二学生识别模型、所述学生图像特征向量以及所述第二学生识别模型的第二模型参数，并根据所述第一模型参数以及所述第二模型参数得到模型参数更新值；

其中，所述学生图像包括：学生人脸图像、学生指纹图像或学生瞳孔图像；

所述发送模块，用于将所述模型参数更新值或所述学生图像特征向量发送给所述服务器；

所述第二接收模块，用于接收所述服务器发送的模型调整参数；

其中，所述模型调整参数为所述服务器将从多个所述考勤打卡装置所接收的所述模型参数更新值或所述学生图像特征向量处理后所获得的参数；

所述第二处理模块，用于根据所述模型调整参数对所述第二学生识别模型进行更新，直至所述第二学生识别模型收敛或达到预设迭代训练轮次，以获得训练好的目标识别模型；所述多个考勤打卡装置包括：多个分布在不同学校的考勤打卡装置、多个分布在同一所学校不同位置的考勤打卡装置、或多个分布在不同区域地点的考勤打卡装置。

结合第二方面，在一些可选的实施例中，

所述学生图像为所述学生人脸图像；

所述考勤打卡装置，还用于：

在将所述考勤打卡设备中的所述学生人脸图像输入将到所述第一学生识别模型进行训练之前，

获取学生人脸预设图像，并将所述学生人脸预设图像进行切除处理操作，得到所述学生人脸图像；

其中，所述学生人脸预设图像为学生穿戴有口罩时的人脸图像；所述学生人脸图像为学生人脸中鼻梁以上位置的图像。

结合第二方面，在一些可选的实施例中，

所述考勤打卡装置，还用于：

接收学生识别请求；其中，所述学生识别请求包括：用户穿戴有口罩时的人脸图像；

将所述用户穿戴有口罩时的人脸图像输入到所述训练好的目标识别模型，获得识别结果，所述识别结果用于确定所述用户是否为目标学生。

第三方面，本申请提供了一种服务器，该服务器包括：

发送模块、接收模块及处理模块；所述发送模块、所述接收模块及所述处理模块通过电路进行连接；其中，

所述发送模块，用于将第一学生识别模型分别发送给多个考勤打卡设备；其中，所述第一学生识别模型的模型参数为第一模型参数；其中，

第一考勤打卡设备用于接收到所述第一学生识别模型之后，将所述第一考勤打卡设备中的学生图像输入将到所述第一学生识别模型进行训练，得到第二学生识别模型、所述学生图像特征向量以及所述第二学生识别模型的第二模型参数，并根据所述第一模型参数以及所述第二模型参数得到模型参数更新值；所述学生图像包括：学生人脸图像、学生指纹图像或学生瞳孔图像；所述第一考勤打卡设备为所述多个考勤打卡设备中的任一个考勤打卡设备；

所述接收模块，用于分别从所述多个考勤打卡设备中的每个考勤打卡设备接收所述模型参数更新值或所述学生图像特征向量；

所述处理模块，用于将分别从所述多个考勤打卡设备中的每个考勤打卡设备分别所接收的所述模型参数更新值或所述学生图像特征向量进行处理，获得模型调整参数，并分别将所述模型调整参数发送给所述多个考勤打卡设备；所述多个考勤打卡设备包括：多个分布在不同学校的考勤打卡设备、多个分布在同一所学校不同位置的考勤打卡设备、或多个分布在不同区域地点的考勤打卡设备；其中，

所述第一考勤打卡设备用于根据接收的所述模型调整参数对所述第二学生识别模型进行更新，直至所述第二学生识别模型收敛或达到预设迭代训练轮次，以获得训练好的目标识别模型。

本申请提供了一种基于联邦学习的学生识别系统、考勤打卡装置及服务器。其中，系统包括：服务器和多个考勤打卡设备；其中，服务器用于将第一学生识别模型分别发送给多个考勤打卡设备；其中，第一学生识别模型的模型参数为第一模型参数；第一考勤打卡设备用于接收到第一识别模型之后，将第一考勤打卡设备中的学生图像输入将到第一学生识别模型进行训练，得到第二学生识别模型、学生图像特征向量以及第二学生识别模型的第二模型参数，并根据第一模型参数以及第二模型参数得到模型参数更新值；其中，学生图像包括：学生人脸图像、学生指纹图像或学生瞳孔图像；第一考勤打卡设备为所述多个考勤打卡设备中的任一个考勤打卡设备；第一考勤打卡设备用于将模型参数更新值或学生图像特征向量发送给服务器；服务器用于将分别从多个考勤打卡设备中的每个考勤打卡设备所接收的模型参数更新值或学生图像特征向量进行处理，获得模型调整参数，并分别将模型调整参数发送给多个考勤打卡设备；多个考勤打卡设备包括：多个分布在不同学校的考勤打卡设备、多个分布在同一所学校不同位置的考勤打卡设备、或多个分布在不同区域地点的考勤打卡设备；第一考勤打卡设备用于根据接收的模型调整参数对第二学生识别模型进行更新，直至第二学生识别模型收敛或达到预设迭代训练轮次，以获得训练好的目标识别模型。

综上，通过多个分布在不同学校的考勤打卡设备中的识别模型联合进行同邦学习，因而用于训练各个考勤打卡设备中的识别模型的训练样本数目极大增加，各个考勤打卡设备中的训练好的识别模型的识别准确率、识别效率都获得有效提高。采用本申请，通过将联邦学习技术融入到学生识别系统中，提高了学生识别准确率，设备识别性能等，用户体验较高。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请提供的基于联邦学习的学生识别系统的结构示意图；

图2是本申请提供的学校1所持有的多个学生的数据信息的示意图；

图3是本申请提供的学校2所持有的多个学生的数据信息的示意图；

图4是本申请提供的一种考勤打卡装置的结构示意图；

图5是本申请提供的一种服务器的结构示意图。

具体实施方式

下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参见图1，是本申请提供的一种基于联邦学习的学生识别系统的结构示意图，如图1所示，该基于联邦学习的学生识别系统10包括：服务器和K个考勤打卡设备，其中，服务器可分别通过通信网络与K个考勤打卡设备分别进行连接；K可为大于或等于2的正整数。

上述通信网络可包括但不限于下述方式：

方式1：有线方式(如：网线或光纤)的通信网络；

方式2：无线方式(如：WIFI6或5G)的通信网络；

方式3：上述有线方式和无线方式相结合的通信网络。

服务器用于将第一学生识别模型分别发送给上述K个考勤打卡设备；其中，第一学生识别模型的模型参数为第一模型参数；

第一考勤打卡设备用于接收到第一识别模型之后，将第一考勤打卡设备中的学生图像输入将到第一学生识别模型进行训练，得到第二学生识别模型、学生图像特征向量以及第二学生识别模型的第二模型参数，并根据第一模型参数以及第二模型参数得到模型参数更新值；

其中，学生图像可包括但不限于：学生人脸图像、学生指纹图像或学生瞳孔图像；第一考勤打卡设备为上述K个考勤打卡设备中的任一个考勤打卡设备；

第一学生识别模型可包括但不限于：卷积神经网络(Convolutional NeuralNetworks，CNN)模型、深度卷积神经网络(Deep Convolutional Neural Networks，DCNN)或FaceNet识别模型。

第一考勤打卡设备可用于：

直接将上述模型参数更新值或学生图像特征向量发送给上述服务器；或者，

将通过秘钥加密的上述模型参数更新值或学生图像特征向量发送给服务器；其中，上述秘钥包括：对称秘钥或非对称秘钥。

相应的，上述服务器可用于：

将分别从上述多个考勤打卡设备中的每个考勤打卡设备所接收的模型参数更新值或学生图像特征向量直接进行处理，获得模型调整参数，并分别将模型调整参数发送给上述K个考勤打卡设备；或者，

将分别从上述多个考勤打卡设备中的每个考勤打卡设备所接收的模型参数更新值或学生图像特征向量通过秘钥解密后进行处理，获得模型调整参数，并分别将模型调整参数发送给上述K个考勤打卡设备；

上述K个考勤打卡设备可包括：K个分布在不同学校(如：学校1、学校2或学校3等不同学校)的考勤打卡设备、K个分布在同一所学校不同位置(如：学校1中的教室1、教室2、校门、寝室等不同位置)的考勤打卡设备、或K个分布在不同区域地点(如：学校、医院、小区、超市等不同区域地点)的考勤打卡设备。

第一考勤打卡设备用于根据接收的上述模型调整参数对第二学生识别模型进行更新，直至第二学生识别模型收敛或达到预设迭代训练轮次，以获得训练好的目标识别模型。

服务器具体可用于：

在将生成的秘钥分别发送给多个考勤打卡设备，通过秘钥将第一学生识别模型进行加密之后，并将加密后的第一学生识别模型分别发送给上述多个考勤打卡设备；

其中，上述秘钥包括：对称秘钥或非对称秘钥。

具体的，如果上述秘钥为包括一对公钥和私钥的非对称秘钥，则

服务器具体可用于：

在将通过RSA算法生成的非对称秘钥分别发送给多个考勤打卡设备之后，通过公钥将第一学生识别模型进行加密之后，并将加密后的第一学生识别模型分别发送给上述多个考勤打卡设备。

服务器具体可用于：

在将通过分组密码(Block Cipher)和流密码(Stream Cipher)生成的对称秘钥分别发送给多个考勤打卡设备之后，通过对称秘钥将第一学生识别模型进行加密之后，并将加密后的第一学生识别模型分别发送给上述多个考勤打卡设备。

服务器具体还可用于：

直接将未加密的第一学生识别模型分别发送给多个考勤打卡设备。

当上述模型调整参数为损失值时；

服务器具体用于：

将分别从多个考勤打卡设备中的每个考勤打卡设备接收的图像特征向量与学生的基准图像特征向量进行差值运算，确定出损失值，并分别将损失值发送给多个考勤打卡设备；

其中，学生的基准图像特征向量可为学生图像输入到收敛的学生识别模型后，所获得的图像特征向量。

具体的，服务器具体可用于：

将分别从多个考勤打卡设备中的每个考勤打卡设备接收的图像特征向量与学生的基准图像特征向量进行差值运算，获得多个损失函数值，并将上述多个损失函数值进行加权处理，确定出上述损失值，并分别将损失值发送给多个考勤打卡设备。

当模型调整参数为模型参数更新值时；

服务器具体可用于：

在第(t+1)次迭代训练轮次时，将分别从K个考勤打卡设备中的考勤打卡设备k接收的模型参数更新值

K个分布在不同学校的考勤打卡设备、K个分布在同一所学校不同位置的考勤打卡设备、或K个分布在不同区域地点的考勤打卡设备。或者，

服务器具体可用于：

将通过上述秘钥加密后模型调整参数

相应的，第一考勤打卡设备具体可用于：

根据从上述服务器接收的上述模型调整参数对第二学生识别模型进行更新，直至第二学生识别模型收敛或达到预设迭代训练轮次，以获得训练好的目标识别模型；或者，

将从上述服务器接收的加密的模型调整参数进行解密，获得上述模型调整参数，根据从上述服务器接收的上述模型调整参数对第二学生识别模型进行更新，直至第二学生识别模型收敛或达到预设迭代训练轮次，以获得训练好的目标识别模型。

应当说明的，本申请实施例中的K为大于或等于2的正整数。

举例来说，当K为2时，K个考勤打卡设备为：2个分布在2所不同学校的考勤打卡设备，也即，学校1中有考勤打卡设备1，学校2中有考勤打卡设备2。

下面结合图2、图3来简要说明本申请中基于联邦学习的学生识别系统。其中，

图2示例性示出了学校1(数据持有方)所持有的多个学生的数据信息，图3示例性示出了学校2(数据持有方)所持有的多个学生的数据信息。

如图2所示，图2中学校1的3个学生中每一个学生的学生图片(如：人脸图片、瞳孔图片、指纹图片或穿戴口罩的人脸图片)输入到学校1中考勤打卡设备1的第一学生识别模型中进行训练之后，得到第二学生识别模型、学生图像特征向量以及第二学生识别模型的第二模型参数，并根据第一模型参数以及第二模型参数得到模型参数更新值；接着，学校1中考勤打卡设备1将上述模型参数更新值或上述学生图像特征向量发送给服务器；

如图3所示，图3中学校2的4个学生中每一个学生的学生图片(如：人脸图片、瞳孔图片、指纹图片或穿戴口罩的人脸图片)输入到学校2中考勤打卡设备2的第一学生识别模型中进行训练之后，得到第二学生识别模型、学生图像特征向量以及第二学生识别模型的第二模型参数，并根据第一模型参数以及第二模型参数得到模型参数更新值；接着，学校2中考勤打卡设备2将上述模型参数更新值或上述学生图像特征向量发送给服务器。

结合图2-3，上述服务器可用于将分别从上述考勤打卡设备1和考勤打卡设备2中所接收的所述模型参数更新值或所述学生图像特征向量进行处理，获得模型调整参数，并分别将上述模型调整参数发送给考勤打卡设备1和考勤打卡设备2；

最后，考勤打卡设备1根据从服务器接收的模型调整参数对考勤打卡设备中第二学生识别模型进行更新，直至上述第二学生识别模型收敛或达到预设迭代训练轮次，考勤打卡设备1获得训练好的目标识别模型；同理，

考勤打卡设备2根据从服务器接收的模型调整参数对考勤打卡设备2中第二学生识别模型进行更新，直至上述考勤打卡设备中的第二学生识别模型收敛或达到预设迭代训练轮次，考勤打卡设备1获得训练好的目标识别模型。

当考勤打卡设备1接收携带有用户图像的学生识别请求时，考勤打卡设备1可将用户穿戴有口罩时的人脸图像输入到考勤打卡设备1中训练好的目标识别模型，获得识别结果，其中该识别结果可为用户图像与目标学生图像的相似度；如果上述相似度大于或等于95％，则可指示出该用户图像对应的用户为目标学生；反之，如果上述相似度小于95％，则指示出该用户图像对应的用户不是目标学生。

综上，通过2个分布在不同学校的考勤打卡设备中的识别模型联合进行同邦学习，因而用于训练2个考勤打卡设备中的识别模型的训练样本数目极大增加，2个考勤打卡设备中的训练好的识别模型的识别准确率、识别效率都获得有效提高。

当学生图像为学生人脸图像时；

第一考勤打卡设备还可用于：

在将第一考勤打卡设备中的学生人脸图像输入将到第一学生识别模型进行训练之前，

获取学生人脸预设图像，并将学生人脸预设图像进行切除处理操作，得到学生人脸图像；

其中，学生人脸预设图像可为学生穿戴有口罩时的人脸图像；学生人脸图像为学生人脸中鼻梁以上位置的图像。

第一考勤打卡设备，还用于：

接收学生识别请求；其中，学生识别请求包括：用户穿戴有口罩时的人脸图像；其中，上述用户可包括但不限于：学生、老师、保洁人员或其他社会人员。

将用户穿戴有口罩时的人脸图像输入到训练好的目标识别模型，获得识别结果，上述识别结果用于确定上述用户是否为目标学生。

优选的，上述识别结果为用户穿戴有口罩时的人脸图像与目标学生穿戴有口罩时的人脸图像的相似度为例，如果相似度大于或等于95％，则指示出该用户为目标学生；反之，如果相似度小于95％，则指示出该用户不是目标学生。

当学生图像为学生人脸图像时；

第一考勤打卡设备还可用于：

在将第一考勤打卡设备中的学生人脸图像输入将到第一学生识别模型进行训练之前，

获取学生人脸预设图像，并将学生人脸预设图像进行切除处理操作，得到学生人脸图像；

其中，学生人脸预设图像可为学生穿戴有眼镜时的人脸图像；学生人脸图像为学生人脸中去除眼睛位置部分的图像。

第一考勤打卡设备，还用于：

接收学生识别请求；其中，学生识别请求包括：用户穿戴有眼镜时的人脸图像；其中，上述用户可包括但不限于：学生、老师、保洁人员或其他社会人员。

将用户穿戴有眼镜时的人脸图像输入到训练好的目标识别模型，获得识别结果，上述识别结果用于确定上述用户是否为目标学生。

应当说明的，图2-3仅仅用于解释本申请，不应对本申请的保护范围作出限制。

图4示例性示出了一种考勤打卡装置，如图4所示，该考勤打卡装置40可为图1系统实施例中的考勤打卡装置40，考勤打卡设备40可报考但不限于：第一接收模块401、第一处理模块402、发送模块403、第二接收模块404及第二处理模块404；其中，第一接收模块401、第一处理模块402、发送模块403、第二接收模块404及第二处理模块404之间通过电路进行连接。具体的，

第一接收模块401，可用于接收服务器发送的第一学生识别模型；其中，第一学生识别模型的模型参数为第一模型参数；

第一处理模块402，用于接收到第一学生识别模型之后，将考勤打卡装置40中的学生图像输入将到第一学生识别模型进行训练，得到第二学生识别模型、学生图像特征向量以及第二学生识别模型的第二模型参数，并第一模型参数以及第二模型参数得到模型参数更新值；

其中，学生图像可包括但不限于：学生人脸图像、学生指纹图像或学生瞳孔图像；

发送模块403，可用于：

将模型参数更新值或学生图像特征向量发送给服务器；

或者，将通过秘钥加密的上述模型参数更新值或学生图像特征向量发送给服务器；其中，上述秘钥包括：对称秘钥或非对称秘钥。

第二接收模块404，可用于接收服务器发送的模型调整参数；

其中，模型调整参数为服务器将从包括考勤打卡装置40在内的多个考勤打卡装置所接收的模型参数更新值或学生图像特征向量处理后所获得的参数；

第二处理模块404，可用于根据模型调整参数对第二学生识别模型进行更新，直至第二学生识别模型收敛或达到预设迭代训练轮次，以获得训练好的目标识别模型；其中，多个考勤打卡装置包括：多个分布在不同学校的考勤打卡装置、多个分布在同一所学校不同位置的考勤打卡装置、或多个分布在不同区域地点的考勤打卡装置。

当学生图像为学生人脸图像时，

考勤打卡装置40，还可用于：

在将考勤打卡设备中的学生人脸图像输入将到第一学生识别模型进行训练之前，

获取学生人脸预设图像，并将学生人脸预设图像进行切除处理操作，得到学生人脸图像；

其中，学生人脸预设图像为学生穿戴有口罩时的人脸图像；学生人脸图像为学生人脸中鼻梁以上位置的图像。

考勤打卡装置40，还可用于：

接收学生识别请求；其中，学生识别请求包括：用户穿戴有口罩时的人脸图像；

将用户穿戴有口罩时的人脸图像输入到训练好的目标识别模型，获得识别结果，识别结果用于确定用户是否为目标学生。

当学生图像为学生人脸图像时；

第一考勤打卡设备40还可用于：

在将第一考勤打卡设备中的学生人脸图像输入将到第一学生识别模型进行训练之前，

获取学生人脸预设图像，并将学生人脸预设图像进行切除处理操作，得到学生人脸图像；

其中，学生人脸预设图像可为学生穿戴有眼镜时的人脸图像；学生人脸图像为学生人脸中去除眼睛位置部分的图像。

第一考勤打卡设备40，还用于：

接收学生识别请求；其中，学生识别请求包括：用户穿戴有眼镜时的人脸图像；其中，上述用户可包括但不限于：学生、老师、保洁人员或其他社会人员。

将用户穿戴有眼镜时的人脸图像输入到训练好的目标识别模型，获得识别结果，上述识别结果用于确定上述用户是否为目标学生。

应当说明的，图4实施例中未详细阐述的定义和说明可参见图1实施例。

应当理解，考勤打卡装置40仅为本申请实施例提供的一个例子，考勤打卡装置40可具有比示出的部件更多或更少的部件，可以组合两个或更多个部件，或者可具有部件的不同配置实现。

可理解的，关于图4的考勤打卡装置40包括的功能部件的具体实现方式，可参考图1实施例，此处不再赘述。

图5示例性示出了一种服务器，如图5所示，该服务器50可为图1系统实施例中的服务器50，服务器50可包括但不限于：

发送模块501、处理模块502及接收模块503；其中，发送模块501、处理模块502及接收模块503之间通过电路进行连接；其中，

发送模块501，用于将第一学生识别模型分别发送给包括第一考勤打卡设备的多个考勤打卡设备；其中，第一学生识别模型的模型参数为第一模型参数；其中，

第一考勤打卡设备用于接收到第一学生识别模型之后，将第一考勤打卡设备中的学生图像输入将到第一学生识别模型进行训练，得到第二学生识别模型、学生图像特征向量以及第二学生识别模型的第二模型参数，并根据第一模型参数以及第二模型参数得到模型参数更新值；上述学生图像可包括但不限于：学生人脸图像、学生指纹图像或学生瞳孔图像；第一考勤打卡设备为多个考勤打卡设备中的任一个考勤打卡设备；

接收模块503，用于：

分别从多个考勤打卡设备中的每个考勤打卡设备接收模型参数更新值或学生图像特征向量；或者，

分别从多个考勤打卡设备中的每个考勤打卡设备接收加密的模型参数更新值或学生图像特征向量；

处理模块502，用于：

将分别从多个考勤打卡设备中的每个考勤打卡设备分别所接收的模型参数更新值或学生图像特征向量进行处理，获得模型调整参数，并通过上述发送模块501分别将模型调整参数发送给多个考勤打卡设备；或者，

将分别从上述多个考勤打卡设备中的每个考勤打卡设备所接收的模型参数更新值或学生图像特征向量通过秘钥解密后进行处理，获得模型调整参数，通过上述发送模块501分别将模型调整参数发送给多个考勤打卡设备。

上述多个考勤打卡设备包括：多个分布在不同学校的考勤打卡设备、多个分布在同一所学校不同位置的考勤打卡设备、或多个分布在不同区域地点的考勤打卡设备；其中，

第一考勤打卡设备用于根据接收的模型调整参数对第二学生识别模型进行更新，直至第二学生识别模型收敛或达到预设迭代训练轮次，以获得训练好的目标识别模型。

发送模块501，具体可用于：

在将生成的秘钥分别发送给多个考勤打卡设备，通过处理模块503基于所述秘钥将第一学生识别模型进行加密之后，并将加密后的第一学生识别模型分别发送给多个考勤打卡设备；

其中，秘钥包括：对称秘钥或非对称秘钥。

发送模块501还可用于：

直接将未加密的第一学生识别模型分别发送给多个考勤打卡设备。

处理模块502，具体可用于：

当模型调整参数包括：损失值时，

将接收模块503分别从多个考勤打卡设备中的每个考勤打卡设备接收的图像特征向量与学生的基准图像特征向量进行差值运算，确定出所述损失值，并通过发送模块501分别将上述损失值发送给上述多个考勤打卡设备；

其中，学生的基准图像特征向量为学生图像输入到收敛的学生识别模型后，所获得的图像特征向量。

处理模块502，具体可用于：

当上述模型调整参数包括：模型参数更新值时，

在第(t+1)次迭代训练轮次时，将分别从K个考勤打卡设备中的考勤打卡设备k接收的模型参数更新值

发送模块501，可用于：

将模型调整参数

将通过上述秘钥加密后模型调整参数

其中，

应当说明的，图5实施例中未详细阐述的定义和说明可参见图1实施例。

应当理解，服务器50仅为本申请实施例提供的一个例子，服务器50可具有比示出的部件更多或更少的部件，可以组合两个或更多个部件，或者可具有部件的不同配置实现。

可理解的，关于图5的服务器50包括的功能部件的具体实现方式，可参考图1实施例，此处不再赘述。

本领域普通技术人员可以意识到，结合本申请中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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、装置和方法，可以通过其它的方式实现。例如，以描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

上述描述的装置、设备的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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的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、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本申请实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是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，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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器中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，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，可轻易想到各种等效的修改或替换，这些修改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权利要求的保护范围为准。