1.一种基于深度学习算法与双目视觉的考勤方法，其特征在于，包括以下步骤：获取员工的打卡拍照图片；

引入最大熵正则化项和平均方差相似度函数，构建基于YOLO‑9000的深度学习目标检测模型；

对深度学习目标检测模型进行训练并将员工的打卡拍照图片输入至训练后的深度学习目标检测模型进行目标识别，识别出打卡拍照图片中的员工目标及打卡背景图案；

基于非平行配置的双目视觉成像原理获取打卡拍照图片中的员工目标的坐标值；

根据考勤定位预警判别指标对打卡拍照图片中的员工目标的坐标值进行判别处理，将判别结果作为员工考勤信息。

2.根据权利要求1所述一种基于深度学习算法与双目视觉的考勤方法，其特征在于，所述引入最大熵正则化项和平均方差相似度函数，构建基于YOLO‑9000的深度学习目标检测模型这一步骤，其具体包括：引入最大熵正则化项和平均方差相似度函数作为深度学习目标检测模型的损失函数，其中，所述最大熵正则化项用于增加分类器的不确定性，平均方差相似度函数用于增加类别之间的相似性；

所述构建基于YOLO‑9000的深度学习目标检测模型包括15层卷积层，其中第一卷积层、第二卷积层、第三卷积层、第六卷积层及第九卷积层后均连接有最大池化层，且每个最大池化层后接入dropout层。

3.根据权利要求2所述一种基于深度学习算法与双目视觉的考勤方法，其特征在于，所述对深度学习目标检测模型进行训练这一步骤，其具体包括：YOLO9000网络将输入图像缩放至416×416，然后在图上运行卷积网络，预测是否存在目标；

在每个方格中预测n个边界方框，确定各边界方框是所需检测目标的置信度，其中，置信度表示为：上式中，confidence表示置信度，Pr(Object)表示每个边界方框中包含检测目标的概率， 表示预测的边界方框和输入的矩形框的重叠率；

对于每一个方格，预测其包含某一类检测目标的条件概率Pr(Classi|Object)，其中，Pr(Classi|Object)表示在假定某一方格包含有所需检测目标的情况下，所包含的检测目标是第i类检测目标的概率；

将得到的目标的置信度与得到的检测目标的条件概率进行相乘，得到每个边界方框对于每个具体类别的置信度；

通过损失函数进行计算,得出每个检测目标的定位框，输出13×13×1024的图片结构。

4.根据权利要求3所述一种基于深度学习算法与双目视觉的考勤方法，其特征在于，所述将员工的打卡拍照图片输入至训练后的深度学习目标检测模型进行目标识别，识别出打卡拍照图片中的员工目标及打卡背景图案这一步骤，其具体包括：采集用于训练YOLO9000网络的包含打卡区的考勤图像；

对采集到的所述考勤图像进行数据增强；

将采集到的所述考勤图像及数据增强后得到的图像中的考勤图案用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含图案的种类；

根据采集到的所述考勤图像及数据增强后得到的图像，及获取的所述矩形框的坐标与所述矩形框所包含图案的种类对YOLO9000网络进行训练；

实时采集待检测的员工考勤图像，根据训练好的YOLO9000网络和实时采集到的待检测的员工考勤图像，实时检测员工考勤图像中的图案，并对检测到的图案进行分类和定位。

5.根据权利要求4所述一种基于深度学习算法与双目视觉的考勤方法，其特征在于，所述基于非平行配置的双目视觉成像原理为非平行配置视觉系统中的两台相机的光轴满足相交于一点，而相机的位置和方位不对非平行配置视觉系统产生影响，其中，所述两台相机中的一台相机表示公司固定的打卡相机，另一台相机表示员工打卡拍照相机。

6.根据权利要求5所述一种基于深度学习算法与双目视觉的考勤方法，其特征在于，所述基于非平行配置的双目视觉成像原理获取打卡拍照图片中的员工目标的坐标值这一步骤，其具体包括：分别获取公司固定的打卡相机和员工打卡拍照相机的坐标值，分别记为第一相机坐标值与第二相机坐标值；

获取对应第一相机坐标值与第二相机坐标值下的旋转矩阵、平移向量以及相机的焦距；

设定打卡区中心点，根据打卡区中心点获取第一相机的平面投影像素点坐标与第二相机的平面投影像素点坐标；

根据第一相机坐标值的旋转矩阵与平移向量获取第一相机与第二相机的坐标转换关系；

根据第一相机的平面投影像素点坐标与第二相机的平面投影像素点坐标获取对应的平面投影像素点坐标与打卡区中心点的坐标关系；

将平面投影像素点坐标与打卡区中心点的坐标关系代入至第一相机与第二相机的坐标转换关系并进行矩阵表示，获取打卡拍照图片中的员工目标的坐标值。

7.根据权利要求6所述一种基于深度学习算法与双目视觉的考勤方法，其特征在于，所述第一相机与第二相机的坐标转换关系的表达式为：上式中，P(X,Y,Z)表示打卡区中心点，P'(X',Y',Z')表示打卡区中心点在第二相机坐标系下的坐标，R表示两个相机坐标系间的旋转矩阵，t表示两个相机的平移向量。

8.根据权利要求7所述一种基于深度学习算法与双目视觉的考勤方法，其特征在于，所述考勤定位预警判别指标包括员工考勤时间状态指标和员工考勤范围指标。

9.根据权利要求8所述一种基于深度学习算法与双目视觉的考勤方法，其特征在于，所述根据考勤定位预警判别指标对打卡拍照图片中的员工目标的坐标值进行判别处理，将判别结果作为员工考勤信息这一步骤，其具体包括：设定员工考勤时间范围，获取考勤时间状态时间序列数据并与设定员工考勤时间范围进行比较，若所述考勤时间状态时间序列数据不属于所述设定员工考勤时间范围，则标记为非正常考勤打卡时间，若所述考勤时间状态时间序列数据属于所述设定员工考勤时间范围，则标记为正常考勤打卡时间；

设定员工打卡拍照区域，将打卡拍照图片中的员工目标的坐标值与设定员工打卡拍照区域进行比较，若所述打卡拍照图片中的员工目标的坐标值不属于所述设定员工打卡拍照区域，则标记为非正常考勤打卡范围，若所述打卡拍照图片中的员工目标的坐标值属于所述设定员工打卡拍照区域，则标记为正常考勤打卡范围；

将同时存在标记正常考勤打卡时间与正常考勤打卡范围判定为正常打卡。

10.一种基于深度学习算法与双目视觉的考勤系统，其特征在于，包括以下模块：获取模块，用于获取员工的打卡拍照图片；

构建模块，用于引入最大熵正则化项和平均方差相似度函数，构建基于YOLO‑9000的深度学习目标检测模型；

识别模块，用于对深度学习目标检测模型进行训练并将员工的打卡拍照图片输入至训练后的深度学习目标检测模型进行目标识别，识别出打卡拍照图片中的员工目标及打卡背景图案；

视觉处理模块，基于非平行配置的双目视觉成像原理获取打卡拍照图片中的员工目标的坐标值；

判定模块，用于根据考勤定位预警判别指标对打卡拍照图片中的员工目标的坐标值进行判别处理，将判别结果作为员工考勤信息。