吳宗勝

摘 要：學生在課堂上的考勤是學生日常管理的重要任務，傳統(tǒng)的紙質點名方式會浪費很多時間和精力。現(xiàn)有許多非手工方式，雖然能節(jié)約精力，但是必須排隊刷卡、采集虹膜、人臉或者指紋，也很費力。文中提出一種自動考勤系統(tǒng)，無需人工干預，無需排隊采集信息。該系統(tǒng)通過現(xiàn)有教室里普遍應用的高清攝像頭，在上課開始時自動采集圖像，檢測圖像中的人臉，并將檢測到的人臉與數(shù)據(jù)庫進行比較，并標記出勤情況。這種新系統(tǒng)比傳統(tǒng)的考勤系統(tǒng)省時，同時又不干擾正常的教學過程，能準確檢測學生在課堂上的出勤情況。

關鍵詞：人臉識別;圖像采集;考勤系統(tǒng);課堂視頻;虹膜;出勤率

中圖分類號：TP391 文獻標識碼：A 文章編號：2095-1302（2019）06-00-03

0 引 言

高校的教學管理中，出勤率的考核是一項重要的內容。傳統(tǒng)的紙質點名方式或查學生證的方式不僅耗時、耗力，在考勤過程中還可能擾亂正常的教學秩序。近幾年出現(xiàn)了一些現(xiàn)代化的考勤方式，比如刷卡[1-2]方式，學生攜帶一張RFID卡，需要將其放在讀卡器上記錄出勤情況，使用RS 232將系統(tǒng)連接到計算機，并從數(shù)據(jù)庫中保存記錄的出勤信息。該系統(tǒng)可能會導致欺詐性訪問問題，未經授權的人可以使用授權的身份證進入系統(tǒng)。指紋考勤系統(tǒng)[3-4]，在講課期間學生可將手指放在傳感器上，而無需指導老師干預，是一個簡單可行的考勤方法。但是在講課期間，設備的傳遞可能會分散學生的注意力，另外指模也可以代替同學簽到。虹膜識別考勤系統(tǒng)[5-6]和RFID卡類似，需要每個同學排隊檢測虹膜，浪費課堂時間，擾亂課堂秩序。對分易考勤系統(tǒng)，雖然可以調整考勤時間，但是每個學生都需要在手機上網簽到，對于沒帶手機、或者沒記住考勤號的同學可能會遺漏。當然對于考勤時間限制較長的，簽到號完全可以發(fā)送到不到課堂的學生手機上，可以遠程簽到，不利于簽到的準確性。隨著人臉識別技術的發(fā)展，人臉考勤系統(tǒng)[7-9]也進入人員管理系統(tǒng)中。但是，常用的人臉考勤系統(tǒng)都需要專門的人臉識別設備，需要在上課前或下課后排隊識別考勤，浪費時間，也存在考勤后溜走不上課的情況。

為此本文設計一種新的人臉識別考勤方法，在無需老師和學生干預的情況下，實現(xiàn)學生在課堂環(huán)境中的自動識別和出勤記錄。目前一般高校的各個教室都有高清監(jiān)控攝像頭，這些攝像頭會不斷地捕捉學生的視頻圖像并保存到監(jiān)控中心，用來記錄學生的上課情況。本文利用監(jiān)控視頻拍攝下來的視頻圖像，在課堂上檢測圖像中的學生人臉，將檢測到的人臉特征與數(shù)據(jù)庫中的特征進行比較識別，并登記出勤情況。

1 系統(tǒng)總體設計

該系統(tǒng)由教室里安裝的攝像頭捕捉學生圖像，并將其發(fā)送到監(jiān)控中心后臺進行處理和考勤。在后臺的人臉識別系統(tǒng)中，根據(jù)上課時間按照一定的時間間隔從教室監(jiān)控視頻中捕獲學生圖像，并對圖像進行增強和去噪處理;然后在圖像中檢測人臉，并將檢測到的人臉進行對齊處理;最后進行人臉對比識別，并在數(shù)據(jù)庫中標記出勤情況。本系統(tǒng)由圖1所示的4個模塊組成：學生入學人臉圖像采集模塊、學生上課考勤人臉圖像采集模塊、人臉對比識別模塊和考勤管理模塊。

在學生入學時，都會采集他們的面部圖像，存儲在數(shù)據(jù)庫中，并按班級分類，將這些圖像經過預處理后按班級保存在學生人臉特征數(shù)據(jù)庫中。在上課考勤時，對在教室采集到的圖像進行人臉檢測和對齊，并和數(shù)據(jù)庫中圖像逐一進行比較，如果能識別出來，則在考勤數(shù)據(jù)庫中標記出勤信息。開始上課后，系統(tǒng)將自動啟動考勤流程，在一節(jié)課堂中多次采集學生圖像并進行人臉識別，自動獲得出勤率，節(jié)省了大量時間，而且不會有任何弄虛作假情況。具體流程如圖2所示。

2 系統(tǒng)模塊設計

2.1 學生入學人臉圖像采集模塊

隨著信息技術的發(fā)展，在學生入學時需要辦理校園卡、銀行卡，以及貸款等業(yè)務，這些業(yè)務系統(tǒng)都需要對學生進行人臉圖像采集，并將圖像和學生的基本信息進行綁定。本系統(tǒng)將這些采集好的人臉圖像數(shù)據(jù)庫作為人臉圖像的查詢庫，按學生的學號將圖像與基本信息按班級分類，做成班級考勤的人臉識別庫。具體流程如圖3所示。

目前，提取人臉特征的方法較多，如基于主成分分析（Principal Component Analysis，PCA）技術[10-11]的Eigenfaces[12]，該方法是PCA最具代表性的方法，是應用于人臉識別問題的最流行的算法之一;基于線性判別分析（Linear Discriminant Analysis，LDA）的方法Fisherfaces[13]，以及Fisherfaces的改進方法KFDA[14]。PCA和LDA有相似之處，都是對原有數(shù)據(jù)進行整體降維映射到低維空間的方法。LDA同時考慮了類間離散度和類內離散度，使這兩者的比率達到最大。經實驗證明，F(xiàn)isherfaces的性能優(yōu)于Eigenfaces。本系統(tǒng)采用OpenCV+Fisherfaces的方法提取人臉特征并進行人臉識別。采集到的人臉圖像由較多的像素組成，如果一個像素為1維特征，那么得到的人臉圖像將是一個維數(shù)很高的特征向量，計算量非常大，且人臉中的這些像素都具有一定相關性。PCA和LDA技術能在降低圖像維數(shù)時降低原始各維特征之間的相關性。根據(jù)LDA技術對采集的學生人臉圖像提取特征，并將特征保存到人臉特征數(shù)據(jù)庫中，以供在課堂考勤中進行人臉對比識別。

2.2 學生上課考勤人臉圖像采集模塊

在學生上課時，該教室的攝像頭會隨著老師講臺的打開自動打開，學生進入教室時，攝像頭一直工作，在上課期間采集上課的每位學生圖像。因為教室的攝像頭不是專門采集人臉的，上課時拍攝到的圖像中存在學生的臉部姿勢不正，大小各異（教室前面的臉部大，后面的學生臉部?。?，所以需要進行人臉檢測和人臉對齊。在人臉檢測前，先對視頻圖像進行預處理，此預處理步驟涉及提取人臉圖像的直方圖均衡和去噪處理;然后在圖像中檢測人臉，定位人臉部分后使用人臉對齊方法[15-17]進行臉部剪切、仿射變形;最終生成人臉正面圖像，并將其大小調整為100×100像素。直方圖均衡是最常用的直方圖歸一化技術，通過擴展圖像的強度范圍提高了圖像的對比度，使圖像更清晰。歸一化后將人臉圖像調整為統(tǒng)一大小，再按照LDA的方式提取人臉特征。

2.3 人臉對比識別模塊

從檢測到的人臉圖像中提取到特征后，需要將其和存儲的人臉特征數(shù)據(jù)庫進行查詢對比，識別人臉圖像。因此，在人臉檢測步驟之后，下一步是人臉識別。在第2.2節(jié)已經檢測到圖像中的所有人臉，并使用對齊方法剪切下來規(guī)整成統(tǒng)一大小的臉部正面圖像，接下來提取這些人臉圖像的特征并逐一與該班級的學生人臉特征數(shù)據(jù)庫進行比較，這樣通過人臉數(shù)據(jù)庫對學生的人臉進行逐一驗證，就可以識別出學生的身份，同時在考勤管理數(shù)據(jù)庫中標注學生的出勤情況。具體做法為：將學生入學人臉采集圖像作為樣本圖像，學生上課考勤的人臉作為測試圖像，然后使用LDA方法提取圖像特征，最后通過構造特征空間進行投影計算，使用分類器進行人臉識別，具體流程如圖4所示。在人臉對比模塊中，采用的分類器是模式識別中常用的最近鄰方法，此方法直接簡單，容易實現(xiàn)，可用于任何分布的數(shù)據(jù)。在訓練樣本足夠時，最近鄰分類法的效果比較理想。

2.4 考勤管理模塊

考勤管理包括學期管理、課程管理、班級管理、學生管理、考勤登記管理和考勤記錄導出功能。在使用人臉識別進行考勤時，系統(tǒng)根據(jù)課程安排將檢測到的各班學生人臉圖像特征與對應班級的人臉數(shù)據(jù)庫特征逐個進行比較驗證，并在服務器上的考勤登記管理中登記學生出勤情況。識別出的人臉將登記為出勤，沒有識別到的人臉將登記為缺勤，并提供導出到Excel的功能，打印出各個班級學生的考勤情況，也可以通過別的系統(tǒng)將各班考勤情況及時公布。

3 結 語

本文基于人臉識別技術設計出一種自動考勤系統(tǒng)，充分利用原有的監(jiān)控設備，在上課期間自動進行考勤，無需排隊采集信息，無需人工干預。該系統(tǒng)比傳統(tǒng)的考勤系統(tǒng)省時省力，同時又不干擾正常的教學過程，并能準確檢測學生在課堂上的出勤情況，為學生考勤管理提供了方便快捷的方法。

該系統(tǒng)在理想條件下能取得較好的效果，但是，實際情況中，由于教室中光線、角度、表情等多種因素會影響系統(tǒng)識別準確度。在今后的工作中，將考慮使用GPU高性能圖像處理服務器，采用深度學習的方法提高系統(tǒng)對現(xiàn)場復雜環(huán)境的適應能力，使人臉識別能達到人類識別的精確度，提高考勤的準確性。

參 考 文 獻

[1]樂潔.課堂刷卡考勤系統(tǒng)設計與實現(xiàn)[J]. 湖北經濟學院學報（人文社會科學版），2013（4）：188-189.

[2]申曉平.基于RFID的學生考勤刷卡系統(tǒng)的設計[J]. 福建電腦，2015（10）：113.

[3]郭茹博，陳明晶，蘭旭婷，等. 基于物聯(lián)網的指紋簽到平臺研究[J]. 信息通信，2018（1）：135-136.

[4]張寶飛.基于指紋識別技術的住校生考勤管理系統(tǒng)的設計與實現(xiàn)[J]. 軟件，2017，38（8）：161-166.

[5]王川. 基于虹膜識別的門禁考勤系統(tǒng)設計[D]. 哈爾濱：哈爾濱工業(yè)大學，2013.

[6]陶磊. 虹膜考勤系統(tǒng)關鍵技術研究與實現(xiàn)[D]. 哈爾濱：哈爾濱工程大學，2009.

[7]林天威.基于視頻流的人臉識別系統(tǒng)研究[D]. 哈爾濱：哈爾濱工程大學，2010.

[8]齊禮成. 基于人臉識別考勤系統(tǒng)的設計與實現(xiàn)[D].西安：西安電子科技大學，2012.

[9]王伯槐. 基于人臉識別的高?？记谙到y(tǒng)的設計[J]. 物聯(lián)網技術，2017，7（10）：62-63.

[10]趙鑫，汪維家，曾雅云，等. 改進的模塊PCA人臉識別新算法[J]. 計算機工程與應用，2015，51（2）：161-164.

[11]李康順，李凱，張文生. 一種基于改進BP神經網絡的PCA人臉識別算法[J]. 計算機應用與軟件，2014（1）： 158-161.

[12] TURK M A，PENTLAND A P. Face recognition using eigenfaces [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE Press，1991： 586-591.

[13] BELHUMEUR P N，HESPANHA J P，KRIEGMAN D J. Eigenfaces vs. fisherfaces： recognition using class specific linear projection[J]. IEEE transactions on pattern analysis & machine intelligence，1997，19（7）：711-720.

[14] MIKA S，RATSCH G，WESTON J，et al. Fisher discriminant anal-ysis with kernels [C]// Proceedings of the 1999 IEEE Signal Processing Society Workshop，Neural Networks for Signal Processing IX，Aug 25，1999. Piscataway，USA：IEEE，1999：41-48.

[15]吳彬. 基于視頻的人臉檢測與對齊算法研究[D]. 長春：吉林大學，2017.

[16] XIONG X H，F(xiàn)ERNANDO D L T. Supervised Descent Method and Its Applications to Face Alignment [C]// 2013 IEEE Conference on Computer Vision and Pattern Recognition. Portland：IEEE Computer Society，2013：532-539.

[17] TULYAKOV S，JENI L A，COHN J F，et al. Viewpoint-consistent 3D Face Alignment[J]. IEEE transactions on pattern analysis & machine intelligence，2018（9）：2250-2264.