基于人臉識別的課堂視頻考勤系統設計 ?

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，傳統的紙質點名方式會浪費很多時間和精力?，F有許多非手工方式，雖然能節約精力，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，無需人工干預，無需排隊采集信息。該系統通過現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據庫進行比較，并標記出勤情況。這種新系統比傳統的考勤系統省時，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;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。近幾年出現了一些現代化的考勤方式，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將系統連接到計算機，并從數據庫中保存記錄的出勤信息。該系統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。指紋考勤系統[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[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，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展，人臉考勤系統[7-9]也進入人員管理系統中。但是，常用的人臉考勤系統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，實現學生在課堂環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控中心，用來記錄學生的上課情況。本文利用監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據庫中的特征進行比較識別，并登記出勤情況。

1 系統總體設計

該系統由教室里安裝的攝像頭捕捉學生圖像，并將其發送到監控中心后臺進行處理和考勤。在后臺的人臉識別系統中，根據上課時間按照一定的時間間隔從教室監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，并在數據庫中標記出勤情況。本系統由圖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，存儲在數據庫中，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據庫中。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，并和數據庫中圖像逐一進行比較，如果能識別出來，則在考勤數據庫中標記出勤信息。開始上課后，系統將自動啟動考勤流程，在一節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

隨著信息技術的發展，在學生入學時需要辦理校園卡、銀行卡，以及貸款等業務，這些業務系統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。本系統將這些采集好的人臉圖像數據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，都是對原有數據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，Fisherfaces的性能優于Eigenfaces。本系統采用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時降低原始各維特征之間的相關性。根據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據庫中，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據庫進行查詢對比，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整成統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據庫進行比較，這樣通過人臉數據庫對學生的人臉進行逐一驗證，就可以識別出學生的身份，同時在考勤管理數據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，可用于任何分布的數據。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，系統根據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據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，充分利用原有的監控設備，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。該系統比傳統的考勤系統省時省力，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對現場復雜環境的適應能力，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.課堂刷卡考勤系統設計與實現[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的設計與實現[J]. 軟件，2017，38（8）：161-166.

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

[6]陶磊. 虹膜考勤系統關鍵技術研究與實現[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的設計與實現[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的設計[J]. 物聯網技術，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，FERNANDO 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.