基于LabVIEW 的便攜式高校出勤統計系統的設計與開發

劉桐芬，張嘉琪，王雯

（天津理工大學 環境科學與安全工程學院，天津）

當前高校的教學管理工作要求精細化、人性化和高效率，在傳統教學管理的基礎上，結合新技術，平臺化管理，借助移動設備來實現指定到人的管理效果是大趨勢[1]。而在教學管理的各個方面中，課堂管理是核心內容之一。特別是在本科生階段，課堂授課是學生獲得專業知識，掌握學科框架，鍛煉邏輯思維的重要渠道，直接關系到學生的學習效果[2]。而在一般本科院校中，保證出勤率是課堂管理的重要手段。

一 出勤率常見統計方法及利弊

常見的課堂出勤統計方法可以分為兩大類，一種是被動統計式，即由課堂管理人員以傳統的方法，或是軟硬件結合互聯網的手段，清點到教室的學生人數；另一種是自主簽到式，學生主動以實體的方式或在網絡上簽到。下面列出了當前常用的出勤率統計方法，并嘗試分析了各種方法的優勢與缺陷。

（一） 教師課上點名

這種傳統的課堂出勤率統計方法準確性高，同時還有教師與學生溝通的效果，另外，對學生來說有較好的威懾力。缺點是一方面占用授課時間，另一方面教學班學生人數的多少直接影響這種方法的操作性。學生人數較多則點名占用時間太多，教師往往不會經常點名，或者不全面點名，同時教師無法確保認識教學班內的所有學生，因而點名對于出勤的威懾力會受到很大影響。

（二） 學生或助教點名記錄

作為教師點名的替代方案，由學生干部或者助教來統計學生出勤可以避免上面提及的教師點名占用教學時間的問題。但這樣的統計方式同樣占用大量時間。除此之外，教師與學生之間沒有溝通，查考勤對學生的威懾力也明顯下降。另外，如果是學生統計，還很有可能出現瞞報虛報出勤人數的情況。

（三） 人臉識別系統進行出勤統計

以高清攝像頭、面孔識別系統、和眼球追蹤系統為基礎搭建的學習監測系統可以實現面孔識別并進行統計的效果，當前在某些中學有試點應用，高校較少引進這類系統。此類系統進行出勤統計非常方便，既節省時間，還可保證準確性，因為進行人臉識別，甚至解決了某些大班課中其他學生替課，教師或助教無法正確識別的問題[3]。這套系統的不足在于，一方面搭建成本高，無論硬件設備還是軟件開發，在當前仍舊成本很高，不利于推廣；另外，通過面孔識別和眼球追蹤對學生學習過程進行全方位監控不利于學生養成自主學習的習慣，從長期看與教育的初衷背道而馳；而且，該系統在某些中學運行后收到的負面評價較多，公眾普遍質疑這樣的監控系統涉嫌侵犯隱私。上述問題導致這樣的監控系統實際上很難在高等院校普及。

（四） 商業教學平臺內嵌的簽到系統

目前有一些網絡教學平臺和教學評估平臺可以實現在線簽到的功能，如雨課堂、智慧樹、麥可思等。另外，學校自行開發的教務管理系統也常常內置點名系統。此類系統多屬于自主簽到模式，課程開始后，或由教師開啟點名功能后，學生在手機端自行簽到，系統自動統計和上報數據。這樣的系統可以極大地減少老師點名及后期統計的工作量。但在實際使用中經常因為網絡信號問題造成簽到不成功[4]，特別是班級人數較多時，這樣的誤差對統計結果造成的影響很大，如果人為進行修正又需要占用老師的時間，從一定程度上抵消了此類方法的優勢。另外，不同的系統簽到時的一些設置導致存在有各種漏洞，如某些系統只要學生在網，無論是否在教室都可以簽到[5]；某些掃二維碼簽到的系統，缺勤學生可以掃描同學傳的二維碼簽到；甚至可能出現以其他手機登陸學生系統替簽到的行為。

二 基于移動端拍照的出勤統計系統的優勢

通過分析上述可以看出，出勤統計系統設計的目的是減少教師工作量，提高課堂效率。但因為其功能單一，往往被深度整合在某個軟硬件平臺之中，只是平臺綜合教學服務中的一個環節。這樣的平臺化深度整合雖然對調用學生信息有利，但高大全的平臺缺乏靈活度與便攜性，無法細化兼顧出勤統計的一些特殊需求。而且整個系統缺乏靈活性，后期難以根據不同學校學生的具體情況進行有針對性地開發或優化。

而利用手機等移動便攜設備即時拍照，對圖形進行分析計數，則是完全不同于目前的各種出勤統計系統的一個新思路。教師或教輔人員可以在課前或課中的任何時候對教室進行簡單拍照，只要圖像范圍覆蓋到所有在教室的學生即可進行后續數據分析。對照片進行圖形分析即可統計出照片中的人數，實現統計出勤的效果。

另外，拍照后計數的方法具有可回溯的優勢。如果對出勤統計的結果有疑問或者質疑，可以從教學管理系統重新調用當時拍攝的圖像，無論是再進行計數或者專門針對某人進行檢查都很方便。相比于傳統的人為計數，這種方法保存了計數過程的影響；相比于更加復雜的以視頻或人臉識別進行計數，這種方法在調用過程中不需要瀏覽大量的影像資料，更加方便快捷。

因此，基于拍照和圖形分析進行出勤統計的優勢是操作簡單、設備便攜、可隨時進行及結果準確。唯一的缺陷是圖像質量可能導致面孔識別效果差，不能解決他人替課的識別問題。這樣的系統基本可以完全替代教師點名的功能，同時也可以作為目前各種出勤統計系統的有益補充。

三 移動端拍照出勤統計系統設計

本論文設計的出勤統計系統主要是通過接收教師端發送的圖片來獲得圖形信息；通過對調用的圖片進行分析，分離出照片內的學生；如果圖片質量存在嚴重問題，圖像分離結果不理想時，通過人工干預的方式微調圖形分離結果；對分離出的人像進行計數；將統計結果輸出至教師端。具體每個功能組塊的功能與設計如下。

（一） 信息接收與圖形調用

系統接收圖片后將其存儲并調用至后續系統，以便進行分析與計數。系統通過移動信號接收教師發送來的圖片信息，識別確認信號源身份后對圖片進行存儲。圖1顯示了用LabVIEW對圖片進行調用的程序。首先，將收到并存儲好的教師拍攝的圖片存儲文件夾調用至主程序中，然后為其指定名稱，如是提前拍攝的教室空白圖片則定名為“空白圖片”，如是教師發送的有學生的圖片則命名為“識別圖片”。系統在計數開始前將“空白圖片”與“識別圖片”同時調用，用于對比計算。

圖1 系統將存儲圖片調用并命名用于后續計算

（二） 圖像比較實現人像與背景的分離

利用兩張圖片中同一位置像素數字的差值將學生與教室背景分離開。調用“空白圖片”和“識別圖片”后，分別將兩張圖片數字化，然后對兩圖的數字化結果中的同一位置進行像素比較，程序由圖2的a部分實現。兩張圖片像素相減的矩陣再返回為圖形形式，即形成了扣除了教室背景后的差值圖形。圖2中的b部分為LabVIEW中實現這步操作的程序。

圖2 系統實現出勤統計的LabVIEW 主程序圖

（三） 參數設置實現單個人像的圖形分離

通過設置“取差值范圍”和“侵蝕數值”實現剔除背景后的人像逐一分開。首先對像素數值的差異值設置合理的響應下限，當某位置兩圖的像素數值差異大于響應下限時，即意味著該點落在了“取差值范圍”內，該位置的像素差是由人的出現造成的，而不是背景剔除中產生的誤差。將此類像素點在圖上標記為紅色。隨后通過設置合理的侵蝕值上限，將像素面積值小于侵蝕值的紅色區域侵蝕掉，從而實現了圖形中噪音的去除和標紅的人像間粘連部分的分離。圖2中的c部分為LabVIEW中實現這一操作的程序。

（四） 對圖形計數及輸出結果

對圖形識別的結果或圖形識別后人工干預的結果進行計數并輸出結果。標紅的學生人像在圖形中被分離成功，即可用計數程序對標紅位置進行搜索和計數。如果對圖像識別的結果有懷疑，可以進行人工干預，調整圖形識別的結果用于計數。計數的結果報“分析結果”顯示，同時將其以原路徑發回給發送圖片的老師，報告計數結果。如果是通過人工干預調整過識別結果的技術結果，在發送移動終端的時候進行標注。圖2中的d部分為LabVIEW中實現這一操作的程序。

四 系統的調試與測試

在LabVIEW平臺搭建好系統后，先在虛擬儀器界面中進行調試及優化。然后完成后聯機測試，特別是針對識別的相關參數和結果輸出的模塊進行調整與優化。圖3顯示了參數優化完成后，系統結合空白教室的圖像（圖3a）和教師拍攝的學生圖像（圖3b），分離出用于計數的單個學生人像圖像（圖3c），以及本次分離中所運用的參數及計數結果（圖3d）。

在程序運行中需要調試的主要是會影響學生人像分離效果的參數：“取差值范圍”和“侵蝕數值”。

圖3 系統參數及運行效果圖

“取差值范圍”設定的是識別圖片與空白圖片相減時認定為具有差異的差值范圍。以空白教室的圖片作為背景，當教室的某一位置出現學生時，相應位置的空白與識別圖片像素數值的差將不為0，差值最大可達到255。但在沒有學生的空位，兩張圖像相減時仍可能因細微的差異而差值非0，因此需要設置一個合理的“取差值范圍”的“下限值”來保留實際差異，同時剔除細微差異。經多種場景測試，軟件選定“下限值”為圖中所示的5。

為“侵蝕數值”設定一個合理的下限，有助于準確分離出人形并將噪點剔除。當“空白圖片”與“識別圖片”相減后，差值落在在“取差值范圍”5-255之間的位置將被標紅，其他位置被標黑，人形即可顯現，但此時不能直接計數。一方面，仍存在一些未被“取差值范圍”的“下限值”扣除的背景輕微差異噪點；同時，分離出的人形也可能因為學生坐位相近而形成粘連，因此需要設置一定的“侵蝕數值”來優化圖形剔除這些干擾。另一方面，如果“侵蝕數值”的下限設置的過高，侵蝕過于嚴重，則有可能將形狀較小的人形當做噪點去除掉。因此，合理的設置“侵蝕數值”是系統測試中的一個重要參數。經多場景測試，軟件選定“侵蝕數值”為圖中所示的20。

系統調試完成后，選取了兩種教室背景進行了測試，結果較理想。兩種教室背景分別是最多可容納48人的小教室，和最多可容納142人的大教室。每種場景設計了少量，適中和較多的學生人數進行測試，每種教室每種人數下分別測試了5種學生位置的組合。

考慮到現實的教學管理中，教室的最大容量遠大于課程的學生人數，因此在測試中，最大容量48人的教室內少量、適中和較多的學生人數分別是10人、20人、和30人三種場景；而最大容量142人的教室內少量、適中和較多的學生人數分別是20人、35人、和50人三種場景。

測試時首先在兩間教室內，拍攝空白背景圖片，然后分別拍攝了學生人數少量、適中和較多時，學生按5種不同方式就坐后的識別圖片，用系統軟件進行計數，將每種學生人數下，5個位置組合時系統計數得到的數值取平均值，將其與實際人數進行比較即可得到計數準確率的百分比。如某照片的測試結果與實際人數不符，則運行“對圖形計數及輸出結果”功能組塊中的“人工干預”流程，再輸出計數結果，計算準確率百分比。測試的準確率，是否需要人工干預，及人工干預后的準確率如表1所示。

五 系統在未來的開發方向

經過測試，該系統已經可以較成功地實現準確的出勤統計。相比于傳統點名，系統明顯具有便捷、快速的優勢，而相比于較復雜的、基于大型教學管理平臺運行的簽到系統，系統又具有便攜、靈活和對網絡穩定性需求低等優勢。同時，該系統的開發也是一種新穎的嘗試，利用手機等移動設備，簡單的拍照功能和簡單的計算機程序實現統計出勤。通過這一思路，還可以開發同類的其他相關功能。

表1 兩種教師三種人數下測試結果統計

六 結語

目前該系統之所以人多時需要調用人工干預組件，是因為現有的圖形分離算法在面對學生分布特別密集，圖形重疊較多的情況時，還不能很好地分離圖像。這一缺陷一定程度上影響了系統的使用范圍和使用便捷度。未來的系統優化中，可考慮以其他算法替換現在使用的算法，不再以扣除識別圖片背景圖片的差異分離人像來進行計數，從而規避人群密集時人像分離效果不佳的問題。如可使用簡單的圖形分析識別出面孔，再計數識別出的人臉來進行出勤統計。甚至通過簡單的圖形分析可以進行粗略的面孔識別，則可更進一步確定大部分人的身份，進行更精細地出勤統計。上述兩種思路都優化了分離計數的算法，同時還保持了系統的便攜、小平臺和可溯源等優勢，都可以作為未來開發的思路。