基于人臉識別技術的考勤方案研究

摘要：隨著人工智能領域的飛速發展，越來越多的基于大數據、機器學習等技術的創新應用使得生活更加快捷便利。為了規范、高效地完成學生考勤。本研究主要分析目前常見的幾種生物識別方法的考勤系統進行對比，分析人臉識別在考勤中的優勢和不足。為后期將人臉識別技術運用在考勤中發揮更好的輔助作用。

關鍵詞：人臉識別;物聯網;考勤

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2020）19-0177-02

開放科學（資源服務）標識碼（OSID）：

隨著智慧校園建設的快速推進，各高校無論從硬件還是軟件都做了大量的投資，目前許多學校將物聯網建設思路運用到了校園日常管理中。物聯網產品價格越來越低，應用行業越來越廣，各個行業的解決方案日趨成熟。人臉識別是基于物聯網資源的一個有效整合。現將物聯網相關技術應用到高校日常考勤中也是大勢所趨。

物聯網是通過射頻識別技術（RFID）、傳感器技術、全球定位系統、激光掃描儀等傳感設備采集到光線、熱能、電磁、聲波、位置、生物等數據，按相應的協議，并通過網絡把任何物品與互聯網相連接，進行信息交換和通信，以實現對物品的智能化識別、定位、跟蹤、監控和管理的一種網絡。作為互聯網的延伸，物聯網利用通信技術把傳感器、控制器、機器、人和物等通過新的方式聯在一起，形成人與物、物與物相聯。現被廣泛應用于智能家居、智慧城市、智慧交通、智慧醫療、銀行等許多行業領域，是人類在科技領域的重大飛躍，是未來社會發展的方向。

隨著高校不斷擴招，學生規模不斷擴大，課程任務、學生宿舍、教學、后勤、保衛等相應的管理成本和管理難度也隨之增加且日益復雜。以課堂考勤為例，現階段考勤管理，仍然是由教師主導或監督下完成的點名，這種方式簡單方便，但是存在諸多問題;首先是時間的我浪費，尤其在一些大課或者合班課程，上課人數眾多;其次是教師考勤統計難度較大，需要在期中期末進行統計時，需要教師將各門課程匯總后上報學校教務處或其他部門，需要將各學院數據進行匯總，可能會花費大量的人力物力;再次就是考勤過程中存在事假、病假、曠課、遲到、早退等各種因素，所以在統計過程中數據準確性難以保證;最后是數據的反饋難以達到精準，存在教師、學院管理人員和學生難以及時、準確的了解考勤情況。

1 研究現狀

1.1指紋識別考勤

Akinduvite等提出了一個基于指紋的學生出勤管理系統[1]具有識別度快、準確率高、容易操作，同時用戶一般不會在手指的指紋上做裝飾，穩定性和可靠性強。但是在具體操作過程中，學生需要一個個依次排隊進行指紋進行錄入，在課前10分鐘內完成錄入很容易造成擁堵現象;同時指紋識別屬于觸摸式識別，識別過程中對對手指的濕度和清潔度都有要求，指紋在磨損后也會造成不能識別的后果;還會存在某些人可能天生沒有指紋，或者指紋特征少，無法成像的情況;指紋痕跡容易留存，存在被復制的可能陛，安全性降低。

1.2 射頻識別考勤

潘宏斌等實現了基于RFID自動識別技術的校園考勤系統[2]。實現了非接觸的批量自動考勤管理，有效監控校園學生的行為軌跡。射頻識別系統主要由三部分組成：標簽、天線、閱讀器，具體識別流程如圖1所示。RFID識別根據工作頻率的不同分為低頻、高頻和超高頻。但是采用RFID來作為考勤的識別主要存在以下問題：首先在使用低頻和高頻標簽時，因標簽是被動式的，需要學生帶上標簽到固定的采集器上進行數據采集，會存在上課或下課過程中出現大量排隊的情況，同時代打卡現象比較嚴重，無法驗證是否為本人;其次使用超高頻解決了排隊的問題，但是存在一人帶多卡，會出現一人帶多卡且無法確認是否為學生本人進行操作，同時使用超高頻讀取過程中是被動識別的方式，信息會被不斷的讀取，信息安全存在問題。

1.3 手機打卡考勤

基于手機的考勤方式也各式各樣。周克輝等實現的通過Wi-FiDirect技術+手機打卡方式[3]，湯文俊等開發的基于圖片+位置通過簽到簽退的方式進行考勤[4]，張雅瓊等實現的手機+藍牙的打卡方式[5]。以上幾種方法都實現了對學生的考勤的信息化，規范了考勤流程，有效減少了代刷現象。但其系統主要是被動考勤，首先教師及管理人員無法在第一時間了解考勤結果，也會存在學生忘記打考勤等情況出現;其次是一個同學可以帶一個或多個手機進入教室，代考勤現象依然存在。

2 基于人臉識別的考勤研究

人臉識別（FACE RECOGNITIO）是生物特征識別技術的一種，人臉圖像采集及檢測、人臉圖像預處理、人臉圖像特征提取以及人臉匹配與識別，詳見下圖3。人臉識別技術在實際使用中首先具有非接觸和主動識別的特性，在采集人臉識別過程中，只需要被檢測人在攝像頭下被設備抓拍到人臉畫面即可，這樣的好處在于用戶在心理上比較容易接受，不會出現抵觸情緒。其次在于人臉識別可以根據預先設定好的相關流程進行主動識別，部署完畢后無須其他操作，易于實現。再次，人臉信息也屬于生物特征信息，難以進行復制，偽造，大大提高了安全性以及可靠性。因為其安全、可靠、非接觸、簡單、主動識別的特點。越來越多基于人臉識別的各種新產品新技術被不斷推出，并且人臉識別技術已經逐步在教育、公共安全、教育、國防、醫療等多個領域“落地開花”，從身份認證到線下支付，從乘坐地鐵到取快遞，人臉識別技術讓我們有著更便捷的生活。

2.1 人臉圖像采集及檢測

在人臉圖像采集的具體應用場景下，一般都是在非限制條件下進行人臉圖像采集和檢測，在這種環境下采集到的人臉常常會受到采集圖像大小、采集圖像分辨率、光照情況、是否模糊、五官是否被遮擋、人臉采集角度等問題。

采集到的低質量的圖像信息很大程度上會影響人臉識別和檢測過程中的四個指標即檢測率、漏檢率、誤檢率、檢測速度。檢測率是指存在人臉并且被檢測出的圖像在所有存在人臉圖像中的比例;漏檢率是指存在人臉但是沒有檢測出的圖像在所有存在人臉圖像中的比例;誤檢率是指不存在人臉但是檢測出存在人臉的圖像在所有不存在人臉圖像中的比例。目前比較主流人臉檢測的方法有AdaBoosts算法[6]、viola-j ones人臉檢測算法[7]、可變形的組件模型（dpm）[8]、卷積神經網絡（CNN）[9]。

2.2 人臉圖像預處理

在具體應用場景下采集到的圖像信息由于受到各種條件的限制和隨機干擾，往往不能直接使用，必須在圖像采集后對圖像進行預處理，該過程主要對圖像進行處理并最終服務于特征提取的過程。

在預處理過程中主要完成人臉對準[10]（通過部件定位算子標定人臉中關鍵特征點的位置，包括眼球、鼻尖和嘴角），人臉圖像的光線補償（抵消人臉圖像中存在的色彩偏差，將整個圖像中的所有像素的亮度從高到低進行排列），灰度變換（為了改善畫質，使圖像的顯示效果更加清晰）、歸一化（取得尺寸一致，灰度取值范圍相同的標準化人臉圖像）、幾何校正[11]（實現定位人臉傾斜方向以達到人臉校正的目的）、中值濾波（圖片的平滑操作以消除噪聲）以及銳化等。

2.3 人臉圖像特征提取

人臉識別過程中的特征識別方法主要有卷積神經網絡的人臉圖像特征、幾何特征的方法等。人臉特征提取就是針對人臉的某些特征（眼睛、鼻子、嘴、下巴）進行的，也稱人臉表征，可作為識別人臉的重要特征，它是對人臉進行特征建模的過程，完成對人臉信息特征提取。其中最為基礎的是幾何特征提取，人臉由眼睛、鼻子、嘴、下巴等部件構成，正因為這些部件的形狀、大小和結構上的各種差異才使得世界上每個人臉千差萬別，因此對這些部件的形狀和結構關系的幾何描述，可以作為人臉識別的重要特征。幾何特征最早是用于人臉側面輪廓的描述與識別，首先根據側面輪廓曲線確定若干顯著點，并由這些顯著點導出一組用于識別的特征度量如距離、角度等。

2.4人臉匹配與識別

提取的人臉特征值數據與人臉識別服務器中存貯的特征模板進行搜索匹配，通過設定一個閾值，將相似度與這一閾值進行比較，來對人臉的身份信息進行判斷。在匹配和識別過程中主要采用的是MIT實驗室的特克（Turk）和潘特（Pentland）提出的“特征臉”[12]、彈性圖匹配（EGM）[13]、幾何特征、神經網絡等方法進行識別。

3 研究展望

通過人臉識別的方式進行考勤可以高效、準確的進行考勤。同時人臉識別受識別環境的影響可通過相應的算法和改進識別環境得以彌補其中的不足。筆者認為繼續加大對算法的研究、并與物聯網技術、大數據、人工智能技術相結合，高校考勤中出現的各式各樣的問題都將迎刃而解。

參考文獻：

[1] Akinduyite co， Adetulmlbi.Fingerprint-based attendance man-agement system[Jl.Journal of Computer Sciences and Applica-tions， 2013，1（5）：100-105.

[2]潘宏斌，林雨，余雯.基于RFID自動識別技術的校園考勤系統分析與研究[J].價值工程，2018，37（30）：246-248.

[3]周克輝，陳泰峰，謝先輝，基于Wi-FiDirect技術的高校手機考勤管理系統研究[Jl，電子測試，2019，（19）：80-82.

[4]湯文俊，彭立，席博文.一種基于智能手機的課堂考勤系統[J].計算機時代，2019（2）：18-22.

[5]張雅瓊，華正龍.基于物聯網與Android平臺的課堂考勤系統的設計與實王見[J].微型電腦應用，2019，35（4）：42-44.

[6]楊忠明，李子龍，胡音文，等.一種前景提取的行人模式識別檢測算法[Jl.鄭州大學學報（工學版），2019，40（5）：91-96.

[7]賈海鵬，張云泉，袁良，等，基于OpenCL的Viola-Jones人臉檢測算法性能優化研究[J].計算機學報，2016，39（9）：1775-1789.

[8]孫肅肅.基于HOG-PCA和DPM的人臉檢測方法的研究和實現[D].北京：北京郵電大學，2014.

[9]董蘭芳，張軍挺.基于Faster R-CNN的人臉檢測方法[J].計算機系統應用，2017，26（12）：262-267.

[10]杜成，蘇光大，林行剛，等.改進的用于人臉對準的多尺度ASM方法[J].光電子，激光，2004，15（6）：706-709，730.

[11]孔海東.面向人臉識別的特征定位及幾何校正研究[D].天津：河北工業大學，2006.

[12]王忠民，王星，李剛，基于特征臉一灰度變換融合的人臉識別方法[J].小型微型計算機系統，2019，40（2）：420-426.

[13]俞燕，李正明.基于特征的彈性圖匹配人臉識別算法改進[J].計算機工程，2011，37（5）：216-218.

【通聯編輯：唐一東】

收稿日期：2020-02-21

基金項目：德宏師范高等專科學校校級課題（XJ201810）

作者簡介：吳永斌（1994-），男（彝族），云南楚雄人，本科，德宏師范高等專科學校信息學院，助教，主要研究方向：軟件設計、物聯網，大數據。