基于生物識別技術的智慧校園系統設計與實現

王鶴群　郭心茹　劉群　劉麗紅

摘要：校園卡系統是數字化校園的基礎工程中的重要組成部分，但也存在易丟失、易損壞等弊端。本項目研究了一套以生物識別為基礎的智能校園系統，通過人臉識別、指紋識別及條形碼識別，實現了進出校園、跑步打卡、圖書借閱等功能。其中，采用了谷歌的FaceNet開源人臉識別框架，中控智慧的sdk開發包，tkinter圖形界面及MySQL的數據對象等技術。實現了功能完備、效果良好的基于生物識別技術的智慧校園系統，其中人臉識別與指紋識別正確率較高，各項功能的實現符合預期，解決了由傳統實體校園卡帶來的卡片遺失、消磁等問題，實現校園生活智能化。

關鍵詞：智慧校園；人臉識別；指紋識別

中圖分類號： TP311.41? ? 文獻標識碼：A

文章編號：1009-3044（2023）01-0028-03

1 引言

隨著信息技術的快速發展，各大高校也都緊跟信息化的浪潮積極地參與到智慧校園的建設中[1-2。校園一卡通系統是建設數字化智慧校園的基礎工程以及有機的、重要的組成部分。而校園卡作為校園一卡通系統的依托對象，卻存在易丟失、損壞等問題。

針對這個問題，本系統利用人臉識別[3]和指紋識別[4]生物識別技術[5-6]，實現具有校園門禁服務、圖書借閱服務以及高校陽光長跑打卡服務等功能的智慧校園系統。此系統不需要任何實體的校園卡，取而代之的是采用每位同學的生物特征，即人臉和指紋特征。該系統旨在通過對人的面部特征、指紋紋路或書本條形碼進行識別，并依托于計算機將采集到的數據信息上傳至后臺與數據庫中的相關數據進行比對、分析，無須刷卡，自動從后臺調出個人信息，并進行相關記錄，實現新型的智慧校園系統。

此系統的開發使校園生活變得更加方便快捷，進一步完善了大學生的相關服務管理機制，在一定程度上免除了數字化校園帶來的后顧之憂，進而促進校園“智慧化”。

2 智慧校園需求分析

智慧校園系統主要基于生物識別技術，即人臉識別技術和指紋識別技術，實現了校園跑步打卡、圖書借閱、進出校園身份識別功能。該系統通過指紋采集器采集指紋，或通過攝像頭捕捉人臉，再將采集的參數預處理后傳入系統并與已有數據進行比較判斷，從而實現身份識別功能。

在功能設計上，智慧校園系統可以通過PC端進行操作，同時提供不同的技術選擇（指紋識別或人臉識別）和場景選擇（進入校園、圖書館、跑步打卡、圖書借閱），具體功能設計見表1所示。

3 智慧校園系統架構

3.1 系統架構

如圖1所示，該系統主要分為3層結構，包括數據底層、核心層、用戶交互層。

用戶交互層則主要負責實現具體的功能，包括進出校門/圖書館，跑步打卡，圖書借閱。

核心層主要負責借助攝像頭、指紋采集器等器材實現人臉識別及指紋識別。

數據底層主要負責數據信息的存儲，包括數據集、訓練模型、數據庫信息等。

3.2 系統軟件設計

本系統的主界面包括四部分：圖書借閱、進入校園、圖書館、跑步打卡。分別進入這四個功能主界面后，系統默認人臉識別驗證，或用戶可選擇指紋識別驗證。在進行人臉識別/指紋識別時，攝像頭/指紋采集器會自動抓取人臉圖片/指紋圖片，實時進行識別。具體流程見圖2。

4 智慧校園系統關鍵技術

4.1 人臉識別技術

人臉識別技術使用Google的FaceNet[7-8]開源人臉識別框架，其核心技術是目前較為流行的卷積神經網絡算法。FaceNet框架的實現經過數據預處理、人臉檢測、數據模型訓練和分類器訓練、分類器測試，最終呈現結果，具體流程見圖3。

4.1.1 人臉檢測

采用MTCNN[9-10]進行人臉檢測并對齊與裁剪，其是多任務級聯CNN的人臉檢測深度學習模型。該模型網絡結構分為三層：P-Net（Proposal Network）、R-Net（Refine Network）、O-Net（Output Network），利用了檢測和對準之間固有的關系來增強性能，特別是在預測及臉部標記點時，通過三個CNN級聯的方式進行由粗到簡的處理。處理效果如圖4。

4.1.2 模型訓練

此訓練模型采用的數據源，為線下采集的本校內學生，共計82人，每人各40張不同角度，不同表情的160×160像素的人臉圖片構成的數據集進行模型訓練。

具體的模型訓練過程可以描述如下：

1） 使用Batch表示人臉的訓練數據，為每個Batch設置訓練樣本的數量。

2） 使用DEEP ARCHITECTURE（深度卷積神經網絡）進行特征的提取。此系統采用Google的Inception架構深度卷積神經網絡，其基本組成結構有四個成分1×1卷積，3×3卷積，5×5卷積，3×3最大池化。對四個成分的運算結果進行通道上的組合可得到提取的特征。

3） 利用L2特征歸一化將所有圖像的特征映射到一個超球面上。

4） 接入一個Embedding層，將圖像x通過函數f映射到d維歐式空間。

5） 采用Triplet Loss三元組損失函數進行模型優化。

在進行上述步驟進行模型訓練時需要考慮在梯度下降法中，如何設置學習率。本系統設置學習率的初始值為0.01，并選擇學習率衰減方式并結合優化器迭代更新學習率。本系統選用AdaGrad的優化器對學習率進行優化，其優點是能自動變更學習率，采用指數衰減的方式進行學習率迭代衰減，其優點是簡單直接，收斂速度快。

本系統的模型訓練部分參數設置如表2所示。

4.1.3 分類器訓練

利用圖像計算出來的向量數據訓練SVM分類器，訓練采用校內人員的人臉數據集，包括82人共3280張圖片。訓練過程中每個圖像類中存儲40張圖片，其中80%作為訓練，20%作為測試。

4.1.4 分類器測試

1） 單張圖片測試結果

共測試82人，3280張圖片，平均識別率約為94.3%。

2） 數據集圖片測試結果

使用CLASSIFY模式進行測試，輸出一個總體的準確性實現。共測試82人，3280張圖片，識別率約為99.3%。

3） 實時人臉識別測試結果

使用攝像頭進行實時人臉識別測試。實現過程選用數據集的82人和10位陌生人進行測試，其平均識別率約為94%。

4.2 指紋識別技術

利用中控智慧live20R指紋采集器并結合Java語言對其sdk開發包進行二次開發實現。二次開發的主要操作是將sdk開發包的指紋模板提取、指紋模板比對函數進行修改并打包成jar文件后在python引用，最終實現身份驗證。

4.3 數據模型

后臺信息的更新存儲使用MySQL數據庫。MySQL是一個小型的開源關系型數據庫管理系統，擁有體積小、速度快等特點，其適用多種操作系統和編程語言，可以處理大量數據，使用度較廣。

5 智慧校園系統的實現與測試

此系統的界面主要包括主界面、進出校門界面、進出圖書館界面、指紋識別界面、圖書借閱選擇操作界面、圖書條形碼識別界面、跑步打卡界面等，在主界面中用戶可選擇圖書借閱、進出圖書館、進出校門、跑步打卡四個模塊進行操作。其功能測試表如表3所示。

5.1 進入校園和圖書館

在使用系統的各項功能之前都需要進行身份識別。在身份識別過程中，系統默認為人臉識別驗證，或由用戶選擇指紋識別驗證。在進行人臉識別或指紋識別時，攝像頭或指紋采集器會自動抓取人臉或指紋，實時進行識別，進而輸出識別結果。部分識別結果如圖5。

5.2 跑步打卡

對于學生跑步打卡功能，系統通過身份識別獲取學生信息，再利用該信息更新數據庫中的打卡記錄并判斷本次打卡是否符合規則，若符合則更新打卡總次數。

5.3 圖書借閱

身份識別通過后，用戶進行借閱或歸還圖書操作時，系統通過攝像頭獲取圖書條形碼，對條形碼解碼，得到結果后結合已得到的身份信息對數據庫中的借閱記錄進行更新。若數據庫中不存在該書籍，則提示用戶操作失敗。部分測試效果如圖6所示。

6 結束語

隨著人工智能的快速發展，未來生物識別技術將會應用更多地在人們的日常生活中。本文主要介紹了以生物識別為基礎結合校園門禁功能、借閱圖書功能、跑步打卡功能等實現的智慧校園系統的實現，它促進了校園“智慧化”，在一定程度上完善大學生的相關服務管理機制。本智慧校園系統，基本上實現了校園門禁、圖書館借閱和歸還、跑步打卡等功能，測試效果符合預期。

參考文獻：

[1] 周紅春.高校教育信息化的新發展：信息化教育——我國高校教育信息化試點學校建設的啟示[J].電化教育研究，2012，33（6）：5-11，28.

[2] 黃榮懷，張進寶，胡永斌，等.智慧校園：數字校園發展的必然趨勢[J].開放教育研究，2012，18（4）：12-17.

[3] 吳巾一，周德龍.人臉識別方法綜述[J].計算機應用研究，2009，26（9）：3205-3209.

[4] 安吉堯，李軍英，李仁發，喻飛.基于指紋特征的考生身份識別系統[J].計算機應用研究，2004，21（7）：119-121.

[5] 盧官明，李海波，劉莉.生物特征識別綜述[J].南京郵電大學學報（自然科學版），2007，27（1）：81-88.

[6] 田啟川，張潤生.生物特征識別綜述[J].計算機應用研究，2009，26（12）：4401-4406，4410.

[7] Schroff F，Kalenichenko D，Philbin J.FaceNet：a unified embedding for face recognition and clustering[C]//Boston，MA，USA：2015 IEEE Conference on Computer Vision and Pattern Recognition.IEEE，2015：815-823.

[8] 田啟川，王滿麗.深度學習算法研究進展[J].計算機工程與應用，2019，55（22）：25-33.

[9] 賈小碩，曾上游，潘兵，等.基于改進MTCNN網絡的目標人臉快速檢測[J].計算機工程與科學，2020，42（7）：1262-1266.

[10] 劉敏，潘煉，曾新華，等.基于MTCNN的坐姿行為識別[J].計算機工程與設計，2019，40（11）：3293-3298.

【通聯編輯：梁書】