基于人臉識別的礦井人員考勤管理系統

肖蕊 王繼鵬

摘? 要：煤礦職工管理工作對煤礦企業發展產生了重大影響。因此對煤礦的礦井人員考勤進行了調查，發現煤礦現在的礦井人員考勤打卡方式會出現替打卡、漏打卡現象。針對煤礦工人的貼牌、頂替現象，提出并設計了以人臉識別為基礎的礦井人員出勤管理系統。系統將人臉識別和射頻卡識別相結合，帶有射頻卡員工信息與人臉檢測識別的員工身份信息一致算作考勤成功。上述考勤系統可以有效杜絕員工虛假考勤，提高企業管理效率，利于企業長遠發展。

關鍵詞：考勤管理系統；人臉識別；卷積神經網絡

中圖分類號：TP391.4? ? 文獻標識碼：A? 文章編號：2096-4706（2023）07-0035-04

Abstract： The coal mine management work has had a significant impact on the development of coal mine enterprises. Therefore， this paper investigates the attendance of mine personnel in the coal mine， and finds that the current punch the clock mode of mine personnel's attendance in the coal mine can cause the phenomenon of replacing or missing punch the clock. A mine personnel attendance management system based on face recognition is proposed and designed， aiming at the phenomenon of coal mine workers' labeling and replacement. The system combines face recognition and radio frequency card recognition， and the consistency of employee information with radio frequency card and employee identity information identified by face detection is considered as attendance success. The above attendance system can effectively eliminate false attendance of employees， improve enterprise management efficiency， and facilitate the long-term development of the enterprise.

Keywords： attendance management system; face recognition; Convolutional Neural Networks

0? 引? 言

現如今，由于經濟與技術的不斷提高，礦井的逐步改造提升，現有的礦井人員管理系統對于現在煤礦對于下井作業人員管理上出現的曠工、代工現象難以避免，因此，基于人臉識別的礦井考勤系統應運而生，在原有傳統考勤基礎上，運用人臉識別技術來核查員工身份，提高考勤效率，對煤礦企業發展和效益有利的是加強企業管理能力。

目前大部分礦井的人員入井考勤制度，都是通過在井口進出時打卡的方式對人員進行出勤管理，會出現漏打卡、錯打卡等現象，對于員工的不正規代班，替班等現象無法做到相應管控，使得企業對員工管控造成很大的漏洞，對發展和管理煤礦企業帶來較大的不利影響[1]。因此，本系統采用人臉識別技術和射頻技術相結合的方式，員工下井工作時佩戴自己的射頻卡并站在考勤識別機前人臉識別成功，方可成功考勤。

1? 系統整體設計

根據煤礦出勤現狀，結合煤礦特殊場景，以人臉識別為依據，設計出井下作業人員出勤管理。如圖1所示礦井人員考勤管理系統主要包括八個模塊，即人員管理、考勤管理、工種管理、職務管理、部門管理、用戶管理、班次管理和系統管理。人員管理錄入了包括姓名、工號、年齡、科室等基礎信息在內的煤礦企業下井人員明細；考勤管理可以查看員工考勤的具體數據包括考勤時間、考勤類型、姓名以及考勤時的圖像信息等；工種管理是提供了對整個礦井工種的管理，包括工種的添加、每個工種相應的屬性等；職務管理是提供了對整個礦井一系列職務的管理，包括添加職務以及每個職位相應的工作、屬性等信息；部門管理提供了對整個礦井部門的管理，包括部門的添加、每個部門相應的屬性等信息；用戶管理包含添加系統用戶，并為其設置相應的權限；班次管理提供了對整個礦井班次的管理，包括對班次時間、名稱的修改；系統管理可以看到當天實時下井人數、最近考勤的三位基本信息，以及對客戶端的管理操作，系統功能架構如圖1所示。

本系統是通過在礦井口安裝檢測裝置，在客戶端上錄入員工的基本信息，讓員工帶著他們對應的標識卡通過檢測裝置進行人臉數據收集，收集完成后會將采集到信息上傳至服務器上處理，之后員工考勤，只需通過員工佩戴的標識卡和裝置采集到人臉數據進行比對，即可得出考勤信息，之后服務器再將信息傳到客戶端，本系統的系統架構如圖2所示。

2? 人臉識別模塊分析

本系統人臉識別場景是礦井，主要依托于智能檢測裝置中進行工作。本模塊：首先攝像機獲取的影像資料，對檢測到的人臉中的特征進行提取，對提取到的人臉特征資料進行存儲。在進行人員考勤時根據之前存儲的人臉特征與考勤人員的人臉進行比對，計算兩者之間的擬合度并輸出識別結果到數據庫，作為考勤數據。如圖3所示。

2.1? 人臉檢測

人臉檢測是從各種復雜的影像資料中對人臉進行檢測的過程，所以人臉特征點的確定是目前人臉檢測的一個技術難點，因為必須先從人面部確定各個特征點的具體部位，比如：眼睛、眉毛、鼻子、嘴、上下頜輪廓等[2]。在本系統中我們使用MTCNN，一種基于卷積神經網絡的多任務訓練檢測人臉模型，采用三個級的網絡串行使用，并做到人臉的檢測和關鍵點的對齊兩個訓練任務，使用候選框加分類器的方法，以提高人臉檢測效率。

MTCNN由Proposal Network（P網絡），Refine Network（R網絡）和Output Network（O網絡）三個級聯網絡而成的網絡結構。圖片在輸入到MTCNN模型后進行不同尺度的變換，提取圖中不同尺度大小的圖像。然后將提取出的不同尺度圖像輸入三個級聯的CNN網絡中進行檢測。首先通過P-Net網絡快速檢測出一些粗略的建議框，然后通過非極大值抑制處理選出置信度較高的框。其次經過R-Net精細化建議框，P-Net和R-Ne的區別在于增加了一個全連接層，進而可以更大程度上的減少錯誤信息。R-Net網絡通過對建議框以非極大抑制的方式篩選，在刪除重復的框和非人臉框之后，將輸出結果輸入到O-Net網絡中。O-Net網絡較R-Net網絡多一層卷積層，提升輸出精度，達到準確提取人臉框并選取關鍵點的效果。判決這個圖像中人臉是否存在可以通過 MTCNN這樣的網絡，并且這個網絡可以判斷人臉所在的位置以及臉上的五個關鍵點。其具體流程如圖4所示。

2.2? 人臉識別

人臉識別技術，是指在傳統的人臉檢測基礎上進行的人臉識別比對，目前主要有兩大類的圖像識別技術。一類是通過采用幾何、紋理特點的方式中，幾何特點主要是直觀的表現出人的特點[3]。只是用幾何特征作為識別方法，相似人臉就會大概率被認作為同一人，因為忽略了人臉上的局部細節，所以識別率很低。然而紋理特征可以彌補幾何特征帶來的相似人臉識別率低，局部紋理提取可以區分局部細微特征和不同方向的邊緣特征，它可以區分具有局部差異的人臉。對應的算法為LBPH等。

另外一種就是基于子空間學習的方法原理就是人臉數據維數很大，處理起來難度很大，所以我們可以通過降維的方式進行處理。上面提到的方式會忽略很多人臉數據，識別率也不夠理想，因此我們要找到既可以盡最大可能保存人臉特征還可以降維的方式。子空間學習法是一種通過投影映射來降維的好方法，此方法可以在最大程度保存特征的基礎上對數據進行降維，但具體的子空間學習法需要針對不同的數據進行應用。

2.2.1? 基于LBPH特征的人臉識別算法

局部二進制編碼直方圖（Local Binary Patterns Histograms， LBPH），比較一個像素點與周圍像素點的灰度值，最后對其進行二進制編碼，在對圖像所有區域二進制編碼后組成整個圖像的LBP編碼圖像，然后將LBP編碼圖像劃分為多個區域，獲取每個區域的LBP直方圖[4]，再將小區域的直方圖拼接一塊獲得整體圖像的直方圖，最后通過比較LBP編碼直方圖，計算LBPH相似度進行判斷。

2.2.2? 基于PCA和LDA的Fisher face人臉識別算法

LBPH算法存在一定的缺陷，忽略數據庫中不同人臉數據的差異，識別率低下，還會造成長相相似的人臉識別錯誤。Fisher face方法是在線性判別分析（LDA）的基礎上發展起來的算法。這種方法將原始影像投射映射到保護原始影像資料結構不被破壞的低維特征空間中；之后再采用線性判別方法提取降維后的圖像特征，可以有效消除冗余信息和噪聲的干擾[5]。

2.3? 基于個性化特征的AAM人臉對比

該系統使用場景為煤礦，環境場景復雜，礦井人員面部會存在煤灰等雜質，使得人臉識別特征不清晰，所以本系統增加了AMM模型，進一步對人臉輪廓特征檢測比對。AMM模型在ASM模型的基礎上增加了紋理統計建模，將紋理與形狀結合在一起，形成了一個表觀模型。本文采用的AAM算法會先根據人臉特征生成一個人臉模版，之后人臉識別的圖像會與該模版計算相似度，判斷是否為同一人。系統使用的局部二進制編碼直方圖算法主要是通過人臉的紋理特征做區分，在煤礦中由于環境問題，礦井人員面部的煤灰物質會使紋理特征無法作為唯一的人臉識別特征，這就需要我們引入另一種特征用作判斷。本系統將AAM算法引入，通過加入他的形狀特征，來進一步精確識別。

2.4? 人臉識別模塊設計

根據煤礦實際情況分析，每次下井人數會在幾十人至幾百人之間不等，并對進出礦井人員進行定位，礦井實際情景下一般會將射頻識別卡嵌入到礦井工人頭盔中我們檢測設備會對每位礦工的唯一標識卡進行識別，通過標識卡所對應的數據庫中工人的人臉數據對比，進行人臉識別。LBPH人臉識別算法對與人臉數據出現大小、形狀不同時，無需對整個人臉數據庫進行訓練，就可以識別且識別速度較快；但該方法無法對與人臉數據庫中面部有差異的人臉精確識別。而基于PCA和LDA的Fisher face算法可以彌補這個缺點，但Fisher face 算法想要達到很好的識別率需要較多的數據，于是我們取長補短，通過算法提取人臉幾何特征進行識別認證，設計出了如圖5識別流程，先用LBPH算法進行人臉識別，通過算法提取人臉的幾何特征進行識別認證。如果認證不通過，系統將用識別效果較好的 Fisher face 算法去進行識別。

3? 數據庫設計

本系統數據庫使用的是MySQL數據庫，根據普通的考勤需求我們設計了基礎員工信息表和考勤情況統計表、考勤信息表、考勤圖像表，因為煤礦需要下井的部門、工種、職務都不相同，設計了部門表、職務表、工種表等。

4? 系統實現

本系統通過在礦井口安裝檢測裝置獲取人臉數據和標識卡數據，之后將數據傳到服務器上做處理，并在系統上將員工數據和之前收集到的人臉數據錄入到數據庫中，在系統中就可以按照人員姓名、工號、權限、卡號、性別、部門、工種、職務等進行查詢，人員信息界面如圖6所示。

考勤管理查詢可以根據人員卡號、起始、終止時間、考勤類型、卡狀態、客戶端編號等查詢人員考勤記錄，如圖7所示。

5? 結? 論

依據煤礦實際需求和現狀，我們提出了基于人臉識別的礦井人員考勤管理系統，該系統是在原有考勤管理系統的基礎上增加了人臉識別功能，有效解決了礦井人員帶班現象。由于礦井場景特殊，考勤人員臉上時常會有煤灰等遮擋，傳統人臉識別效率差，基于此我們設計了通過LBPH和Fisher face相結合的識別流程，再加上AAM算法，通過提取人臉輪廓特征，搭建人臉模版并對比，提升人臉識別精準度。該系統在煤礦使用，使得煤礦企業更好地對礦井工作人員管理，增大企業工作效率。

參考文獻：

[1] 劉寶玉，亢健銘，范樹凱，等.基于FaceNet的煤礦人員考勤識別 [J].煤炭技術，2022，41（9）：189-191.

[2] 李欣，黃镕，陳哲輝，等.一種改進的MTCNN和FaceNet人臉檢測及識別算法研究[J].廣東石油化工學院學報，2021，31（1）：45-47+53.

[3] 翟奕隆.基于深度神經網絡的視頻人臉識別研究 [D].北京：北京工業大學，2019.

[4] 花德培，孫彥贊，吳雅婷，等.基于TK1的駕考人臉識別系統 [J].工業控制計算機，2019，32（9）：34-35+37.

[5] 張克軍，韓娜，陳欣然，等.基于腦電圖的新型情緒識別特征提取方法 [J].華南師范大學學報：自然科學版，2019，51（5）：6-11.

作者簡介：肖蕊（1998—），女，漢族，山西運城人，碩士研究生在讀，研究方向：圖像識別。