基于人脸识别技术的考勤方案研究

来源:用户上传      作者:

　　摘要：随着人工智能领域的飞速发展，越来越多的基于大数据、机器学习等技术的创新应用使得生活更加快捷便利。为了规范、高效地完成学生考勤。本研究主要分析目前常见的几种生物识别方法的考勤系统进行对比，分析人脸识别在考勤中的优势和不足。为后期将人脸识别技术运用在考勤中发挥更好的辅助作用。
　　关键词：人脸识别;物联网;考勤
　　中图分类号：TP391 文献标识码：A
　　文章编号：1009-3044（2020）19-0177-02
　　开放科学（资源服务）标识码（OSID）：
　　随着智慧校园建设的快速推进，各高校无论从硬件还是软件都做了大量的投资，目前许多学校将物联网建设思路运用到了校园日常管理中。物联网产品价格越来越低，应用行业越来越广，各个行业的解决方案日趋成熟。人脸识别是基于物联网资源的一个有效整合。现将物联网相关技术应用到高校日常考勤中也是大势所趋。
　　物联网是通过射频识别技术（RFID）、传感器技术、全球定位系统、激光扫描仪等传感设备采集到光线、热能、电磁、声波、位置、生物等数据，按相应的协议，并通过网络把任何物品与互联网相连接，进行信息交换和通信，以实现对物品的智能化识别、定位、跟踪、监控和管理的一种网络。作为互联网的延伸，物联网利用通信技术把传感器、控制器、机器、人和物等通过新的方式联在一起，形成人与物、物与物相联。现被广泛应用于智能家居、智慧城市、智慧交通、智慧医疗、银行等许多行业领域，是人类在科技领域的重大飞跃，是未来社会发展的方向。
　　随着高校不断扩招，学生规模不断扩大，课程任務、学生宿舍、教学、后勤、保卫等相应的管理成本和管理难度也随之增加且日益复杂。以课堂考勤为例，现阶段考勤管理，仍然是由教师主导或监督下完成的点名，这种方式简单方便，但是存在诸多问题;首先是时间的我浪费，尤其在一些大课或者合班课程，上课人数众多;其次是教师考勤统计难度较大，需要在期中期末进行统计时，需要教师将各门课程汇总后上报学校教务处或其他部门，需要将各学院数据进行汇总，可能会花费大量的人力物力;再次就是考勤过程中存在事假、病假、旷课、迟到、早退等各种因素，所以在统计过程中数据准确性难以保证;最后是数据的反馈难以达到精准，存在教师、学院管理人员和学生难以及时、准确的了解考勤情况。
　　1 研究现状
　　1.1指纹识别考勤
　　Akinduvite等提出了一个基于指纹的学生出勤管理系统[1]具有识别度快、准确率高、容易操作，同时用户一般不会在手指的指纹上做装饰，稳定性和可靠性强。但是在具体操作过程中，学生需要一个个依次排队进行指纹进行录入，在课前10分钟内完成录入很容易造成拥堵现象;同时指纹识别属于触摸式识别，识别过程中对对手指的湿度和清洁度都有要求，指纹在磨损后也会造成不能识别的后果;还会存在某些人可能天生没有指纹，或者指纹特征少，无法成像的情况;指纹痕迹容易留存，存在被复制的可能陛，安全性降低。
　　1.2 射频识别考勤
　　潘宏斌等实现了基于RFID自动识别技术的校园考勤系统[2]。实现了非接触的批量自动考勤管理，有效监控校园学生的行为轨迹。射频识别系统主要由三部分组成：标签、天线、阅读器，具体识别流程如图1所示。RFID识别根据工作频率的不同分为低频、高频和超高频。但是采用RFID来作为考勤的识别主要存在以下问题：首先在使用低频和高频标签时，因标签是被动式的，需要学生带上标签到固定的采集器上进行数据采集，会存在上课或下课过程中出现大量排队的情况，同时代打卡现象比较严重，无法验证是否为本人;其次使用超高频解决了排队的问题，但是存在一人带多卡，会出现一人带多卡且无法确认是否为学生本人进行操作，同时使用超高频读取过程中是被动识别的方式，信息会被不断的读取，信息安全存在问题。
　　1.3 手机打卡考勤
　　基于手机的考勤方式也各式各样。周克辉等实现的通过Wi-FiDirect技术+手机打卡方式[3]，汤文俊等开发的基于图片+位置通过签到签退的方式进行考勤[4]，张雅琼等实现的手机+蓝牙的打卡方式[5]。以上几种方法都实现了对学生的考勤的信息化，规范了考勤流程，有效减少了代刷现象。但其系统主要是被动考勤，首先教师及管理人员无法在第一时间了解考勤结果，也会存在学生忘记打考勤等情况出现;其次是一个同学可以带一个或多个手机进入教室，代考勤现象依然存在。
　　2 基于人脸识别的考勤研究
　　人脸识别（FACE RECOGNITIO）是生物特征识别技术的一种，人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及人脸匹配与识别，详见下图3。人脸识别技术在实际使用中首先具有非接触和主动识别的特性，在采集人脸识别过程中，只需要被检测人在摄像头下被设备抓拍到人脸画面即可，这样的好处在于用户在心理上比较容易接受，不会出现抵触情绪。其次在于人脸识别可以根据预先设定好的相关流程进行主动识别，部署完毕后无须其他操作，易于实现。再次，人脸信息也属于生物特征信息，难以进行复制，伪造，大大提高了安全性以及可靠性。因为其安全、可靠、非接触、简单、主动识别的特点。越来越多基于人脸识别的各种新产品新技术被不断推出，并且人脸识别技术已经逐步在教育、公共安全、教育、国防、医疗等多个领域“落地开花”，从身份认证到线下支付，从乘坐地铁到取快递，人脸识别技术让我们有着更便捷的生活。
　　2.1 人脸图像采集及检测
　　在人脸图像采集的具体应用场景下，一般都是在非限制条件下进行人脸图像采集和检测，在这种环境下采集到的人脸常常会受到采集图像大小、采集图像分辨率、光照情况、是否模糊、五官是否被遮挡、人脸采集角度等问题。
　　采集到的低质量的图像信息很大程度上会影响人脸识别和检测过程中的四个指标即检测率、漏检率、误检率、检测速度。检测率是指存在人脸并且被检测出的图像在所有存在人脸图像中的比例;漏检率是指存在人脸但是没有检测出的图像在所有存在人脸图像中的比例;误检率是指不存在人脸但是检测出存在人脸的图像在所有不存在人脸图像中的比例。目前比较主流人脸检测的方法有AdaBoosts算法[6]、viola-j ones人脸检测算法[7]、可变形的组件模型（dpm）[8]、卷积神经网络（CNN）[9]。 　　2.2 人脸图像预处理
　　在具体应用场景下采集到的图像信息由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像采集后对图像进行预处理，该过程主要对图像进行处理并最终服务于特征提取的过程。
　　在预处理过程中主要完成人脸对准[10]（通过部件定位算子标定人脸中关键特征点的位置，包括眼球、鼻尖和嘴角），人脸图像的光线补偿（抵消人脸图像中存在的色彩偏差，将整个图像中的所有像素的亮度从高到低进行排列），灰度变换（为了改善画质，使图像的显示效果更加清晰）、归一化（取得尺寸一致，灰度取值范围相同的标准化人脸图像）、几何校正[11]（实现定位人脸倾斜方向以达到人脸校正的目的）、中值滤波（图片的平滑操作以消除噪声）以及锐化等。
　　2.3 人脸图像特征提取
　　人脸识别过程中的特征识别方法主要有卷积神经网络的人脸图像特征、几何特征的方法等。人脸特征提取就是针对人脸的某些特征（眼睛、鼻子、嘴、下巴）进行的，也称人脸表征，可作为识别人脸的重要特征，它是对人脸进行特征建模的过程，完成对人脸信息特征提取。其中最为基础的是几何特征提取，人脸由眼睛、鼻子、嘴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以作為人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。
　　2.4人脸匹配与识别
　　提取的人脸特征值数据与人脸识别服务器中存贮的特征模板进行搜索匹配，通过设定一个阈值，将相似度与这一阈值进行比较，来对人脸的身份信息进行判断。在匹配和识别过程中主要采用的是MIT实验室的特克（Turk）和潘特（Pentland）提出的“特征脸”[12]、弹性图匹配（EGM）[13]、几何特征、神经网络等方法进行识别。
　　3 研究展望
　　通过人脸识别的方式进行考勤可以高效、准确的进行考勤。同时人脸识别受识别环境的影响可通过相应的算法和改进识别环境得以弥补其中的不足。笔者认为继续加大对算法的研究、并与物联网技术、大数据、人工智能技术相结合，高校考勤中出现的各式各样的问题都将迎刃而解。
　　参考文献：
　　[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自动识别技术的校园考勤系统分析与研究[J].价值工程，2018，37（30）：246-248.
　　[3]周克辉，陈泰峰，谢先辉，基于Wi-FiDirect技术的高校手机考勤管理系统研究[Jl，电子测试，2019，（19）：80-82.
　　[4]汤文俊，彭立，席博文.一种基于智能手机的课堂考勤系统[J].计算机时代，2019（2）：18-22.
　　[5]张雅琼，华正龙.基于物联网与Android平台的课堂考勤系统的设计与实王见[J].微型电脑应用，2019，35（4）：42-44.
　　[6]杨忠明，李子龙，胡音文，等.一种前景提取的行人模式识别检测算法[Jl.郑州大学学报（工学版），2019，40（5）：91-96.
　　[7]贾海鹏，张云泉，袁良，等，基于OpenCL的Viola-Jones人脸检测算法性能优化研究[J].计算机学报，2016，39（9）：1775-1789.
　　[8]孙肃肃.基于HOG-PCA和DPM的人脸检测方法的研究和实现[D].北京：北京邮电大学，2014.
　　[9]董兰芳，张军挺.基于Faster R-CNN的人脸检测方法[J].计算机系统应用，2017，26（12）：262-267.
　　[10]杜成，苏光大，林行刚，等.改进的用于人脸对准的多尺度ASM方法[J].光电子，激光，2004，15（6）：706-709，730.
　　[11]孔海东.面向人脸识别的特征定位及几何校正研究[D].天津：河北工业大学，2006.
　　[12]王忠民，王星，李刚，基于特征脸一灰度变换融合的人脸识别方法[J].小型微型计算机系统，2019，40（2）：420-426.
　　[13]俞燕，李正明.基于特征的弹性图匹配人脸识别算法改进[J].计算机工程，2011，37（5）：216-218.
　　【通联编辑：唐一东】
　　收稿日期：2020-02-21
　　基金项目：德宏师范高等专科学校校级课题（XJ201810）
　　作者简介：吴永斌（1994-），男（彝族），云南楚雄人，本科，德宏师范高等专科学校信息学院，助教，主要研究方向：软件设计、物联网，大数据。
转载注明来源:https://www.xzbu.com/8/view-15300910.htm