基于人臉識別的學生考勤系統的研究

孫玥 楊國為

摘? 要： 通過研究人臉識別，提出一套用于學生考勤的系統。基于人臉識別的考勤系統中最主要的就是人臉識別，首先通過攝像頭拍攝需要簽到的學生人臉圖像，運用人臉檢測技術檢測是否成功拍攝到完整人臉;然后對拍攝到的人臉圖像進行特征提取與定位;再運用深度殘差網絡進行描述子提取;最后通過與數據庫中的特征值進行比較，從而進行人臉識別的過程。實驗結果證明，該方法能夠快速準確地實現人臉簽到識別，相對于基于其他方式的簽到系統有著更好的實用性和魯棒性。

關鍵詞： 人臉識別; 考勤系統; 系統設計; 特征提取; 特征定位; 描述子提取

中圖分類號： TN911.73?34; TP391? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）10?0116?03

Research on student attendance system based on face recognition

SUN Yue1， YANG Guowei1，2

（1. School of Electronic Information， Qingdao University， Qingdao 266071， China;

2. College of Information Engineering， Nanjing Audit University， Nanjing 210000， China）

Abstract： An attendance system for students is proposed by studying the face recognition. The most important part of? the attendance system based on face recognition is the face recognition. A camera is used to capture the facial images of students who need to check?in， and then the face detection technology is adopted to detect whether the captured faces are complete. The feature extraction and location of the captured facial images are performed. The descriptor is extracted by the deep residual network. The extracted features are compared with the feature values in the database to realize the face recognition. The experimental results show that this method can realize face check?in recognition quickly and accurately， and has better practicability and robustness than that of other check?in systems.

Keywords： face recognition; attendance system; system design; feature extraction; feature location; descriptor extraction

0? 引? 言

目前，由于計算機技術和考勤方式的多樣化，產生了各種各樣的考勤系統，從最初只能紙質簽到打卡到現在ID刷卡、網頁智能考勤、指紋識別等，原始的考勤方法由于可以代簽的行為而存在許多弊端，使得考勤存在虛假簽到的情況，不利于學生之間公平公正的傳播。相對來說，人臉識別由于其魯棒性的特點可以應對各種不同安全級別標準的應用[1?2]。針對基于人臉識別的考勤系統開展研究從而獲取考勤信息，及時了解學生出勤情況，能夠有效提高管理效率。本系統雖然針對學生考勤，但是也可以應用到一些單位員工的考勤等需要自主就可以完成的考勤場合，泛化能力較強 [3?4]。本文主要介紹基于人臉識別的學生考勤系統，此系統可有效解決統計信息錯綜復雜的情況。根據現場人臉圖像的拍攝自動與數據庫中學生信息進行驗證，從而確保信息的真實性，通過這種方式可以解決打卡等方式帶來的不良現象。本文著重研究基于人臉識別的學生考勤系統，該系統能夠快速獲取人臉圖像信息，進行特征定位、特征提取和人臉識別，從而完成考勤打卡工作，生成考勤日志，能讓管理人員智能高效地查詢考勤信息，方便快捷。

1? 系統結構設計

基于人臉識別的網絡考勤系統結構主要包括5個部分，分別為界面初始化、人臉錄入、刷臉簽到、打卡結果、生成日志，如圖1所示。其中最重要的部分是刷臉簽到部分，包括人臉檢測、特征提取與定位、人臉識別。

1.1? 界面初始化

學生考勤系統的首要工作即對外GUI的設計展示，也就是俗話說的界面初始化，初始化的好壞直接決定著系統的成敗，主要包括兩部分：界面設計與初始化。界面設計的好壞影響使用者的使用體驗。界面設計分為三個部分：菜單部分、照片圖像采集部分、信息顯示部分。菜單欄主要設置三個按鈕，分別起到人臉庫的錄入、學生上課簽到以及簽到完成后查看日志表格的作用。左半部分的信息主要顯示學生的簽到情況，看其是否在規定時間內打卡簽到成功。初始化即完成界面所包括部分的初始化操作。界面初始化如圖2所示。

1.2? 人臉錄入

人臉錄入是刷臉簽到的前提條件，通過OpenCV庫來調取攝像頭進行圖像采集工作。新建立的數據庫需要輸入學號、姓名等必要身份標志，如圖3所示。采集數據時設置1 s采集延時，盡量在光線適中的條件下進行采集，人臉庫內若有重復數據會給出提示，從而做到每個人數據的唯一性。采集完畢后，界面左邊會相應出現提示消息，如圖4所示。

1.3? 刷臉簽到

刷臉簽到是整個系統最中心的一環，用來檢驗系統的準確性與魯棒性。通過攝像頭識別學生面部信息與數據庫中的數據進行距離比較，國內外對圖像距離的研究已經有許多成果，最常用的基于圖像距離的度量方法有：馬氏距離、歐氏距離、切比雪夫距離和絕對值距離等[5]。在實際情況中，這些距離的度量方法在識別效果方面存在差異。歐氏距離由于其計算簡單、容易理解而受到廣泛應用。歐氏距離算法的核心是：設圖像矩陣為n個元素，用這n個元素形成該圖像的特征組，特征組形成了n維空間，特征組中的特征碼（每一個像素點）構成了每一維的數值，在n維空間下，兩個圖像矩陣分別可以看成一個點，這兩個點之間的距離可以利用歐氏距離公式來計算[6]：

[ρ=（x1-y1）2+（x2-y2）2+…+（xn-yn）2] （1）

為了避免簽到時攝像頭拍到多張人臉的情況導致刷臉失敗，在此設置刷臉簽到時只抓取距離攝像頭最近的人臉，即拍到的圖像范圍內的最大的人臉，同時對于簽到失敗的情況（例如臉部沒有在攝像范圍內）設置報錯提醒。

1.4? 打卡結果

本文的打卡結果通過其是否超過打卡簽到時間來表示，所以必須要人為設置打卡時間。例如9：00的課就可以設置打卡臨界點是9：00，沒有打卡的就說明這個學生曠課;如果該學生已打卡簽到，但是超過了9：00，即出現遲到的情況，考勤日志里會自動出現相關記錄，如圖5所示。如果學生在9：00之前簽到，即表明該學生成功簽到，如圖6所示。刷臉簽到的同時，相關打卡簽到記錄在左邊部分實時呈現，同時生成考勤日志便于日后查詢，日志內容包括姓名、學號、打卡時間、是否遲到四項，清楚地表明了學生的打卡結果信息。

2? 人臉識別過程

2.1? 人臉檢測

本文使用的是Dlib官方自帶的人臉檢測器進行檢測，能夠大大地簡化開發，使得人臉檢測能夠輕易的實現[7]，使用時只需要配置好使用環境，調用人臉分類器dlib.get_frontal_face_detector（），檢測到的人臉設置用一個方框標注，便于觀察并且輸出人臉個數，如圖7所示。

2.2? 特征提取與定位

人臉定位是將臉部特征（如眼睛、鼻子、嘴唇、眉毛、臉部輪廓）都標記出來，利用Dlib官方訓練好的模型“shape_predictor_68_face_landmarks.dat”進行訓練標定，用綠色點標識出來，總共68處。利用OpenCV進行圖像化處理，用紅色數字標識序號。從而達到特征提取與定位的功能。實現的68個特征點標定功能效果如圖8所示。

2.3? 人臉識別

近年來，深度學習研究由于其強大性能而滲透于各行各業的方方面面，深度學習在人臉識別方面效果也不錯[8]，理論上來說網絡的深度越深越好，因為這樣最后識別的效果可能比較好，但是事實上隨著網絡的加深，效果卻越來越差。其中重要的原因是隨著網絡加深，梯度消失的現象就會越來越嚴重，達不到理想的效果[9?11]。深度殘差網絡（ResNet）的出現就是為了解決網絡深度變深以后的性能退化問題[12]。ResNet是用跳躍結構作為網絡的基本結構，如圖9所示。本來要優化的目標是H（x）=F（x）+x（x是該結構的輸入），通過這種跳躍結構以后就可以實現優化的目標由H（x）到H（x）-x的轉變。訓練目標轉變后，上面幾層會逼近于0，這樣訓練的難度比訓練到一個等價映射就會下降很多[13?14]。使用了ResNet結構后，網絡的訓練誤差和測試誤差都會相應減小。

dlib_face_recognition_resnet_model_v1.dat是Dlib官方自帶的訓練好的深度殘差網絡人臉識別模型，之所以用這個模型是因為該模型已經做好了絕大部分的工作，并且在深度和精度上比卷積神經網絡更加強大，只需要將人臉庫圖像與需要測試的圖像進行描述子提取，生成128D向量，求取歐氏距離即可。

3? 數據庫設計

本文系統在數據庫服務器上的關系數據庫使用SQL Server[15]，數據庫中的信息主要包括學生的基本信息、學生的人臉特征信息、簽到打卡記錄等。其中，學生的人臉特征信息是進行人臉識別的基礎。考勤記錄是學生打卡簽到的結果數據，是老師查詢統計的基礎。人臉識別即通過遍歷數據庫里的學生面部數據與當前攝像頭里的學生面部數據的比對來實現。

4? 結? 論

本文基于人臉識別提出一套用于學生考勤的全新系統，在學生考勤實踐中，該系統能夠穩定、快速、準確地識別出對應學生并完成打卡簽到。利用人臉識別進行考勤系統的設計，能夠有效解決其他方式中出現的問題，不會出現接觸性（比如指紋識別出現的指紋破壞）問題，只要捕捉到圖像信息就能完成考勤，大大提高了學校管理的效率和水平，并且具有相當大的泛化能力。

參考文獻

[1] 龍海強，譚臺哲.基于深度卷積網絡算法的人臉識別方法研究[J].計算機仿真，2017，34（1）：322?325.

[2] DING C X， DING D C. Pose?invariant face recognition with homography?based normalization [J]. Pattern recognition， 2017， 66： 144?152.

[3] 趙鵬飛.基于人臉識別的煤礦職工考勤系統設計[J].煤炭技術，2013（11）：315?317.

[4] 陳立潮，張秀琴，潘理虎，等.煤礦考勤系統中人臉識別算法的研究[J].工礦自動化，2015，41（4）：69?73.

[5] G?NL? G， BILGE H S. Face recognition with discriminating 3D DCT coefficients [J]. Computer journal， 2018， 53（8）： 1324?1337.

[6] 曾青松.多核支持向量域描述在基于圖像集合匹配的人臉識別中的應用[J].中國圖象圖形學報，2018，21（8）：1021?1027.

[7] 黃家才，曠文騰，毛寬誠.基于人臉關鍵點的疲勞駕駛檢測研究[J].南京工程學院學報（自然科學版），2017，15（4）：8?13.

[8] 李倩玉，蔣建國，齊美彬.基于改進深層網絡的人臉識別算法[J].電子學報，2017，45（3）：619?625.

[9] 李亞，王廣潤，王青.基于深度卷積神經網絡的跨年齡人臉識別[J].北京郵電大學學報，2017，40（1）：84?88.

[10] 吳堯，邱衛根.基于改進的深度卷積神經網絡的人臉識別[J].計算機工程與設計，2017，38（8）：2246?2250.

[11] 邢健飛，羅志增，席旭剛.基于深度神經網絡的實時人臉識別[J].杭州電子科技大學學報（自然科學版），2013（6）：107?110.

[12] HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition [C]// IEEE Conference on Computer Vision & Pattern Recognition. [S.l.]： IEEE， 2016： 770?778.

[13] 趙朋成，馮玉田，羅濤，等.基于深度殘差網絡的手寫體數字識別[J].工業控制計算機，2017，30（10）：82?83.

[14] 易鋒，胡馨瑩.基于深度殘差網絡的行人人臉識別算法研究[J].電腦知識與技術，2018（2）：233?235.

[15] 趙丁，袁艷，蘇麗娟，等.目標多維特征數據庫設計與實現[J].現代電子技術，2017，40（20）：10?13.