基于PCA+ICA人脸识别技术的考勤系统设计

雷耀花 刘东宏

(广州华夏职业学院，广东 广州 510935)

1 引言

当前智能考勤系统在各大企业的员工考勤、大学生宿舍门禁等领域应用普遍。考勤系统的好坏直接关系到企业员工管理是否科学，目前企业常用指纹识别、人脸识别、人工签到等方式进行考勤，人脸识别考勤系统的非接触式使其具有明显的优势，相比其他两种应用更加广泛，但是这种技术也存在缺陷，比如更换眼镜、光线不足等情况下识别不了，需要重新录入数据库样本等。针对这些缺陷，本文研究使用PCA+ICA的人脸重建技术完成眼镜摘除操作，直方图均衡化技术完成图像增强的效果，大大提升了人脸识别考勤系统的识别率。

2 智能考勤系统的结构

智能考勤系统[1]的各个终端常安装于办公大楼一楼电梯口等位置，员工上班时间刷脸，调出人脸数据库中保存的数据进行比对，使用人脸识别技术，输出匹配结果，完成打卡过程。整个公司的各个终端通过局域网连接在一起，达到信息共享，一套人事管理系统即可管理所有在职员工。布线简单，维护工作量较少，安全性与可靠性极高。后台管理程序采用MySQL数据库来存放人脸数据库信息，在刷脸的同时将其信息存入日志文件供日后考勤统计，导出存储的数据即可。

3 智能考勤系统的工作过程

智能考勤系统的数据库中存放着人脸图像、人脸特征数据、简单的员工个人信息。该系统运行过程中的流程主要有如下步骤：

(1)刷脸系统开启。摄像头扫描到有员工人脸信息输入时自动开启，将扫描到的信息作为人脸样本待匹配，其他时间整个系统待机。

(2)图像预处理。当扫描到的人脸图像存在光线过差、噪声太大、部分遮挡时就需要对其预处理，采用昏暗图像增强、小波去噪[2]、眼镜摘除等处理，并通过主成分分析方法处理数字图像数据供匹配识别。

(3)人脸识别。提取图像预处理阶段得到的数字信息的PCA特征子空间，并与智能考勤数据库中的人脸特征库进行匹配，输出显示查找到的人员信息，将数据存入日志文件备查。

如将智能考勤系统与安防门禁相结合使用，可将其终端安装在门禁即可。摄像头扫描刷脸后与公司数据库相匹配，同时与在逃通缉人员数据进行比对，一经发现即刻报警；如不能识别则提示换角度重新录入图像再次识别，可设置系统重新识别的上限；若仍然不能识别，则进行登记处理。将人脸识别技术应用到安防、考勤、门禁等系统，可使其发挥更好的防伪功能。

4 人脸图像仿真系统的设计

整个智能考勤系统中人脸识别技术为其核心内容，其包含如下模块：

(1)文件模块的设计

文件模块是整个识别的开始，主要完成正面人脸图像的读入。人脸的面部分布特征、轮廓线、骨骼特点是人脸识别过程中重要的特征点。然而使用整张面部特征在进行特征提取的时候，大大加大了算法的时间及空间复杂度。所以降低图像的像素，特征空间降维就显得尤为重要，我们使用加权特征的方法进行处理。

(2)图像预处理模块的设计

将获取的人脸样本图像转化为灰度图像，可不需要处理三通道的RGB图像，存储空间大大降低，同时减少了需要处理的数据。将样本进行尺度归一化和灰度均衡化处理，同时采用直方图均衡化的方法来完成图像的锐化，使图像特征更加清晰。

(3)人脸特征提取模块的设计

在训练样本库或者识别过程中，设置进行人脸图像子空间特征点的提取。其步骤如下：

1)选取CAS_PEAL中的正面人脸图像数据进行样本库的训练。

2)把将选取的样本人脸图像进行下采样降维。

3)把选取的样本人脸图像进行直方图均衡化处理。4)把灰度处理，降维处理后的样本分为n个子空间。5)把n个子空间用n个向量表示。

6)求所有子空间向量的均值。

7)求得样本库的平均脸。

8)测试工程中使用测试样本与平均脸进行差值求出差图像，求出匹配程度。

(4)人脸数据库模块的设计

人脸数据库主要完成人脸样本图像的存储，存储着人脸图像面部分布特征、轮廓线等空间特征，用来在测试过程将其相同的特征空间进行匹配。将CAS_PEAL中的中国人脸库进行图像特征提取，求得特征脸存储于mysql数据库中，用于测试过程。当需要将新的人脸图像存入数据库中时，需要再次进行特征脸的训练。在匹配的过程中我们使用(PCA主成分分析方法)将在下一小节进行介绍。

5 眼镜摘除方法

5.1 基于PCA+ICA的人脸重建

PCA(主成分分析法)[3]采用二阶的统计数据，在表现人脸具体细节较薄弱时，只能表现大致轮廓特征。因此，结合能够同时处理二阶和高阶统计数据的ICA(独立分量分析)方法，能够表示人脸的几何分布同时将细节轮廓呈现出来，可补充PCA方法不能呈现细节信息的缺陷。本文采用PCA+ICA的方法，发挥起各自优势完成人脸特征提取匹配。提取被遮挡区域后重建完整的人脸图像，眼镜摘除处理过程流程如图1所示：

图1 眼镜摘除处理过程流程

5.2 眼镜遮挡区域提取

眼镜遮挡区域的提取流程为三个步骤：

(1)将样本数据Bi直方图均衡化后得到By，使用PCA+ICA得到补偿图像Br。

(2)将补偿图像Br与直方图均衡化图像By相减求得差分图像Bz，即为眼镜遮挡区域图像。

(3)再使用PCA(主成分分析法)结合ICA(独立分量分析法)，对差分图像进行迭代重建。

差分图像Bz获取的成功与否直接影响重建图像效果的真实性。为了能够合成自然的无遮挡人脸，整个提取过程详细描述如下：

(1)直方图均衡化图像By(如图2(a))与补偿图像Br(如图2(b))相减求得差分图像(如图2(c))。

(2)将差分图像Bc二值化求出二值化图像Be(如图2(d))。

(3)将二值化图像Be连通，消除分散点求得图像Bm(如图2(e))。

(4)将Bm里面的各个遮挡位置，逐个筛选消去小范围部分，同时根据眼镜对称性的特点调整遮挡区域形状获得镜框图像Bg(如图2(f))。从该图像可以看出提取的镜框存在缺少的情况是镜面反光造成，但其对后期重构人脸图像效果影响不大。

图2 提取过程效果图

5.3 眼镜摘除

上面章节中的获得的镜框区域图像Bg，用来合成人脸中被眼镜遮挡的区域，同时用没有被眼镜遮挡的部分作为补偿图像。

上式中，By为直方图均衡化后的测试样本数据，Br,t是迭代过渡图像，Bb,t误差补偿图像，w为所选取的因子，图像中镜框区域其值为1，其他区域则为0。由于求得的Bb,t图像存在灰度不均现象，需选取选择式掩膜进行平滑[4]。在迭代的过程中，使用PCA+ICA技术复原的误差补偿图像进行二次迭代，直到误差补偿图像在迭代过程中变化很小的时候，循环结束。求得最终数据样本Bh。

本文从CAS_PEAL数据库中挑选500个人的正面图像以及其对应的500张佩戴眼镜图像，并且使用特征点眼镜嘴巴，统一为60×60尺寸的图片，同时对图像进行了预处理操作。利用PCA与ICA相结合的人脸重构方法，能够合成自然、完整的无眼镜人脸，并且通过在MATLAB仿真实验数据表明其可以增加人脸识别考勤系统的识别率，当出现戴眼镜的样本时，可以通过重构无眼镜人脸来完成样本的识别。

6 结语

本文设计的员工智能考勤打卡系统，采用人脸识别技术代替传统打卡、指纹、签到等接触式考勤，相比来说应用更加方便，快捷无接触，给员工上班带来极大的便捷。对于安全性要求较高的企业来说效果很好。同时为了解决员工佩戴眼镜或者更换眼镜后识别不了的情况，本文使用了PCA+ICA的人脸识别技术，提高了员工打卡的效率。

[1]李青云．智能考勤系统的设计与实现方案研究[J]．网络安全技术与应用，2016(12)：75+77．

[2]王旭，王昶．一种改进小波阈值去噪方法的研究[J]．大地测量与地球动力学，2017(10)：1038-1041+1078．

[3]Yunbing Huang，Janos Gertler，Thomas J．McAvoy．Fault Isolation by Partial PCA and Partial NLPCA[J]． IFAC Proceedings Volumes，1999，32(2)．

[4]包正睿，杨任尔．基于阈值的数字图像去噪的算法研究[J]．微型机与应用，2015，34(01)：47-49．