基于人脸识别的学生考勤系统的研究

孙玥 杨国为

摘  要： 通过研究人脸识别，提出一套用于学生考勤的系统。基于人脸识别的考勤系统中最主要的就是人脸识别，首先通过摄像头拍摄需要签到的学生人脸图像，运用人脸检测技术检测是否成功拍摄到完整人脸;然后对拍摄到的人脸图像进行特征提取与定位;再运用深度残差网络进行描述子提取;最后通过与数据库中的特征值进行比较，从而进行人脸识别的过程。实验结果证明，该方法能够快速准确地实现人脸签到识别，相对于基于其他方式的签到系统有着更好的实用性和鲁棒性。

关键词： 人脸识别; 考勤系统; 系统设计; 特征提取; 特征定位; 描述子提取

中图分类号： TN911.73?34; TP391               文献标识码： A                      文章编号： 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，由于计算机技术和考勤方式的多样化，产生了各种各样的考勤系统，从最初只能纸质签到打卡到现在ID刷卡、网页智能考勤、指纹识别等，原始的考勤方法由于可以代签的行为而存在许多弊端，使得考勤存在虚假签到的情况，不利于学生之间公平公正的传播。相对来说，人脸识别由于其鲁棒性的特点可以应对各种不同安全级别标准的应用[1?2]。针对基于人脸识别的考勤系统开展研究从而获取考勤信息，及时了解学生出勤情况，能够有效提高管理效率。本系统虽然针对学生考勤，但是也可以应用到一些单位员工的考勤等需要自主就可以完成的考勤场合，泛化能力较强 [3?4]。本文主要介绍基于人脸识别的学生考勤系统，此系统可有效解决统计信息错综复杂的情况。根据现场人脸图像的拍摄自动与数据库中学生信息进行验证，从而确保信息的真实性，通过这种方式可以解决打卡等方式带来的不良现象。本文着重研究基于人脸识别的学生考勤系统，该系统能够快速获取人脸图像信息，进行特征定位、特征提取和人脸识别，从而完成考勤打卡工作，生成考勤日志，能让管理人员智能高效地查询考勤信息，方便快捷。

1  系统结构设计

基于人脸识别的网络考勤系统结构主要包括5个部分，分别为界面初始化、人脸录入、刷脸签到、打卡结果、生成日志，如图1所示。其中最重要的部分是刷脸签到部分，包括人脸检测、特征提取与定位、人脸识别。

1.1  界面初始化

学生考勤系统的首要工作即对外GUI的设计展示，也就是俗话说的界面初始化，初始化的好坏直接决定着系统的成败，主要包括两部分：界面设计与初始化。界面设计的好坏影响使用者的使用体验。界面设计分为三个部分：菜单部分、照片图像采集部分、信息显示部分。菜单栏主要设置三个按钮，分别起到人脸库的录入、学生上课签到以及签到完成后查看日志表格的作用。左半部分的信息主要显示学生的签到情况，看其是否在规定时间内打卡签到成功。初始化即完成界面所包括部分的初始化操作。界面初始化如图2所示。

1.2  人脸录入

人脸录入是刷脸签到的前提条件，通过OpenCV库来调取摄像头进行图像采集工作。新建立的数据库需要输入学号、姓名等必要身份标志，如图3所示。采集数据时设置1 s采集延时，尽量在光线适中的条件下进行采集，人脸库内若有重复数据会给出提示，从而做到每个人数据的唯一性。采集完毕后，界面左边会相应出现提示消息，如图4所示。

1.3  刷脸签到

刷脸签到是整个系统最中心的一环，用来检验系统的准确性与鲁棒性。通过摄像头识别学生面部信息与数据库中的数据进行距离比较，国内外对图像距离的研究已经有许多成果，最常用的基于图像距离的度量方法有：马氏距离、欧氏距离、切比雪夫距离和绝对值距离等[5]。在实际情况中，这些距离的度量方法在识别效果方面存在差异。欧氏距离由于其计算简单、容易理解而受到广泛应用。欧氏距离算法的核心是：设图像矩阵为n个元素，用这n个元素形成该图像的特征组，特征组形成了n维空间，特征组中的特征码（每一个像素点）构成了每一维的数值，在n维空间下，两个图像矩阵分别可以看成一个点，这两个点之间的距离可以利用欧氏距离公式来计算[6]：

[ρ=（x1-y1）2+（x2-y2）2+…+（xn-yn）2] （1）

为了避免签到时摄像头拍到多张人脸的情况导致刷脸失败，在此设置刷脸签到时只抓取距离摄像头最近的人脸，即拍到的图像范围内的最大的人脸，同时对于签到失败的情况（例如脸部没有在摄像范围内）设置报错提醒。

1.4  打卡结果

本文的打卡结果通过其是否超过打卡签到时间来表示，所以必须要人为设置打卡时间。例如9：00的课就可以设置打卡临界点是9：00，没有打卡的就说明这个学生旷课;如果该学生已打卡签到，但是超过了9：00，即出现迟到的情况，考勤日志里会自动出现相关记录，如图5所示。如果学生在9：00之前签到，即表明该学生成功签到，如图6所示。刷脸签到的同时，相关打卡签到记录在左边部分实时呈现，同时生成考勤日志便于日后查询，日志内容包括姓名、学号、打卡时间、是否迟到四项，清楚地表明了学生的打卡结果信息。

2  人脸识别过程

2.1  人脸检测

本文使用的是Dlib官方自带的人脸检测器进行检测，能够大大地简化开发，使得人脸检测能够轻易的实现[7]，使用时只需要配置好使用环境，调用人脸分类器dlib.get_frontal_face_detector（），检测到的人脸设置用一个方框标注，便于观察并且输出人脸个数，如图7所示。

2.2  特征提取与定位

人脸定位是将脸部特征（如眼睛、鼻子、嘴唇、眉毛、脸部轮廓）都标记出来，利用Dlib官方训练好的模型“shape_predictor_68_face_landmarks.dat”进行训练标定，用绿色点标识出来，总共68处。利用OpenCV进行图像化处理，用红色数字标识序号。从而达到特征提取与定位的功能。实现的68个特征点标定功能效果如图8所示。

2.3  人脸识别

近年来，深度学习研究由于其强大性能而渗透于各行各业的方方面面，深度学习在人脸识别方面效果也不错[8]，理论上来说网络的深度越深越好，因为这样最后识别的效果可能比较好，但是事实上随着网络的加深，效果却越来越差。其中重要的原因是随着网络加深，梯度消失的现象就会越来越严重，达不到理想的效果[9?11]。深度残差网络（ResNet）的出现就是为了解决网络深度变深以后的性能退化问题[12]。ResNet是用跳跃结构作为网络的基本结构，如图9所示。本来要优化的目标是H（x）=F（x）+x（x是该结构的输入），通过这种跳跃结构以后就可以实现优化的目标由H（x）到H（x）-x的转变。训练目标转变后，上面几层会逼近于0，这样训练的难度比训练到一个等价映射就会下降很多[13?14]。使用了ResNet结构后，网络的训练误差和测试误差都会相应减小。

dlib_face_recognition_resnet_model_v1.dat是Dlib官方自帶的训练好的深度残差网络人脸识别模型，之所以用这个模型是因为该模型已经做好了绝大部分的工作，并且在深度和精度上比卷积神经网络更加强大，只需要将人脸库图像与需要测试的图像进行描述子提取，生成128D向量，求取欧氏距离即可。

3  数据库设计

本文系统在数据库服务器上的关系数据库使用SQL Server[15]，数据库中的信息主要包括学生的基本信息、学生的人脸特征信息、签到打卡记录等。其中，学生的人脸特征信息是进行人脸识别的基础。考勤记录是学生打卡签到的结果数据，是老师查询统计的基础。人脸识别即通过遍历数据库里的学生面部数据与当前摄像头里的学生面部数据的比对来实现。

4  结  论

本文基于人脸识别提出一套用于学生考勤的全新系统，在学生考勤实践中，该系统能够稳定、快速、准确地识别出对应学生并完成打卡签到。利用人脸识别进行考勤系统的设计，能够有效解决其他方式中出现的问题，不会出现接触性（比如指纹识别出现的指纹破坏）问题，只要捕捉到图像信息就能完成考勤，大大提高了学校管理的效率和水平，并且具有相当大的泛化能力。

参考文献

[1] 龙海强，谭台哲.基于深度卷积网络算法的人脸识别方法研究[J].计算机仿真，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] 赵鹏飞.基于人脸识别的煤矿职工考勤系统设计[J].煤炭技术，2013（11）：315?317.

[4] 陈立潮，张秀琴，潘理虎，等.煤矿考勤系统中人脸识别算法的研究[J].工矿自动化，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图像集合匹配的人脸识别中的应用[J].中国图象图形学报，2018，21（8）：1021?1027.

[7] 黄家才，旷文腾，毛宽诚.基于人脸关键点的疲劳驾驶检测研究[J].南京工程学院学报（自然科学版），2017，15（4）：8?13.

[8] 李倩玉，蒋建国，齐美彬.基于改进深层网络的人脸识别算法[J].电子学报，2017，45（3）：619?625.

[9] 李亚，王广润，王青.基于深度卷积神经网络的跨年龄人脸识别[J].北京邮电大学学报，2017，40（1）：84?88.

[10] 吴尧，邱卫根.基于改进的深度卷积神经网络的人脸识别[J].计算机工程与设计，2017，38（8）：2246?2250.

[11] 邢健飞，罗志增，席旭刚.基于深度神经网络的实时人脸识别[J].杭州电子科技大学学报（自然科学版），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] 赵朋成，冯玉田，罗涛，等.基于深度残差网络的手写体数字识别[J].工业控制计算机，2017，30（10）：82?83.

[14] 易锋，胡馨莹.基于深度残差网络的行人人脸识别算法研究[J].电脑知识与技术，2018（2）：233?235.

[15] 赵丁，袁艳，苏丽娟，等.目标多维特征数据库设计与实现[J].现代电子技术，2017，40（20）：10?13.