课堂自动化考勤系统中卷积神经网络算法的探索应用

李吉 蔡子硕 李林燕

摘 要：课堂考勤管理是一项繁琐而又细致的工作，考勤作为教师对学生课堂学习的基本管理需求，在教学管理中至关重要。人工智能和人脸识别技术的不断发展，也为基于面部特征人脸识别技术的课堂考勤自动化系统的实现提供了新的思路和方法。本文利用教室监控视频流，利用卷积神经网络进行视频流中人脸特征提取及识别，联网动态记录学生课堂全程考勤情况，保证了课堂考勤数据的实时性，也能较好地避免代课问题，更好地实现了教学课堂考勤的精准管理。

关键词：自动化考勤;卷积神经网络;人脸识别;智慧教学管理

一、引言

课程考勤管理是一项繁琐而又细致的工作，考勤作为教师对学生课堂教学的基本管理需求，在高校教学管理中至关重要。当前，大部分高校的考勤主要通过手工记录、纸质文件存储，对纸质文件的统计过程异常繁琐，容易出错，实时性较差，也难以对代课、早退等现象进行实时管理，无法做到学生课堂考勤的全过程监督，这不仅浪费人力与物力，还无法保证其准确性和透明度，同时如何保存这些数据也是一项难题，更无法进行数据分析。

人工智能和人脸识别技术的不断发展，人脸识别在日常生活中的应用场景越来越广泛，如刷脸身份认证、刷脸电子支付等。与获取指纹等生物特征提取进行比较，人脸面部特征的获取途径更广，也更容易，具有非接触性、非强制性的优点。人脸识别技术的发展也为基于面部特征人脸识别技术的课堂考勤自动化系统的实现提供了新的思路和方法，实时联网动态记录学生课堂全程考勤情况，保证了课堂考勤数据的实时性，也能较好地避免代课问题，更好地实现了教学课堂考勤的精准管理。人工智能与教学管理的结合对学校来说是一个全新的发展方向，将人脸识别技术和学生考勤相结合，可以说是未来考勤自动化和智能化的主要体现。

本文借助教室监控视频流，利用卷积神经网络进行视频流中人脸特征提取及识别，联网动态记录学生课堂全程考勤情况，保证了课堂考勤数据的实时性，也能较好地避免代课问题，更好地实现了教学课堂考勤的精准管理。

二、基于卷积神经网络的人脸识别

19世纪末《Nature》首次发表人脸识别相关论文，人脸识别技术快速发展，并成为计算机视觉领域应用最为成功的技术之一。从最早的全局特征人脸识别方法到局部特征人脸识别方法等，人脸识别方法一直在不断发展。随着人脸训练数据的快速增长，深度学习方法逐渐成为人脸识别主流方法，卷积神经网络是其中的主要算法之一。卷积神经网络可以不断自主地学习人脸图像特征，训练的模型鲁棒性较好，即便人脸的表情、姿态或光照发生一定的变化，也可以正确识别人脸。

（一）卷积神经网络

卷积神经网络（Convolutional Neural Networks， CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。一般一个卷积神经网络结构包括输入层、卷积层、池化层、全连接层和输出层。

* 输入层：卷积神经网络的输入层可以处理多维数据。一般学习数据在输入卷积神经网络之前，需要做标准化的预处理，有利于提升学习效率。

* 卷积层：卷积层是卷积神经网络的核心基石。卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。

* 池化层：在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。

* 全连接层：在经过多个卷积层和池化层之后，会在网络的最后连接一个或多个全连接层。全连接层一般只向其他全连接层传递信号，也可以与卷积层进行相互转换。卷积神经网络中的卷积层和池化层能够对输入数据进行特征提取，全连接层的作用则是对提取的特征进行非线性组合以得到输出。

* 输出层：卷积神经网络中输出层的上游通常是全连接层，主要负责对提取的特征进行输出。如图像分类问题中，可以通过输出层输出对应的分类标签。

（二）基于卷积神经网络的人脸识别

利用卷积神经网络进行图像识别的步骤为：首先，输入层接收经过標准化预处理的图像，每一层的每个神经元将前一层的一组小的局部近邻的单元作为输入，神经元抽取一些基本的视觉特征，比如边缘、角点等，这些特征之后会被更高层的神经元所使用。然后，通过卷积操作获得特征图，不同特征图的单元将各自不同类型的特征提取到相应位置。卷积层后边会连接池化层进行降采样操作，一方面可以降低图像的分辨率，减少参数量，另一方面可以获得平移和形变的鲁棒性。然后，在全连接层对提取的特征进行组合，最后将结果在输出层进行输出。

基于卷积神经网络的人脸识别一般从以下几个步骤来完成：首先，制作人脸数据集，在制作人脸数据集时需要将人脸进行标准化预处理提取，一般以相同尺寸大小进行人脸数据的保存，并将人脸特征值进行检测提取;第二步，进行卷积神经网络模型训练，先在输入层进行人脸数据截取，通过卷积层进行特征值的提取，再通过池化层进行采样，然后在全连接层进行卷积转换为组合进行输出;第三步，进行人脸识别，通过摄像头获取或者传入待识别图像，对待识别图像进行相应图像处理，进行人脸的检测提取，将监测提取到的人脸传入训练好的卷积神经网络中，然后和人脸数据集中的人脸依次比对进行识别操作，最后将识别结果进行输出。

三、课堂自动化考勤系统中卷积神经网络算法的应用

本文利用教室监控视频流，利用卷积神经网络进行视频流中人脸特征提取及识别构建课程自动化考勤系统，联网动态记录学生课堂全程考勤情况，保证了课堂考勤数据的实时性，也能较好地避免代课问题，更好地实现了教学课堂考勤的精准管理。在系统软件设计上，架构设计分为四层：UI操作层、应用功能层、业务逻辑层和数据接口层。其中，UI操作层显示班级人员信息、学生考勤状态及搜索功能。应用功能层主要用于学生人脸的检测、提取、识别及学生考勤信息的动态维护更新等。业务逻辑层主要负责把数据层的操作进行整合，对系统中业务逻辑处理。数据接口层负责各种相应的接口和存储服务，如下图1所示。

系统利用http、https服务来进行访问认证的接入服务请求，在服务器路由接收到外部的http、https请求时，通过服务路由的微服務进入到消息中间件实现与服务器进行通信，从而实现学生智能考勤的考勤管理、课程管理等系列管理服务，如下图2所示。

基于卷积神经网络的课堂自动化考勤系统为实现面向教师监控视频流的学生课堂自动化考勤功能，功能框架图如图3所示。主要包括的功能有：

（一）学生人脸信息的输入。收集学生的面部特征信息，并将学生基本数据录入到数据库;

（二）自动化考勤。通过教师监控视频流进行人脸特征的检测、提取、识别及比对功能，实现学生课堂考勤的动态更新;

（三）考勤信息查阅。当管理员用户成功登录后，学生的考勤信息展示在页面上，管理员用户可点击学生头像对其进行详细查看;

（四）人脸模型迭代。重置系统后或输入新的面部信息后，卷积神经网络模型开始对人的面部信息进行修正，实现数据库人脸信息的更新操作;

（五）系统基本信息的维护管理。实现系统相关的学生、教师、课程、学期等基本信息的维护管理。

四、结束语

本系统的实现主要应用OpenCV软件库、TensorFlow卷积神经网络（CNN）处理方法和MySQL数据库来实现。首先用OpenCV调取摄像头，检测人的面部信息进行特征提取，然后运用CNN对面部生物特征信息进行识别，最后把信息存到MySQL数据库当中，实现了学生考勤、数据上报、考勤数据查询和统计、信息维护以及数据导出等功能，并在苏州经贸技术学院信息技术学院20个班级进行了系统使用，能完全满足学生、教师、辅导员、学院领导及管理员各方的应用需求，能较好地实现课堂智能考勤和数据分析的效果。

参考文献：

[1] 徐钎力，严张凌. 基于Android的学生智能考勤系统的设计与实现[J]. 信息与电脑（理论版）， 2020，32（14）： 92-94.

[2] 梁晓琦，戴永辉，藏鸿雁. 基于双重定位技术的智能考勤系统. 计算机与现代化， 2020，（01）：58-62+80.

[3] 郑华昌. 基于智能移动终端的人脸识别技术在高校课堂考勤中的应用研究——以江门职业技术学院为例. 计算机产品与流通，2019，（10）：222.

[4] 黄金钰， 张会林， 闫日亮. LBP 直方图与 PCA 的欧式距离的人脸识别[J]. 计算机系统应用， 2012，21（06）：202-204.

[5] 刘湘煜. 课堂考勤系统移动端的设计与实现.互联网天地， 现代计算机. 2019，（15）：87-92.

[6] 苏楠，吴冰，徐伟， 等.人脸识别综合技术的发展[J].信息安全研究， 2016，2（1）：33-39.