基于人臉識別的課堂視頻考勤系統(tǒng)設(shè)計

0 引 言

高校的教學管理中， 出勤率的考核是一項重要的內(nèi)容。傳統(tǒng)的紙質(zhì)點名方式或查學生證的方式不僅耗時、耗力，在考勤過程中還可能擾亂正常的教學秩序。近幾年出現(xiàn)了一些現(xiàn)代化的考勤方式，比如刷卡 [1-2] 方式，學生攜帶一張 RFID 卡，需要將其放在讀卡器上記錄出勤情況，使用RS 232 將系統(tǒng)連接到計算機，并從數(shù)據(jù)庫中保存記錄的出勤信息。該系統(tǒng)可能會導致欺詐性訪問問題，未經(jīng)授權(quán)的人可以使用授權(quán)的身份證進入系統(tǒng)。指紋考勤系統(tǒng) [3-4]，在講課期間學生可將手指放在傳感器上，而無需指導老師干預，是一個簡單可行的考勤方法。但是在講課期間，設(shè)備的傳遞可能會分散學生的注意力，另外指模也可以代替同學簽到。虹膜識別考勤系統(tǒng) [5-6] 和 RFID 卡類似，需要每個同學排隊檢測虹膜，浪費課堂時間，擾亂課堂秩序。對分易考勤系統(tǒng)， 雖然可以調(diào)整考勤時間，但是每個學生都需要在手機上網(wǎng)簽到，對于沒帶手機、或者沒記住考勤號的同學可能會遺漏。當然對于考勤時間限制較長的，簽到號完全可以發(fā)送到不到課堂的學生手機上，可以遠程簽到，不利于簽到的準確性。隨著人臉識別技術(shù)的發(fā)展，人臉考勤系統(tǒng) [7-9] 也進入人員管理系統(tǒng)中。但是，常用的人臉考勤系統(tǒng)都需要專門的人臉識別設(shè)備，需要在上課前或下課后排隊識別考勤，浪費時間， 也存在考勤后溜走不上課的情況。

為此本文設(shè)計一種新的人臉識別考勤方法，在無需老師和學生干預的情況下，實現(xiàn)學生在課堂環(huán)境中的自動識別和出勤記錄。目前一般高校的各個教室都有高清監(jiān)控攝像頭， 這些攝像頭會不斷地捕捉學生的視頻圖像并保存到監(jiān)控中心，用來記錄學生的上課情況。本文利用監(jiān)控視頻拍攝下來的視頻圖像，在課堂上檢測圖像中的學生人臉，將檢測到的人臉特征與數(shù)據(jù)庫中的特征進行比較識別，并登記出勤情況。

1 系統(tǒng)總體設(shè)計

該系統(tǒng)由教室里安裝的攝像頭捕捉學生圖像，并將其發(fā)送到監(jiān)控中心后臺進行處理和考勤。在后臺的人臉識別系統(tǒng)中，根據(jù)上課時間按照一定的時間間隔從教室監(jiān)控視頻中捕獲學生圖像，并對圖像進行增強和去噪處理 ；然后在圖像中檢測人臉，并將檢測到的人臉進行對齊處理 ；最后進行人臉對比識別，并在數(shù)據(jù)庫中標記出勤情況。本系統(tǒng)由圖 1 所示的 4 個模塊組成 ：學生入學人臉圖像采集模塊、學生上課考勤人臉圖像采集模塊、人臉對比識別模塊和考勤管理模塊。

圖 1 系統(tǒng)功能模塊圖

在學生入學時，都會采集他們的面部圖像，存儲在數(shù)據(jù)庫中，并按班級分類，將這些圖像經(jīng)過預處理后按班級保存在學生人臉特征數(shù)據(jù)庫中。在上課考勤時，對在教室采集到的圖像進行人臉檢測和對齊，并和數(shù)據(jù)庫中圖像逐一進行比較，如果能識別出來，則在考勤數(shù)據(jù)庫中標記出勤信息。開始上課后，系統(tǒng)將自動啟動考勤流程，在一節(jié)課堂中多次采集學生圖像并進行人臉識別，自動獲得出勤率，節(jié)省了大量時間，而且不會有任何弄虛作假情況。具體流程如圖 2 所示。

圖 2 視頻考勤系統(tǒng)流程

2 系統(tǒng)模塊設(shè)計

2.1 學生入學人臉圖像采集模塊

隨著信息技術(shù)的發(fā)展，在學生入學時需要辦理校園卡、銀行卡，以及貸款等業(yè)務(wù)，這些業(yè)務(wù)系統(tǒng)都需要對學生進行人臉圖像采集，并將圖像和學生的基本信息進行綁定。本系統(tǒng)將這些采集好的人臉圖像數(shù)據(jù)庫作為人臉圖像的查詢庫， 按學生的學號將圖像與基本信息按班級分類，做成班級考勤的人臉識別庫。具體流程如圖 3 所示。

圖 3 人臉數(shù)據(jù)庫采集流程

目前， 提取人臉特征的方法較多， 如基于主成分分析 （Principal Component Analysis，PCA） 技 術(shù) [10-11] 的Eigenfaces[12]， 該方法是 PCA 最具代表性的方法， 是應(yīng)用于人臉識別問題的最流行的算法之一 ；基于線性判別分析（Linear Discriminant Analysis，LDA）的方法 Fisherfaces[13]， 以及 Fisherfaces 的改進方法 KFDA[14]。PCA 和 LDA 有相似之處，都是對原有數(shù)據(jù)進行整體降維映射到低維空間的方法。LDA 同時考慮了類間離散度和類內(nèi)離散度，使這兩者的比率達到最大。經(jīng)實驗證明，F(xiàn)isherfaces 的性能優(yōu)于 Eigenfaces。本系統(tǒng)采用 OpenCV+Fisherfaces 的方法提取人臉特征并進行人臉識別。采集到的人臉圖像由較多的像素組成，如果一個像素為 1 維特征，那么得到的人臉圖像將是一個維數(shù)很高的特征向量，計算量非常大，且人臉中的這些像素都具有一定相關(guān)性。PCA 和 LDA 技術(shù)能在降低圖像維數(shù)時降低原始各維特征之間的相關(guān)性。根據(jù) LDA 技術(shù)對采集的學生人臉圖像提取特征，并將特征保存到人臉特征數(shù)據(jù)庫中，以供在課堂考勤中進行人臉對比識別。

2.2 學生上課考勤人臉圖像采集模塊

在學生上課時，該教室的攝像頭會隨著老師講臺的打開自動打開，學生進入教室時，攝像頭一直工作，在上課期間采集上課的每位學生圖像。因為教室的攝像頭不是專門采集人臉的，上課時拍攝到的圖像中存在學生的臉部姿勢不正， 大小各異（教室前面的臉部大，后面的學生臉部小），所以需要進行人臉檢測和人臉對齊。在人臉檢測前，先對視頻圖像進行預處理，此預處理步驟涉及提取人臉圖像的直方圖均衡和去噪處理 ；然后在圖像中檢測人臉，定位人臉部分后使用人臉對齊方法 [15-17] 進行臉部剪切、仿射變形 ；最終生成人臉正面圖像，并將其大小調(diào)整為 100×100 像素。直方圖均衡是最常用的直方圖歸一化技術(shù)，通過擴展圖像的強度范圍提高了圖像的對比度，使圖像更清晰。歸一化后將人臉圖像調(diào)整為統(tǒng)一大小，再按照 LDA 的方式提取人臉特征。

2.3 人臉對比識別模塊

從檢測到的人臉圖像中提取到特征后，需要將其和存儲的人臉特征數(shù)據(jù)庫進行查詢對比，識別人臉圖像。因此，在人臉檢測步驟之后，下一步是人臉識別。在第 2.2 節(jié)已經(jīng)檢測到圖像中的所有人臉，并使用對齊方法剪切下來規(guī)整成統(tǒng)一大小的臉部正面圖像，接下來提取這些人臉圖像的特征并逐一與該班級的學生人臉特征數(shù)據(jù)庫進行比較，這樣通過人臉數(shù)據(jù)庫對學生的人臉進行逐一驗證，就可以識別出學生的身份，同時在考勤管理數(shù)據(jù)庫中標注學生的出勤情況。具體做法為 ：將學生入學人臉采集圖像作為樣本圖像，學生上課考勤的人臉作為測試圖像，然后使用 LDA 方法提取圖像特征，最后通過構(gòu)造特征空間進行投影計算，使用分類器進行人臉識別，具體流程如圖 4 所示。在人臉對比模塊中，采用的分類器是模式識別中常用的最近鄰方法，此方法直接簡單， 容易實現(xiàn)，可用于任何分布的數(shù)據(jù)。在訓練樣本足夠時，最近鄰分類法的效果比較理想。

2.4 考勤管理模塊

考勤管理包括學期管理、課程管理、班級管理、學生管理、考勤登記管理和考勤記錄導出功能。在使用人臉識別進行考勤時，系統(tǒng)根據(jù)課程安排將檢測到的各班學生人臉圖像特征與對應(yīng)班級的人臉數(shù)據(jù)庫特征逐個進行比較驗證，并在服務(wù)器上的考勤登記管理中登記學生出勤情況。識別出的人臉將登記為出勤，沒有識別到的人臉將登記為缺勤，并提供導出到 Excel 的功能，打印出各個班級學生的考勤情況，也可以通過別的系統(tǒng)將各班考勤情況及時公布。

結(jié) 語

本文基于人臉識別技術(shù)設(shè)計出一種自動考勤系統(tǒng)，充分利用原有的監(jiān)控設(shè)備，在上課期間自動進行考勤，無需排隊采集信息，無需人工干預。該系統(tǒng)比傳統(tǒng)的考勤系統(tǒng)省時省力，同時又不干擾正常的教學過程，并能準確檢測學生在課堂上的出勤情況，為學生考勤管理提供了方便快捷的方法。

該系統(tǒng)在理想條件下能取得較好的效果，但是，實際情況中，由于教室中光線、角度、表情等多種因素會影響系統(tǒng)識別準確度。在今后的工作中，將考慮使用 GPU 高性能圖像處理服務(wù)器，采用深度學習的方法提高系統(tǒng)對現(xiàn)場復雜環(huán)境的適應(yīng)能力，使人臉識別能達到人類識別的精確度，提高考勤的準確性。