基于人脸识别的课堂视频考勤系统设计

基于人脸识别的课堂视频考勤系统设计作者：吴宗胜

来源：《物联网技术》2019年第06期

摘要：学生在课堂上的考勤是学生日常管理的重要任务，传统的纸质点名方式会浪费很多时间和精力。现有许多非手工方式，虽然能节约精力，但是必须排队刷卡、采集虹膜、人脸或者指纹，也很费力。文中提出一种自动考勤系统，无需人工干预，无需排队采集信息。该系统通过现有教室里普遍应用的高清摄像头，在上课开始时自动采集图像，检测图像中的人脸，并将检测到的人脸与数据库进行比较，并标记出勤情况。这种新系统比传统的考勤系统省时，同时又不干扰正常的教学过程，能准确检测学生在课堂上的出勤情况。

关键词：人脸识别;图像采集;考勤系统;课堂视频;虹膜;出勤率

中图分类号：TP391 文献标识码：A 文章编号：2095-1302（2019）06-00-03

0 引言

高校的教学管理中，出勤率的考核是一项重要的内容。传统的纸质点名方式或查学生证的方式不仅耗时、耗力，在考勤过程中还可能扰乱正常的教学秩序。近几年出现了一些现代化的考勤方式，比如刷卡[1-2]方式，学生携带一张RFID卡，需要将其放在读卡器上记录出勤情况，使用RS 232将系统连接到计算机，并从数据库中保存记录的出勤信息。该系统可能会导致欺诈性访问问题，未经授权的人可以使用授权的身份证进入系统。指纹考勤系统[3-4]，在讲课期间学生可将手指放在传感器上，而无需指导老师干预，是一个简单可行的考勤方法。但是在讲课期间，设备的传递可能会分散学生的注意力，另外指模也可以代替同学签到。虹膜识别考勤系统[5-6]和RFID卡类似，需要每个同学排队检测虹膜，浪费课堂时间，扰乱课堂秩序。对分易考勤系统，虽然可以调整考勤时间，但是每个学生都需要在手机上网签到，对于没带手机、或者没记住考勤号的同学可能会遗漏。当然对于考勤时间限制较长的，签到号完全可以发送到不到课堂的学生手机上，可以远程签到，不利于签到的准确性。随着人脸识别技术的发展，人脸考勤系统[7-9]也进入人员管理系统中。但是，常用的人脸考勤系统都需要专门的人脸识别设备，需要在上课前或下课后排队识别考勤，浪费时间，也存在考勤后溜走不上课的情况。

为此本文设计一种新的人脸识别考勤方法，在无需老师和学生干预的情况下，实现学生在课堂环境中的自动识别和出勤记录。目前一般高校的各个教室都有高清监控摄像头，这些摄像头会不断地捕捉学生的视频图像并保存到监控中心，用来记录学生的上课情况。本文利用监控视频拍摄下来的视频图像，在课堂上检测图像中的学生人脸，将检测到的人脸特征与数据库中的特征进行比较识别，并登记出勤情况。

1 系统总体设计

该系统由教室里安装的摄像头捕捉学生图像，并将其发送到监控中心后台进行处理和考勤。在后台的人脸识别系统中，根据上课时间按照一定的时间间隔从教室监控视频中捕获学生图像，并对图像进行增强和去噪处理;然后在图像中检测人脸，并将检测到的人脸进行对齐处理;最后进行人脸对比识别，并在数据库中标记出勤情况。本系统由图1所示的4个模块组

成：学生入学人脸图像采集模块、学生上课考勤人脸图像采集模块、人脸对比识别模块和考勤管理模块。

在学生入学时，都会采集他们的面部图像，存储在数据库中，并按班级分类，将这些图像经过预处理后按班级保存在学生人脸特征数据库中。在上课考勤时，对在教室采集到的图像进行人脸检测和对齐，并和数据库中图像逐一进行比较，如果能识别出来，则在考勤数据库中标记出勤信息。开始上课后，系统将自动启动考勤流程，在一节课堂中多次采集学生图像并进行人脸识别，自动获得出勤率，节省了大量时间，而且不会有任何弄虚作假情况。具体流程如图2所示。

2 系统模块设计

2.1 学生入学人脸图像采集模块

随着信息技术的发展，在学生入学时需要办理校园卡、银行卡，以及贷款等业务，这些业务系统都需要对学生进行人脸图像采集，并将图像和学生的基本信息进行绑定。本系统将这些采集好的人脸图像数据库作为人脸图像的查询库，按学生的学号将图像与基本信息按班级分类，做成班级考勤的人脸识别库。具体流程如图3所示。

目前，提取人脸特征的方法较多，如基于主成分分析（Principal Component Analysis，PCA）技术[10-11]的Eigenfaces[12]，该方法是PCA最具代表性的方法，是应用于人脸识别问题的最流行的算法之一;基于线性判别分析（Linear Discriminant Analysis，LDA）的方法Fisherfaces[13]，以及Fisherfaces的改进方法KFDA[14]。PCA和LDA有相似之处，都是对原有数据进行整体降维映射到低维空间的方法。LDA同时考虑了类间离散度和类内离散度，使这两者的比率达到最大。经实验证明，Fisherfaces的性能优于Eigenfaces。本系统采用OpenCV+Fisherfaces的方法提取人脸特征并进行人脸识别。采集到的人脸图像由较多的像素组成，如果一个像素为1维特征，那么得到的人脸图像将是一个维数很高的特征向量，计算量非常大，且人脸中的这些像素都具有一定相关性。PCA和LDA技术能在降低图像维数时降低原始各维特征之间的相关性。根据LDA技术对采集的学生人脸图像提取特征，并将特征保存到人脸特征数据库中，以供在课堂考勤中进行人脸对比识别。

2.2 学生上课考勤人脸图像采集模块

在学生上课时，该教室的摄像头会随着老师讲台的打开自动打开，学生进入教室时，摄像头一直工作，在上课期间采集上课的每位学生图像。因为教室的摄像头不是专门采集人脸的，上课时拍摄到的图像中存在学生的脸部姿势不正，大小各异（教室前面的脸部大，后面的学生脸部小），所以需要进行人脸检测和人脸对齐。在人脸检测前，先对视频图像进行预处理，此预处理步骤涉及提取人脸图像的直方图均衡和去噪处理;然后在图像中检测人脸，定位人脸部分后使用人脸对齐方法[15-17]进行脸部剪切、仿射變形;最终生成人脸正面图像，并将其大小调整为100×100像素。直方图均衡是最常用的直方图归一化技术，通过扩展图像的强度范围提