基于深度学习人脸识别考勤系统的研究与实现

基于深度学习人脸识别考勤系统的研究与实现

许章颖

金陵科技学院 210000

摘要

目前人脸识别考勤系统还未在各大高校得到全面的普及，许多教学活动的签到方式还保持传统的点名签到或纸质版签到等方式。因此学生相互代答、代签等情况比比皆是，不利于学校的管理以及期末成绩的公平性。

本设计基于深度学习的人脸识别技术，使用神经网络CNN训练模型。利用Qt Designer进行前端主页面的设计，PyCharm编写界面控件的槽函数，算法部分使用了人脸识别算法DeepID进行人脸识别。实现了人脸识别的课堂考勤管理一体化系统。

基于深度人脸识别的考勤系统高效率地完成考勤工作，避免了考勤时不必要的人力物力资源浪费，做到了公平公正的管理制度。

第1章 绪论

1.1研究的目的与意义

在当今社会，面部扫描识别技术是一种高效而又便利的工具，面部识别作为当今使用最频繁的技术之一，它是通过计算机对图像的采集，在通过一系列复杂的计算在图像设备上进行识别。通过摄像头扫描、抓取面部特征，将取得的人脸数据储存在人脸数据库中，方便下次进行匹配，无序接触便能准确的筛选出最佳人员，人脸识别是一种更为友善的生物识别技术。在搭配上机器学习、深度学习、算法等面部识别技术的发展，使得精准度有着很大的提高。

1.2研究现状

1.2.1国外研究现状

在Blanz等人提出的基于三维形变模型人脸识别技术中，可以有效地克服多个姿势的干扰，同时在模式识别中还采用了SVM（SVM）技术[1]。扫描技术已被广泛应用于面部图像的处理，目前流行的有CNN, RNN, DNN等技术，在光照、面部表情、人脸角度等方面都有很好的应用前景。

1.2.2国内研究现状

我国在人脸这方面的研究相对滞后，但随着科技的发展与进步，极大的缩短了与国外的差距。以DeepID算法为核心的深度学习，实现精准的人脸识别并加强关键点的检测和追踪，在面部美化中有着颇高的成就 [2]。

目前脸部扫描鉴别方法都是以正向的脸部为目标，稍微改变角便会存在较大的误差，如获取到的是脸部的侧面时，会使人脸的识别率大幅降低[3]。所以在基于深度学习下对人脸识别技术进行质的提升，寻找具有高效处理复杂性问题的高计算精密度算法，成为当下最具有挑战的任务。虽然人脸识别已是很成熟的一项技术，但在其精准度上还是要精益求精。

1.3研究思路

1.4本章小结

本章介绍了人脸识别研究的目的和意义，研究人脸识别技术对于当下生活发展有着不可缺失的联系，并阐述了目前的国内外有关人脸识别技术的研究进展。

第2章 人脸识别的相关技术

识别技术包含预处理、扫描、特征提取和识别等，每个阶段都会产生许多新的演算法。在深度学习的快速发展中，数据预测和分类方面的准确性，最新的深度学习算法已经优于传统的机器学习很多。在深度学习领域，卷积神经网络（CNN）是目前最先进的技术之一。

2.1人脸识别基本原理

人脸识别通常有以下步骤：对影像进行获取—预处理—面部探测—特征抽取—面部扫描，影像采集常规方法是对其照片进行收集，其次便是通过脸部特征以及瞳孔进行录制，再对面部的区域进行分割，利用设计好的特征抽取方法进行面部的特征提取，并将预处理后的图像存入人脸库中，便于下次人脸识别时更精准的定位到其身份信息。人脸识别的流程如下：

2.2人脸识别方法

人脸识别技术有Galton首次提出，最早的研究是利用人脸识别对身份进行探讨，提出了一种以几何、三维变形的模糊神经网络为基础的不同方法。人脸识别技术是将输入的人脸图像与特征子空间进行对比，再利用两者间的投射影像进行相似性测定。三维形变模型的方法是对人脸的三维图像的样式、曲面的反射性进行统计学处理，并将其与面部的3D图像进行比较和辨识，找到符合率最大者最佳。基于CNN的方法下，充分利用其网络模型具有较高训练效率的优势，自动过滤数据和提取高维特征。

2.3 人脸特征

人脸的基本特征在人脸识别中有着极其重要的用，它影响着整个系统识别的准确性，而且人脸图像具有高度的可变性，所以通过人脸特征来进行筛选成为重要的工具。

2.3.1 人脸灰度与几何特征

人脸一般有灰度、轮廓、几何等分布。灰度一般是指面部颜色分布不完全相似，通过设计对称中心来左右区分灰度，并将其在图像上进行平均分布，然后利用特征向量按递减规律进行排列。几何特征包含人脸的主要五官特征，也是利用其对称性原理，只需提取少量的信息便能实现人脸识别的特征。几何特征通过人脸双眼间的距离计算独一无二的轮廓信息，这是用来区分不同人脸的重要标志，一般采用以下计算方法：

2.3.2 基于CNN的人脸识别

人工神经网络是最常用的神经网络模型之一。CNN通过输入来学习数据的特征，并且利用conv2d对图像进行处理， CNN使用券积层和池化层对原始全连接神经网络中的目标图像进行卷积和识别。卷积神经网络是一种新的深度学习算法。它能够利用大量低维空间中的特征信息实现高维度的分类任务。卷积神经网络主要包括两个部分：特征提取和网络结构设计。卷积神经网络将输出图像转换为矩阵格式的数据模式，然后由不同的卷积核对其进行卷积。对卷积层里的矩阵格式进行数据处理，提取图像的不同特征，这种方式有利于对输入图像的各个特征进行处理。

卷积神经网络的结构由三部分组成[4]：输入层、卷积层+池化层和全连接层。

卷积层是CNN的重要部分，它不同于传统的全连接层，卷积层当中的每个节点的输入是上一层神经网络的小块矩阵。池化层就是通过缩小矩阵的大小对数据进行处理，因为通过卷积得到的图像分辨率依旧很高，所以要进行池化层来对特征图像进行降低分辨率，这样在接下来的计算当中时间消耗就会降低，降低发生过拟合化现象和简化网络结构。该模型具有较高的识别率。

ReLU函数，如图所示，当x小于0的时候，它的值等于0，当x>0时，它的值就为x。所以公式就为y=max(0,x)，ReLU激活函数的优点为；无需复杂的指数运算，计算简单、效率提高；不存在饱和区，没有梯度消失问题，防止了梯度弥散。

图1 ReLU函数

2.3.3 基于统计学习的方法

通过这种方法检测的稳定性能够达到良好的效果，具有较高的鲁棒性。该方法有机器学习方法和统计学习法两种学习方式，主要是通过人脸与非人脸图像完成学习过程。通过学习而构建出基本的人脸模板，再由此模板来完成检测。目前，完成信息的提取过程主要存在两种形式：线性鉴别发和主成分分析法等统计方式来提取特征，使用支持向量机和神经网络两种统计模式从而进行分类。

2.4  图像预处理

因为摄像装置的图像样式不同，拍摄的场景也有较大的差异，因此在获得图像时会受噪声、光照等多种因素的影响。通常使用灰度变换、直方图均衡、尺度规整和几何校正。对人脸识别来说图像预处理看似无关紧要实则是重中之重。然而预处理的方式存在以下几种：图像灰度化、直方图均衡化[5]、图像归一化。在面部标准化过程中，尺度规格化也是一项重要工作，它会把所有的面部影像都进行放大、缩小，保证各个主要部位在同一坐标系内。本文对所采集的面部图像进行了标准化处理，大小为160x160。

人像是一种彩色图像，彩色影像的形成原则是将各像素点的色彩分别以三原色来确定，并以一定的比率进行调配，从而形成各种色彩。而灰色图像不包含彩色的内容，仅包含了亮度的信息，并且具有持续的亮度。对光度进行定量，以便于对灰度的测量。我们把它分为0-255-256个等级,255到 0表示黑色和白色。用 R、 G、 B三种基本色的对应关系来实现彩色图片到灰度化的转变。

2.5本章小结

本文首先对人脸的基础知识进行了概述，然后对其中的几个关键技术进行了简要的阐述，综合上述总结出主要的内容分别是灰度变换、直方图均衡化、尺度归一化三种图像处理技术。最后，本文对该系统的主要研究内容进行了分析，并对下一章的内容进行了学习和探讨。

第3章 人脸识别系统设计

在进行基于面部特征的考勤管理时，应对其进行需求分析，并对其进行功能划分。在此基础上，建立了一个基于模块的考试考勤管理体系。本文对考勤管理的需求进行了较为详尽的剖析，并对其绩效要求进行了较为全面的解析。

3.1功能需求分析

功能需求分析：对员工进行评估、评价和合理控制，把员工划分成一般工作和管理工作，以保证其工作的安全性。雇员可以注册姓名，性别，工作地点，联系方式等。管理人员可根据人员变动、人脸资料无效、联络信息变更等进行信息删除、变更等管理。脸部的识别是一种很有意义的工作，机器一旦扫描成功，就会被储存起来。

3.2系统总体设计

该系统将身份信息以及人脸信息的录入与存储，并通过算法对其进行深度解析，分隔出人脸区域图像，采用人脸检测和识别以及神经网络和模型训练好的结果进行分类，并把结果存入数据库。

3.3 InterView框架

Qt的视图架构基于 MVC的开发，这个模型是Dodani Hughes、Moshell两人共同提出来的，并在软件的开发过程中得到了广泛的运用。MVC设计模式有三要素:模型、视图和定控制。MVC设计模式如图2所示。

图2 MVC设计模型

3.4 数据库设计

以MySQL为基础，设计数据库对图形进行储存管理。能够快速有效的对数据库进行访问，而且支持多客户多线程操作。数据库中具体命名如下：人员基本信息表（students），包含字段有ID、Name、Class、Sex、Birthday。

3.5 人脸识别算法流程

下图是人脸识别算法流程：

图3 算法流程

图像识别分为两种情况：（1）训练样本图像集，（2）非训练样本识别，基于神经网络算法下进行自动学习识别不同的人脸，随机抽取一组人脸，以不同角度以及表情进行测试。

3.6人脸检测的实现

在人脸识别的检测过程中首先要输入待检测图片，并对其进行相应的预处理。待检测对象也可以为从计算机的摄像头或者视频流里获取帧图片，通过其资料名称调用VideoCapture函数，再使用cap.read()来读取摄像头中的图像。对照片进行灰度化处理，使用cvtColor()函数把RGB彩色图片变为灰度图片。最后使用函数完成人脸的检测，并且在原图像上标注出人脸框，部分代码的实现如下图5：

图5 人脸检测框架

3.7 总结

本章介绍了人脸识别系统的功能需求，对人脸识别系统有了一个初步的系统化设计流程，在此基础上，对其功能进行简单的分析，对于识别算法的流程也有了初步的分析。

第4章 结 论

近年来，随着神经网络、目标检测等技术的飞速发展，我们的生活更加便捷。本论文研究基于深度学习人脸识别考勤系统的研究与实现，系统的稳定性能、高效性、安全性等方面得到很好的应用。本文已完成的工作总结如下：

首先，对人脸检测的理论基础进行了详细的描述，给出了系统的开发平台和开发环境，并对当前常用的人脸检测算法、机器扫描检测算法以及人脸特征检测算法进行了对比。在此基础上，针对不同的人脸识别要求，给出了一种基于人脸识别的考勤算法。重点分析了基于灰度变换、直方图等的图像预处理方法，并对基于哈尔的人脸检测、基于 FaceMark的人脸对齐和基于人脸特征扫描识别进行了深入的分析和研究。对基于面部特征的考勤管理系统进行了深入的探讨，给出了系统整体的设计思路，并给出了具体的功能模块，并构建了相关的数据库。

最后对人脸识别考勤系统进行各个功能板块进行了程序设计，对各个功能进行阐述，并对人脸识别考勤系统的可视化进行了分析，对测试结果进行了测试，测试能正常运行。

文献

[1]Blanz . Dynamic Face Recognition Attendance System Based on AdaBoost and PCA[J]. Microelectronics & Computer, 2008.

[2]邓熠, 毕磊, 薛甜等. 基于深度学习的人脸识别课堂考勤系统的实现[J]. 无线互联科技, 2021, 18(14):4.

[3]陈守阳, 康尹, 谢思聪,等. 基于深度学习的人脸识别课堂考勤系统[J]. 中国新通信, 2019(6):1.

[4]王儒,王嘉梅,王伟全,符飞.深度学习框架下微博文本情感细粒度研究[J].计算机系统应用,2020,29(05):19-28.

[5]李顺喜, 陈卓, 曾妮,等. 一种基于深度学习和云服务的人脸识别考勤系统及方法:, CN106204780A[P]. 2016.

[6]王静,孙紫雲,郭苹,张龙妹.改进YOLOv5的白细胞检测算法[J].计算机工程与应用,2022,58(04):134-142.

[7]刘丰, 龚裕, 马福齐. 一种基于深度学习的人脸识别方法,系统和可读存储介质:, CN111178130A[P]. 2020.

[8]徐琛. 基于多任务深度学习的人脸识别算法研究与应用[D]. 西安电子科技大学, 2020.

[9]赵青. 基于深度学习的三维人脸识别技术研究[D]. 集美大学, 2020.

[10]祝永志, 苏晓云. 基于多任务卷积神经网络的人脸识别技术研究[J]. 通信技术, 2020, 53(3):6.