汉王人脸识别考勤机范文第1篇
科学技术的发展, 使人脸识别技术成为一种日益重要的技术手段, 并广泛用于金融、刑侦、教育等多个领域。人脸识别技术是以人体脸部特征作为身份认证的核心, 以此实现对人体身份的有效识别, 这一生物计算机技术在现阶段正日益彰显出其重要的应用价值。在学校教学工作中, 学生出勤率低已经成为大学校园内普遍存在的问题, 该问题的产生不利于教学效率的提高, 为此, 有必要将人脸识别技术应用于学校教学考勤工作中, 以此设计基于人脸识别技术的学校教学考勤系统, 这样不仅能够提高学生的出勤率, 还能防止冒名顶替现象的发生, 从而在减轻教师工作量的同时, 也能使课堂教学效果得到显著提高。
二、基于人脸识别技术的学校教学考勤系统的框架及识别流程
(一) 系统框架
基于人脸识别技术的学校教学考勤系统是一种嵌入式系统, 其内部组成主要分为硬件与软件两个部分, 其中, 硬件部分包括可编程逻辑器、存储器、嵌入式微型处理器、接口插件以及外部扩展设备, 而软件部分则主要分为应用程序与操作系统这两大部分。该系统的主要框架共包括六个环节, 分别是获取人脸图像、定位检测人脸、人脸图像预处理、人脸特征提取、人脸图像核对以及身份验证。首先对于人脸图像获取, 需要学生站到系统摄像机的面前来进行人脸面部拍摄, 并将拍摄到的人脸面部图像存储至数据库中。在定位检测人脸时, 该系统需要对静态图像内是否存在人脸进行相应的判断, 当检测到静态图像内存在人脸, 则会提供人脸图像所具有的坐标位置及其区域大小, 并通过人脸跟踪来对人脸位置及大小等信息进行实时化输出。在对人脸图像进行预处理时, 需要将检测到的人脸图像进行相应的处理, 该处理过程便是所谓的预处理过程, 系统的预处理操作是通过预处理模块来实现的, 对人脸图像进行预处理的常用方法我括中值滤波、边缘提取、二值化、灰度变化、边缘检测、灰度化、图像光线补偿、图像二值化等, 在进行人脸图像预处理时, 往往需要采取多种方法。系统在对人脸特征点进行提取时, 需要对图像中的人脸特征进行检测和标定, 以此明确其具有显著性的人脸特征, 并获得这些特征点所在的坐标位置。系统在进行人脸图像对比时, 是将检测到的人脸图像和存储在数据库中的人脸图像进行相似度计算与排序, 以此确定检测到的人脸图像的身份信息。在对人脸图像的身份信息进行确认时, 系统数据库中存储的人脸图像都有着对应的身份信息, 系统只需将检测到的人脸图像进行对比, 找出数据库中的原型图像, 即可判断出检测的人脸图像的身份信息。
(二) 系统识别流程
基于人脸识别技术的学校教学考勤系统对学生人脸图像的识别过程是较为复杂的, 其在人脸识别过程中主要包括以下步骤:第一步是对人脸进行检测, 并反馈检测结果, 然后对人脸图像进行定位, 检测人脸的坐标位置并进行定位, 定位人脸又被叫做人脸追跟, 通常系统在识别人脸过程中, 需要结合检测与定位进行, 通过对人脸特征进行提取, 并加以描述, 即可达到人脸识别的目的, 也就是通过对人脸特征进行提取来对其身份信息进行确定。
三、基于人脸识别技术的学校教学考勤系统的设计思路及方案
(一) 设计思路
学校教学考勤系统在设计上主要包括以下步骤, 第一步是设计学校教学考勤系统的整体方案, 然后构建该系统的软硬件开发环境;第二步是以软件角度展开, 分析系统的主要功能及用于人脸识别的关键算法, 以此确保系统软件具有较强的处理性能;第三步是对设计的系统进行测试, 以此分析系统的可靠性。
(二) 设计方案
在基于人脸识别技术的学校教学考勤系统设计中, 采取了模块化方式对该系统的主要功能进行了独立开发, 考虑到该系统的总线及接口方式是一致的, 因此可根据学校的教学考勤要求来对相应的功能模块进行添加, 使学校教学考勤具有良好的可扩展性。该系统的主要模块包括S3C2440A核心控制模块、通信模块、人脸图像采集模块、外部存储模块、信息输入模块以及无线通讯模块。
四、基于人脸识别技术的学校教学考勤系统的软硬件设计及测试
(一) 硬件部分
基于人脸识别技术的学校教学考勤系统在硬件设计上采用由S3C2440A这种半导体芯片制作而成的微型处理器, 该芯片具有高集成度、低功耗与高性能的应用优势, 该微型处理器具有工业级温度范围, 其主频可达到533MHz, 并扩展有数字摄像头接口, 可对各种分辨率的LED显示屏进行有效支持, 并且不需设置触摸屏接口。在基于人脸识别技术的学校教学考勤系统中, 通信芯片是确保系统和其后台服务器进行顺利交互的关键所在, 因此必须要对通信芯片进行合理的选择。在本文中所采用的通信芯片为DM9000通信芯片, 这种通信芯片具有完全集成的应用优势, 同时其成本与效益均满足系统的应用要求。在通信芯片内, 其内置有一个具有自适应性特点的10/100M的PHY, 此外还内置有4KDWORD值的处理器, 该处理器为SRAMS3C2440A, 通信芯片的核心拓展芯片为容量32M的HY57V561620FTP-H芯片。为了使系统在通信方面具有更好的延展服务, 其通信芯片内还内置有一个容量为64M的NandFlash, Flash的型号是K9F1216U0A。对于学校教学考勤系统来说, 摄像头是对学生人脸图像进行采集的重要前端设备, 因此需要将摄像头作为其硬件部分中的重点, 在本文中所采用的摄像头为MOS模式, 其像素级达到130万, 摄像头型号为JD202USB免驱微型摄像头。这种摄像头可根据外部环境的光线条件来对其亮度、清晰度以及饱和度等进行自由调度, 并可对各种分辨率的人脸图片进行有效支持, 从而为高清人脸图像的采集打下了坚实的基础。
(二) 软件部分
基于人脸识别技术的学校教学考勤系统在进行人脸识别时, 其主控流程如下:当系统开启时, 其会对自身运行状态及功能等进行自检, 如自检不通过, 系统会自动发出故障报警, 以此提醒管理人员进行维修。当自检通过后, 学生需要站到系统的摄像头前端, 并利用键盘按考勤键, 这时系统的摄像头会自动对学生的人脸图像进行拍摄采集, 并对人脸图像中的特征点进行检测与提取, 然后将提取到的特征点与数据库中的原型人脸图像的特征点进行比对, 以此判断站在摄像头的学生是否为本人, 如不是本人, 则系统会自动发出预警, 如是本人, 则系统会将考勤记录进行自动保存。根据学校教学考勤系统对上述主控流程的描述, 可了解其系统的功能要求, 在对系统的软件部分进行设计时, 也应结合其功能要求来进行设计, 大致包括三个部分的主要功能设计, 分别是学生考勤模块、考勤管理及统计模块以及人脸检测识别模块。
其中, 学生考勤模块通过摄像头来采集学生的人脸图像, 考勤管理及统计模块会将学生的考勤记录数据进行统计, 人脸检测识别模块会对提取的人脸图像中的特征点与数据库中的特征点进行相似度比对, 以此确认学生的身份信息。
在基于人脸识别技术的学校教学考勤系统中, 算法是实现系统功能的核心, 在该系统中采用的算法为PCA算法, 该算法又被称之为主成分分析法, 其是根据图像在统计过程中所具有的特性, 通过检测其变换时协方差矩阵中的数值特征, 以此分析数据之间所具有的关联性。目前, 该算法普遍用于大维数的数据分析工作中。
PCA算法在应用过程中主要分为以下步骤, 第一步是找到协方差矩阵, 第二步是对协方差矩阵中的数值进行求解, 并得出其正交化单位的特征向量, 第三步是确定其主成分数量。
(三) 系统测试
本文从软硬件方面设计了基于人脸识别技术的学校教学考勤系统, 并对该系统进行了测试, 然后观察所获得的人脸识别数据库。从该数据库中可知, 系统可对人脸所具有的不同表情进行有效的识别, 并且可对不同的人脸图像进行处理与识别, 这为学校教学考勤系统的应用创造了极为有利的条件。
五、结语
总而言之, 随着科学技术的发展, 人脸识别技术在证券金融、信息安全等诸多领域中的应用变得越来越广泛, 在教育领域中也同样如此, 将该技术应用于学校教学考勤工作中, 不仅可节省点名时间, 减轻教师工作量, 还能在一定程度上提高学生的出勤率, 从而进一步推动了教育领域的发展。
摘要：长期以来, 高校在教学过程中普遍存在课堂出勤率低的问题, 为了提高课堂出勤率, 教师往往采取课堂点名方式, 但这种方式不仅效率较低, 而且非常容易出现冒名顶替等现象。为此, 本文提出一种基于人脸识别技术的学校教学考勤系统, 并对该系统进行了深入的研究, 以期能够减轻教师的工作量, 节省课堂点名时间, 提高学校的课堂教学出勤率, 尽快促进我国智能化课堂的形成。
关键词：人脸识别技术,学校教学,考勤系统
参考文献
[1] 王少豪.基于图像的人脸识别技术在高校课堂考勤系统中的研究与应用[J].电脑知识与技术, 2017, 13 (33) :209-210.
[2] 崔晓微, 董雷刚, 张丹, 邹红.互联网+面部识别技术在大学生寝室管理中的应用研究[J].电脑知识与技术, 2018, 14 (8) :148-149.
[3] 武斌, 贾红雯.基于云端的Android手机教学考勤管理系统的研究[J].科技经济导刊, 2017 (27) :19.
[4] 周妍.人脸识别考勤系统的分析与应用[J].产业与科技论坛, 2014, 13 (7) :57-58.
汉王人脸识别考勤机范文第2篇
自21世纪以来, 随着自动化和科技化的发展, 信息安全越来越重要, 普通的身份识别无法保证信息安全。从而衍生出生物特征识别技术, 它具有高效、稳定、快速等特点, 从而很快便成为人们关注的研究领域。其中虹膜识别、人脸识别等都属于这项技术的研究方向, 和虹膜不同的是, 人脸会受光纤、肤色、表情等的影响, 从而人脸识别比虹膜识别要复杂的多。最早的人脸图像识别是国外研究的, 现在已有使用系统出现, 只是对于成像条件要求比较严格, 从而应用范围较窄, 国内也有很多学者对这方面有研究, 并取得一定的成果。
人脸识别早在六七十年代就引起了研究者的强烈兴趣, 1972年, Harmon用交互人脸识别方法在理论和实践两方面进行了详细的论述, 随后, Sakai设计了人脸图像自动识别系统, 但是它们都有一定的局限性, 需要人的干预才能完全实现人脸识别。九十年代, 人脸识别摆脱了人的干预, 真正进入了机器自动识别阶段。目前利用计算机进行完全自动的人脸识别困难重重。人脸表情会变化, 随着年龄的增长会变化, 发型、眼镜等装饰对人脸造成遮挡;人脸所成图像受光照、成像角度、成像距离等影响。而人脸识别中图像包括大量的数据。对图像的处理工作量巨大。
本文首先利用Matlab对图像进行处理, 主要包括:二值化、直方图均衡化、中值滤波等, 然后利用PCA算法实现人脸识别。
二、基于Matlab的数字图像处理
(一) 二值化
由于选取的样本每个人自身的面部肤色基本一致, 且与背景颜色有很大的差距。为了将人脸与背景区分开, 进而更好地识别人脸, 需要将彩色图像转换为只有黑白两个灰度级的二值图像。
(二) 中值滤波
中值滤波的目的是为了有效去除图像噪音, 尤其是椒盐噪音, 从而较好的保留图像边缘的锐度与图像细节特征。
(三) 直方图均衡化
即把已知灰度概率分布的图像, 变换为具有均匀概率分布的新图像。
数字图像处理的工作目的是为了使得所有的图片规范化, 统一化, 进而能够更好地进行人脸识别。
三、基于PCA的人脸识别算法
在人脸识别的领域中, PCA算法被广泛地应用。此算法降低了人脸图像特征的维数, 从而降低了人脸识别的难度。
(一) 生成平均脸
计算机中每一张图像的存储方式均是矩阵, 对图像进行预处理之后, 需要构建特征脸和平均脸空间, 这就需要将每张图片所对应的矩阵转换成列向量。设处理后的每张图像的矩阵是n*m, 则经过转化, 则可以转化成n*m行, 1列的向量。如果选取5张图片进行转化, 则5张图像共可以转化成n*m行, 5列的矩阵A。对矩阵A的每个列向量求平均值, 便可以得到n*m行, 1列的向量。由均值, 可以还原回原来的矩阵, 从而得出平均脸。随机选取图像库中的20张图片, 生成平均脸如下:
这张平均脸包含20张人脸图像的信息, 并非针对特定的一个人。
(二) 特征提取
利用方差贡献率
判断前k个特征值。方差贡献率越大, 特征值越大。特征提取是将人脸图像中差异性最大的特征提取出来, 进而进行人脸识别。
基于PCA算法可以得到降维的特征脸空间。从而能够进行更好地对图像进行识别。
本文首先对图像进行预处理, 然后利用PCA进行特征提取, 当训练样本较大时, 基于PCA的人脸识别结果模型算法能表现出更好地适应性。
【相关链接】
人脸识别, 是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流, 并自动在图像中检测和跟踪人脸, 进而对检测到的人脸进行识别的一系列相关技术, 通常也叫做人像识别、面部识别。
2017年央视3·15晚会曝光人脸识别的相关隐患。人脸识别的英文名称是Human Face Recognition.人脸识别产品利用AVS03A图像处理器;可以对人脸明暗侦测, 自动调整动态曝光补偿, 人脸追踪侦测, 自动调整影像放大。
广义的人脸识别实际包括构建人脸识别系统的一系列相关技术, 包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。
摘要：随着计算机的发展, 各个领域都产生了巨大变革。图片的处理和模式识别技术不再局限于传统的方式, 基于生物识别理论, 产生了人脸识别技术。本文主要利用MATLAB实现人脸识别。
关键词：数字图像处理,人脸识别,PCA
参考文献
[1] 刘艳丽, 赵跃龙.人脸识别技术研究进展[J].计算机工程, 2005 (3) :10-11.
[2] 肖冰, 王映辉.人脸识别研究综述[J]计算机应用研究, 2005 (8) :1-5.
[3] 孔令钊, 唐文静.基于PCA的人脸识别系统的研究与实现[J].计算机仿真, 2012 (6) :27-29.