代啟耀　孫勝賽

摘 要：針對高校開放型實驗室考勤管理存在的問題，本文結(jié)合人臉識別技術(shù)設(shè)計實驗室智能考勤系統(tǒng)。該系統(tǒng)能有效解決開放型實驗室傳統(tǒng)考勤管理存在的用戶身份識別、代簽、簽到（退）時間確定和分析問題，簡化簽到流程，減少考勤管理成本。

關(guān)鍵詞：人臉識別;實驗室考勤;用戶信息數(shù)據(jù)庫

中圖分類號：TP311.1 文獻標(biāo)識碼：A 文章編號：1003-5168（2019）25-0011-03

The Open Laboratory Intelligent Attendance Management

System Based on Face Recognition

DAI Qiyao SUN Shengsai

（School of Information Engineering， Zhengzhou University of Science and Technology，Zhengzhou Henan 450064）

Abstract： In view of the problems existing in the attendance management of the open laboratory in colleges and universities， this paper designed the intelligent attendance system of the laboratory based on face recognition technology. The system can effectively solve the problems of user identification， signing on behalf， time determination and analysis of check-in （return） in traditional attendance management of open laboratory， simplify the check-in process and reduce the cost of attendance management.

Keywords： face recognition;laboratory attendance;user information database

隨著高校擴招，高校內(nèi)開放型實驗室增多。開放型實驗室人員流動量相較其他類型實驗室更大，因為難以對進入開放型實驗室的用戶身份進行有效快速的確認。人臉信息是生物特征信息的一種，此特征信息相較于指紋、筆跡等更加安全和便捷，目前在眾多領(lǐng)域得到廣泛應(yīng)用。

傳統(tǒng)人工管理的開放型實驗室，管理人員在崗時間長，需要對用戶身份進行核驗和登記。而實驗室智能考勤系統(tǒng)利用攝像硬件設(shè)備采集人臉特征信息，可同已采集的用戶基本信息進行關(guān)聯(lián)，實現(xiàn)考勤管理。同時，實驗室管理工作人員無需擔(dān)心用戶身份被盜用，整個開放型實驗室考勤管理安全性、可靠性相較于傳統(tǒng)方式有所提升。

本文通過建立實驗室用戶數(shù)據(jù)庫，加以人臉識別技術(shù)，以提高實驗室考勤管理的效率，并解決代簽、簽到（退）時間難以確定的問題。同時，通過用戶信息數(shù)據(jù)庫記錄的用戶考勤信息，對考勤信息進行數(shù)據(jù)分析和統(tǒng)計，可分析實驗室考勤情況，為實驗室發(fā)展提供相關(guān)數(shù)據(jù)支撐。

1 圖像預(yù)處理

通過攝像設(shè)備直接采集的圖像，往往不能直接用于人臉檢測操作，需要對圖像進行預(yù)處理，以使得圖像在人臉檢測、特征提取操作過程中計算、提取的數(shù)據(jù)有效。

1.1 灰度化

灰度圖像（Gray Image）俗稱灰階圖，圖像處理常常將彩色圖轉(zhuǎn)換為灰度圖[1]。圖像降噪、二值化、歸一化等操作都要建立在圖像灰度化的基礎(chǔ)上。彩色圖像無處不在，彩色圖像轉(zhuǎn)灰度圖像的轉(zhuǎn)換關(guān)系公式為：

[Gray（i，j）=0.39×R（i，j）+0.5×G（i，j）+0.11×B（i，j） ? ?{i，j∈N+}]? ?（1）

式（1）中的0.3、0.5、0.11這三個常量是經(jīng)驗值;顏色分量用[R（i，j）]、[G（i，j）]、[B（i，j）]來表示。

1.2 圖像降噪

利用攝像設(shè)備采集的圖像，常常會受到環(huán)境干擾。圖像中的噪聲有時會嚴(yán)重影響人臉識別結(jié)果。在圖像降噪方法中，常見的有中值濾波法（Median Filter）和高斯濾波法（Gaussian Filter）。高斯濾波的核心是高斯函數(shù)，高斯函數(shù)是概率密度函數(shù)為正態(tài)分布的函數(shù)。高斯濾波公式為：

[Gauss（i，j）=M（i，j）*e-（i-ui）22σ2i-（j-uj）22σ2j? {i，j∈N+}]? ? ? ? ? ? （2）

式（2）是一個二維高斯函數(shù)。[M（i，j）]是原圖像在[（i，j）]點處的取值，取值要小于原圖像的寬度和高度;[Gauss（i，j）]是經(jīng)過二維高斯函數(shù)處理后在[（i，j）]點的取值。

1.3 二值化

灰度圖像具有不同的灰度等級，二值化是將圖像的灰度值通過設(shè)定閾值的方式，將眾多的灰度等級簡化為黑白兩個等級，在實際處理過程中就對應(yīng)0和255兩個值。二值化后便于后續(xù)的特征提取。可按式（3）進行二值化處理：

[G（i，j）=255sgn（T）=1，M（i，j）>T0，M（i，j）≤T]? ? ? ? ? ? ? ? ? （3）

式（3）中，sgn（T）是一個符號函數(shù);參數(shù)[T]是設(shè)定的閾值;[G（i，j）]）為經(jīng)過二值化后在[（i，j）]點的取值。

2 人臉識別技術(shù)

人臉識別技術(shù)是在一個及多個的人臉特征信息中，匹配特定人員的人臉特征信息的技術(shù)。在圖像中檢測人臉，并在人臉對齊之后提取人臉特征，后續(xù)進行人臉識別。

2.1 人臉檢測

人臉檢測是在特定的場合依靠相關(guān)算法檢測確定是否存在人臉的一種技術(shù)。傳統(tǒng)的人臉檢測方法主要有基于模板匹配的檢測方法、基于人臉特征的檢測方法和基于機器統(tǒng)計學(xué)習(xí)的檢測方法，其能快速確定圖像中人臉相對位置。通常，人臉信息是一個ROI（Region of Interest）區(qū)域，通過矩形框來標(biāo)定人臉在圖像中所處的位置。

2.2 人臉對齊

通常情況下，檢測到的人臉圖像常存在人臉角度差異和人臉大小不統(tǒng)一的問題，這些因素可能影響特征提取及人臉對比的結(jié)果。人臉對齊包括對齊變換、特征點定位[2]兩個主要方面。眼睛、嘴巴、鼻子和額頭等特定部位常常被定義為特征點，確定這些特征點在人臉中的相對位置是人臉對齊的必要步驟。一般情況下，主要通過仿射變換來進行角度歸一和特征點對齊[3]。至此，得到的人臉信息具有較強的可靠性。

2.3 特征提取

特征提取是將人臉信息中的關(guān)鍵信息通過相應(yīng)算法提取出來。該信息不受光照、背景、噪聲、人臉角度和表情等的影響。人臉特征的優(yōu)劣直接影響人臉識別的準(zhǔn)確性。傳統(tǒng)的重要特征提取算法有局部二值模式（Local Binary Pattern，LBP）、尺度不變特征變換（Scale Invariant Feature Transform，SIFT）、方向梯度直方圖（Histogram of Oriented Gridients，HOG）。LBP特征具有尺度、光照、角度不變性。

2.4 人臉識別

人臉識別包括1∶1和1∶[n]識別。前者主要應(yīng)用于人臉比對，判定是不是某人;后者主要用于人臉?biāo)阉?，在[n]個人臉特征信息中找到特征對比度最高的人臉特征，進而找到該特征的所有者。傳統(tǒng)人臉識別算法有主成分分析（Principal Component Analysis，PCA）、線性判別分析（Linear Discriminant Analysis，LDA）[3]等。PCA是一種統(tǒng)計分析方法，可最大程度上保留人臉圖像上的關(guān)鍵信息，可將多維度的人臉信息降維。PCA算法流程如圖1所示。

3 用戶信息數(shù)據(jù)庫

用戶信息是整個系統(tǒng)數(shù)據(jù)的基石，建立用戶信息數(shù)據(jù)庫，是確保和維護整個系統(tǒng)安全可靠的重要步驟。研制過程中，采用了版本號為5.6的64位MySQL數(shù)據(jù)庫。

3.1 數(shù)據(jù)庫設(shè)計原則

為了數(shù)據(jù)傳輸、處理、修改等操作便捷[4]，應(yīng)遵循以下原則：表名見名知意，字段類型設(shè)計要符合該字段普遍類型設(shè)計規(guī)范，同時保證一定的拓展性;遵循三大范式，字段值具有原子性，所有字段同主鍵直接相關(guān)，索引設(shè)計應(yīng)適量。

3.2 數(shù)據(jù)表設(shè)計

數(shù)據(jù)表有賬戶表、教職工表、學(xué)生表、實驗室表和考勤記錄表。

賬戶表account_id作為主鍵，用以標(biāo)定用戶信息。實驗室表存放了需要進行管理的實驗室實體信息。考勤信息表中存放的是用戶考勤的原始信息，具體的數(shù)據(jù)分析可以添加相應(yīng)的視圖和邏輯代碼操作。

3.3 數(shù)據(jù)采集和關(guān)聯(lián)

教職工的工號和學(xué)生的學(xué)號通常是學(xué)校有關(guān)部門分配的，可同有關(guān)部分進行數(shù)據(jù)對接。管理員可通過添加用戶來進行數(shù)據(jù)采集。通過賬戶表中account_id關(guān)聯(lián)到該人的人臉特征值。

3.4 數(shù)據(jù)安全性

高校師生的數(shù)據(jù)信息安全尤為重要，在校師生用其教職工號/學(xué)號作為賬戶、實體信息的主鍵。同時，對于關(guān)鍵的個人信息如身份證號、銀行卡號、手機號等敏感信息，實驗室考勤管理系統(tǒng)不予采集，以避免因敏感信息泄露而給用戶造成重大損失。

賬戶的密碼初始化采用一定的規(guī)則，并進行多次MD5/MD4加密，數(shù)據(jù)庫中存放的是密文，一定程度上保障了密碼的安全性。特征值的計算采用相關(guān)算法，特征值以Blob格式存放到數(shù)據(jù)庫中。涉及重要SQL操作的查詢、操作功能上使用正則表達式進行屏蔽和防范。數(shù)據(jù)庫搭載在學(xué)校內(nèi)網(wǎng)安全主機上，通過綁定固定IP和MAC地址來限制對數(shù)據(jù)庫的訪問。

4 實驗室考勤管理

用戶進入開放型實驗室后，僅需要在攝像設(shè)備前拍攝自己的人臉信息，本系統(tǒng)會自動處理和計算此次拍攝的圖像，提取本次特征值，設(shè)定可信度閾值（0.7～1）并與數(shù)據(jù)庫中的特征值進行比對，得出最高可信度，低于閾值的舍棄，高于閾值的通過account_id來找到該用戶的信息，向考勤信息表中寫入數(shù)據(jù)，考勤成功。

4.1 用戶身份判定

通過人臉特征值來找到最高可信度的用戶account_id，可判定該用戶是否存在，若存在，要確定用戶身份，進而提高實驗室的安全性。

4.2 分級管理

實驗室通過LabID唯一標(biāo)定，實驗室之間是相互分離的，實驗室管理權(quán)歸屬于實驗室負責(zé)人和相關(guān)部門，可實現(xiàn)各實驗室主管部門—實驗室負責(zé)人—實驗室用戶的分級管理，保障系統(tǒng)的數(shù)據(jù)安全。

4.3 高效考勤

本系統(tǒng)考勤能夠杜絕代簽，準(zhǔn)確判定用戶身份，實現(xiàn)一臉一簽?？赏ㄟ^活體檢測技術(shù)來避免照片、視頻的欺騙，進一步提高實驗室考勤安全?？记跁r間精確到毫秒，簽到流程簡化，僅需要刷臉，節(jié)約了一些成本，可在1～2s內(nèi)完成簽到。不再需要管理人員長期值守，用戶操作過程非常簡化，突發(fā)事件（人臉考勤失?。┛稍谶h程后臺處理。幾種考勤方式對比見表1。

5 結(jié)論

基于人臉識別技術(shù)的實驗室智能考勤管理系統(tǒng)，立足實際需求，在高校實驗室管理過程中，解決了代簽和用戶身份確定的難點問題，避免采集用戶敏感信息，且減少了管理人員的工作量，降低了管理工作成本。

參考文獻：

[1]王輝.圖像灰度化與曲線降階的幾何優(yōu)化方法研究[D].杭州：杭州電子科技大學(xué)，2013.

[2]羅子朦.基于空間轉(zhuǎn)換網(wǎng)絡(luò)的人臉對齊[D].北京：北京郵電大學(xué)，2019.

[3]錢一琛.基于生成對抗的人臉正面化生成[D].北京：北京郵電大學(xué)，2019.

[4]張其帆.基于人臉識別的課堂考勤系統(tǒng)的設(shè)計與實現(xiàn)[D].重慶：重慶師范大學(xué)，2019.