亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        課堂考勤系統(tǒng)的無感知改進(jìn)VIPLFaceNet人臉識別算法

        2021-04-06 13:08:42劉曉龍顧梅花
        西安工程大學(xué)學(xué)報 2021年1期
        關(guān)鍵詞:考勤人臉識別人臉

        劉曉龍,顧梅花

        (西安工程大學(xué) 電子信息學(xué)院,陜西 西安710048)

        0 引 言

        課堂考勤是教學(xué)不可缺少的環(huán)節(jié),它保證了教學(xué)任務(wù)的順利進(jìn)行、維護(hù)了教學(xué)秩序,也是督促學(xué)生學(xué)習(xí)的重要手段[1]。為了提高考勤質(zhì)量,人臉識別[2-3]、深度學(xué)習(xí)[4]、藍(lán)牙[5]等方法和設(shè)備被應(yīng)用于考勤系統(tǒng)的實際。李昕昕等采用深度學(xué)習(xí)的方法[6],設(shè)計了由分布式處理平臺、圖像處理平臺、云平臺和應(yīng)用平臺構(gòu)成的智慧課堂框架,優(yōu)化了課堂效率。Puckdeevongs等采用藍(lán)牙定位系統(tǒng)[7],自動捕獲學(xué)生射頻設(shè)備,用于自動記錄教室的學(xué)生出勤情況。上述考勤系統(tǒng)雖然在一定程度上提高了考勤效率,但在識別過程中仍然需要學(xué)生主動面向攝像機(jī)進(jìn)行簽到。同時,當(dāng)老師查詢考勤信息時,需讀取考勤設(shè)備SD卡統(tǒng)計信息,這不僅會干擾學(xué)生和教師的正常上課,同時增加了額外的人工開銷。

        為了解決上述問題,設(shè)計一種人臉識別的無感知課堂考勤系統(tǒng),以Android為平臺[8],搭載改進(jìn)的Fust人臉檢測算法和VIPLFaceNet人臉識別算法。在無感知情況下,采集課堂圖片傳入服務(wù)器進(jìn)行人臉檢測與識別,管理員可訪問服務(wù)器統(tǒng)計考勤信息。

        1 考勤系統(tǒng)設(shè)計

        系統(tǒng)采用Android開發(fā)平臺,以輕量級OkHttp3[9]為框架進(jìn)行前后端的信息交互。通過Android手機(jī)攝像頭采集課堂圖像,并發(fā)起通信協(xié)議將課堂圖片和班級信息傳輸?shù)胶笈_服務(wù)端,通過Java調(diào)用以Python語言編寫的人臉檢測和識別算法,便于后期對系統(tǒng)算法的維護(hù)。同時管理員可訪問服務(wù)器進(jìn)行數(shù)據(jù)查詢與修改??记谙到y(tǒng)設(shè)計流程如圖1所示。

        圖 1 考勤系統(tǒng)設(shè)計流程Fig.1 Attendance system design process

        教師使用系統(tǒng)APP采集課堂照片,并將班級信息一同傳入云服務(wù)器,云服務(wù)器接收數(shù)據(jù)并進(jìn)行處理,最后將結(jié)果傳入前端。Android系統(tǒng)的架構(gòu)分為4層,從高層到低層分別是應(yīng)用程序?qū)?、?yīng)用程序框架層、系統(tǒng)運(yùn)行庫層和 Linux 核心層[10]。本文考勤系統(tǒng)的開發(fā)使用了應(yīng)用程序框架層,具有豐富可擴(kuò)展的視圖和資源管理器,并提供非代碼資源訪問[11]。

        2 人臉檢測和識別算法

        在課堂考勤中,首先采集課堂圖像并上傳,然后云端服務(wù)器利用人臉檢測算法提取輸入圖像中的人臉,利用人臉識別算法提取人臉特征,最后與數(shù)據(jù)庫中人臉信息進(jìn)行比對,得出考勤結(jié)果并傳輸?shù)角岸恕?/p>

        2.1 Fust人臉檢測算法改進(jìn)

        Fust人臉檢測算法[12]頂層包含多個快速LAB級聯(lián)分類器[13],但是快速LAB級聯(lián)分類器存在檢測精度低與累加權(quán)重值閾值設(shè)置的問題,針對此問題,采用LAB特征結(jié)合Adaboost級聯(lián)分類器[14]進(jìn)行多姿態(tài)、低分辨率場景下的人臉檢測算法。通過結(jié)合Adaboost級聯(lián)分類器,將Fust算法頂層 LAB級聯(lián)分類器中的弱分類器進(jìn)行多輪迭代組成強(qiáng)分類器,最后將多個強(qiáng)分類器級聯(lián)形成更強(qiáng)的分類器。

        給定一個數(shù)據(jù)集T={(X1,Y1),(X2,Y2),…,(XN,YN)},Xi表示數(shù)據(jù),Yi→{-1,+1}表示數(shù)據(jù)所屬的類。初始化訓(xùn)練數(shù)據(jù)的權(quán)值分布,并在最開始賦予相同的權(quán)值,即1/N,N為樣本總數(shù)。在迭代中,使用具有權(quán)值分布的訓(xùn)練數(shù)據(jù)學(xué)習(xí),得到基本的弱分類器Gm(x)。em為Gm(x)在訓(xùn)練集上的誤差,即被Gm(x)誤分類樣本的權(quán)值總和,可表示為

        (1)

        (2)

        式中:wm,i為算法進(jìn)行第m輪迭代運(yùn)算時的權(quán)重值;Wm為第m輪的閾值,它的大小為本輪訓(xùn)練全部樣本權(quán)重的均值;當(dāng)分類錯誤I(·)值取1,反之取0。

        通過得到的誤差率計算基本分類器在最終的強(qiáng)分類器中所占的比重β,可表示為

        (3)

        式中:em<1/2 時,β>0。β隨em的減小而增大,分類誤差越小的基本分類器在最終分類的作用越大。

        當(dāng)一個樣本多回合迭代后,仍不能正確分類,則其權(quán)值將不斷增大,從而影響對其他樣本的判別。wm+1,i可表示為

        (4)

        利用新的權(quán)值更新規(guī)則,由式(4)可得,在每輪權(quán)值更新時設(shè)定閾值Wm,當(dāng)?shù)\(yùn)算得到的權(quán)重系數(shù)小于本輪設(shè)定的閾值時,下一輪迭代的權(quán)重才會增加,否則就保持不變,避免了困難樣本權(quán)重不斷增大而造成性能退化的現(xiàn)象。

        2.2 VIPLFaceNet人臉識別算法改進(jìn)

        VIPLFaceNet網(wǎng)絡(luò)[15]由7個卷積層與2個全連接層組成,由AlexNet網(wǎng)絡(luò)[16]改進(jìn)而來。與AlexNet相比,VIPLFaceNet減少了每層特征圖的數(shù)量,增加了一個卷積層,增加了網(wǎng)絡(luò)深度[17],提高了算法性能。針對課堂考勤場景,對VIPLFaceNet識別閾值進(jìn)行調(diào)整,識別閾值確定流程如圖2所示。

        圖 2 閾值確定流程Fig.2 Threshold determination process

        在課堂考勤場景下,為了使人臉識別算法在誤識別率和漏識別率之間達(dá)到平衡,將班級中每人的人臉圖像類內(nèi)相似度相加求平均值,求得個人平均類內(nèi)相似度,再將30組個人平均類內(nèi)相似度相加求平均值,記作類內(nèi)相似度值Smax;再將所有的類間相似度值相加求平均值[18],記作類間相似度值Smin。課堂場景下的識別閾值σ可表示為

        σ=(Smax+Smin)/2

        (5)

        3 系統(tǒng)測試與分析

        3.1 Fust人臉檢測算法測試

        針對課堂場景,通過設(shè)置最小人臉尺寸、滑動步長等關(guān)鍵參數(shù)進(jìn)行算法測試。算法測試設(shè)備型號為GT740M i5-4200U,采用150張課堂圖像,其中圖像分辨率統(tǒng)一為950×550,每張圖像有20人,共有3 000 個人臉,人員位置相對集中,人臉并無較大遮擋,且無低頭現(xiàn)象。 采用召回率R、準(zhǔn)確率P和F1值作為算法評價標(biāo)準(zhǔn)。其中F1值可以看作是模型召回率和精確率的一種加權(quán)平均,可表示為

        F1=2PR/(P+R)

        (6)

        設(shè)置滑動步長為2,調(diào)節(jié)最小人臉尺寸,R、P、F1以及運(yùn)行時間如表1所示。

        表 1 最小人臉參數(shù)Tab.1 The minimum face parameters

        從表1可以看出,最小人臉尺寸為40時,R、P、F1值最優(yōu)。設(shè)置最小人臉尺寸為40,調(diào)節(jié)滑動步長,召回率,準(zhǔn)確率,F(xiàn)1以及運(yùn)行時間如表2所示。

        表 2 滑動步長Tab.2 The sliding step length

        從表2可以看出,滑動步長為2時,F(xiàn)1值最大,檢測效果最好。

        采用上述參數(shù),通過FDDB人臉數(shù)據(jù)庫,對改進(jìn)的Fust人臉檢測算法與Fust、Joint Cascade[19]、ACF[20]算法性能進(jìn)行對比,其中FDDB數(shù)據(jù)庫包含多種不同偏轉(zhuǎn)角度、表情姿態(tài)、遮擋程度的人臉圖片,共計2 845張圖像,5 171張人臉,隨機(jī)選取其中的2 000張圖像進(jìn)行測試,測試結(jié)果如圖3所示。

        圖 3 FDDB人臉數(shù)據(jù)庫測試召回率曲線Fig.3 Recall curve of FDDB face database test

        圖3中,改進(jìn)的Fust算法、Fust算法、ACF算法和Joint Cascade算法的召回率的最優(yōu)值為90.18%、86.72%、83.67%和85.91%。這是因為改進(jìn)的Fust算法將Fust算法頂層弱分類器進(jìn)行迭代組合成新的分類器,在一定程度上增加了檢測精度。

        3.2 VIPLFaceNet人臉識別算法測試

        針對人臉識別算法,為了綜合評估模型,采用ROC特征曲線圖。對樣本進(jìn)行排序,按此順序逐個把把樣本作為正例進(jìn)行預(yù)測,每次計算出特征曲線的橫坐標(biāo)(RFP)、縱坐標(biāo)(RTP)。特征曲線下的面積越大,則算法具有越好的檢測性能。如式(7)和(8)所示。

        (7)

        (8)

        式中:TP為識別正確的出勤學(xué)生數(shù)量;FP為是識別錯誤的出勤學(xué)生數(shù)量;TN為正確識別到的缺席學(xué)生數(shù)量;FN為錯誤識別到的缺席學(xué)生數(shù)量。

        在課堂考勤場景下,經(jīng)過實驗測試,VIPLFaceNet的人臉識別算法識別閾值σ為0.56。在考勤系統(tǒng)中,利用VIPLFaceNet算法提取人臉特征,得出相似度值,若相似度值大于0.56,則認(rèn)為是同一個人;若相似度值小于0.56,則認(rèn)為不是一個人。

        選取LFW人臉數(shù)據(jù)庫進(jìn)行實驗測試。將VIPLFaceNet人臉識別算法與Fisher Vector Face[21]、DeepFace[22]、VGGFace[23]、AlexNet算法進(jìn)行測試對比。從數(shù)據(jù)庫中隨機(jī)選擇6 000對人臉圖像,其中3 000對是同一個人的2張人臉圖像,屬于正樣本;而另外3 000對屬于不同人的2張人臉圖像,屬于負(fù)樣本。實驗過程中,通過提取輸入圖像和比對圖像中的人臉特征,計算2個人臉特征向量之間的余弦值,即相似度值,若大于0.56則是一個人,小于0.56,則不是一個人。根據(jù)6 000對人臉測試結(jié)果即可得出人臉識別算法的識別率,測試結(jié)果如圖4所示。

        圖 4 LFW人臉數(shù)據(jù)庫測試ROC曲線Fig.4 ROC curve of LFW face database test

        圖4中,VIPLFaceNet算法、Fisher Vector Face算法、DeepFace算法、VGGFace算法、AlexNet算法的識別率的最優(yōu)值為98.79%、93.13%、97.47%、98.85%、97.70%。雖然VIPLFaceNet算法的識別率低于VGGFace,但是VGGFace算法采用了16層的卷積神經(jīng)網(wǎng)絡(luò),而VIPLFaceNet只包含7個卷積層和2個全連接層,而且采用了快速歸一化策略提高收斂速度,所以VGGFace的計算復(fù)雜度遠(yuǎn)高于VIPLFaceNet。通過以上實驗測試可得,VIPLFaceNet在計算成本與準(zhǔn)確率之間具有最好的均衡表現(xiàn),可以很好地應(yīng)用于課堂考勤系統(tǒng)。

        3.3 系統(tǒng)測試

        選取100張在課堂中實際拍攝的學(xué)生上課場景的圖像,將4種算法分別嵌入系統(tǒng)進(jìn)行測試,圖5是對同一張教室全景圖測試結(jié)果。

        (a) ACF算法

        (b) Joint Cascade算法

        (c) Fust算法

        (d) 改進(jìn)的Fust算法圖 5 課堂場景圖像4種算法結(jié)果Fig.5 Four algorithm results of classroom scene images

        圖5(a)、(b)、(c)3種人臉檢測算法中檢測效果最好的是Fust算法,因局部遮擋和姿態(tài)變化造成漏檢5位同學(xué),ACF算法和Joint Cascade算法漏檢數(shù)量較多。圖5(d)采用改進(jìn)的Fust人臉檢測算法的檢測結(jié)果優(yōu)于Fust算法,對于局部遮擋和姿態(tài)變化的人臉具有較好的檢測結(jié)果。

        課堂考勤系統(tǒng)中,在Android平臺搭載改進(jìn)的Fust人臉檢測算法和VIPLFaceNet人臉識別算法,教師通過登錄界面進(jìn)入系統(tǒng),采集課堂圖像,選擇班級信息進(jìn)行上傳識別,后端服務(wù)器處理數(shù)據(jù)信息,并將考勤結(jié)果返回前端APP。學(xué)生查看考勤結(jié)果,如果發(fā)現(xiàn)漏檢或誤檢,可通過APP進(jìn)行反饋,管理員可以訪問服務(wù)器對考勤數(shù)據(jù)進(jìn)行查詢與修改。考勤界面如圖6所示,考勤結(jié)果界面如圖7所示。

        圖 6 考勤界面 圖 7 數(shù)據(jù)界面Fig.6 Attendance interface Fig.7 Data interface

        從圖6和圖7可以看出,在多人數(shù)、低分辨率、存在部分遮擋的課堂場景下,系統(tǒng)具有良好的檢測與識別能力,能夠滿足課堂考勤需求。

        4 結(jié) 語

        基于人臉識別的無感知課堂考勤系統(tǒng)以Android為平臺,采用Java編程和MySQL數(shù)據(jù)庫設(shè)計,通過人臉檢測與人臉識別進(jìn)行課堂考勤。后臺生成的簽到表有利于后期數(shù)據(jù)的查詢,以便于考察學(xué)生的出勤情況。以智能手機(jī)客戶端作為考勤平臺,利用人臉檢測和識別算法使課堂考勤工作更加高效。本文為課堂考勤提供了一種新思路,具有一定的實踐意義。

        猜你喜歡
        考勤人臉識別人臉
        人臉識別 等
        有特點的人臉
        揭開人臉識別的神秘面紗
        基于人臉識別技術(shù)的考勤應(yīng)用研究
        電子制作(2019年12期)2019-07-16 08:45:28
        智能人臉識別考勤系統(tǒng)
        電子制作(2019年9期)2019-05-30 09:42:00
        三國漫——人臉解鎖
        動漫星空(2018年9期)2018-10-26 01:17:14
        便攜式指紋考勤信息管理系統(tǒng)設(shè)計
        基于類獨立核稀疏表示的魯棒人臉識別
        馬面部與人臉相似度驚人
        長得象人臉的十種動物
        奇聞怪事(2014年5期)2014-05-13 21:43:01
        国产女主播福利一区在线观看| 情侣黄网站免费看| 一本色道久久综合狠狠躁 | 欧美综合区自拍亚洲综合| 国产一区二区三区中出| 亚洲精品乱码久久久久蜜桃| 中文字幕在线播放| 亚洲AⅤ无码国精品中文字慕| 超短裙老师在线观看一区二区| 精品亚洲天堂一区二区三区| 国产人妻久久精品二区三区老狼| 日本亚洲欧美高清专区| 蜜桃网站在线免费观看视频| 风韵人妻丰满熟妇老熟女视频| 国产精品成人aaaaa网站| 福利片福利一区二区三区| 人妖啪啪综合av一区| 夜夜躁狠狠躁日日躁2022| 精品国产a∨无码一区二区三区| 久久精品国产亚洲av成人擦边| 不卡一区二区三区国产| 国产日产精品一区二区三区四区的特点| 最新69国产成人精品视频免费| 国产av无码专区亚洲版综合| 真人无码作爱免费视频禁hnn| 日韩爱爱视频| 在线观看亚洲视频一区二区| 天天躁日日躁aaaaxxxx| 亚洲欧美日韩综合久久| 国产又爽又黄又不遮挡视频| 女同一区二区三区在线观看| 韩国三级中文字幕hd| 免费AV一区二区三区无码| 久久人妻精品中文字幕一区二区| 久久久精品中文字幕麻豆发布| 精品久久久噜噜噜久久久| 国产精品va在线观看一| 亚洲不卡在线免费视频| 日日婷婷夜日日天干| 人妻丰满av无码中文字幕| 亚洲一区二区三区福利久久蜜桃|