基于人脸识别技术的实验室智能考勤系统

　　摘 要：针对高校开放型实验室考勤管理存在的问题，本文结合人脸识别技术设计实验室智能考勤系统。该系统能有效解决开放型实验室传统考勤管理存在的用户身份识别、代签、签到(退)时间确定和分析问题，简化签到流程，减少考勤管理成本。

　　关键词：人脸识别;实验室考勤;用户信息数据库

　　《科技进步与对策》创刊于1984年，是由中国管理科学学会、湖北省科技厅主管，湖北省科技信息研究院主办，科学出版社出版，科技日报社、全国科技振兴城市经济研究会、中南六省四市科技厅(局)等单位协办的关于科技进步理论、政策与方法的学术类期刊。

　　随着高校扩招，高校内开放型实验室增多。开放型实验室人员流动量相较其他类型实验室更大，因为难以对进入开放型实验室的用户身份进行有效快速的确认。人脸信息是生物特征信息的一种，此特征信息相较于指纹、笔迹等更加安全和便捷，目前在众多领域得到广泛应用。

　　传统人工管理的开放型实验室，管理人员在岗时间长，需要对用户身份进行核验和登记。而实验室智能考勤系统利用摄像硬件设备采集人脸特征信息，可同已采集的用户基本信息进行关联，实现考勤管理。同时，实验室管理工作人员无需担心用户身份被盗用，整个开放型实验室考勤管理安全性、可靠性相较于传统方式有所提升。

　　本文通过建立实验室用户数据库，加以人脸识别技术，以提高实验室考勤管理的效率，并解决代签、签到(退)时间难以确定的问题。同时，通过用户信息数据库记录的用户考勤信息，对考勤信息进行数据分析和统计，可分析实验室考勤情况，为实验室发展提供相关数据支撑。

　　1 图像预处理

　　通过摄像设备直接采集的图像，往往不能直接用于人脸检测操作，需要对图像进行预处理，以使得图像在人脸检测、特征提取操作过程中计算、提取的数据有效。

　　1.1 灰度化

　　灰度图像(Gray Image)俗称灰阶图，图像处理常常将彩色图转换为灰度图[1]。图像降噪、二值化、归一化等操作都要建立在图像灰度化的基础上。彩色图像无处不在，彩色图像转灰度图像的转换关系公式为：

　　[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这三个常量是经验值;颜色分量用[R(i，j)]、[G(i，j)]、[B(i，j)]来表示。

　　1.2 图像降噪

　　利用摄像设备采集的图像，常常會受到环境干扰。图像中的噪声有时会严重影响人脸识别结果。在图像降噪方法中，常见的有中值滤波法(Median Filter)和高斯滤波法(Gaussian Filter)。高斯滤波的核心是高斯函数，高斯函数是概率密度函数为正态分布的函数。高斯滤波公式为：

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

　　式(2)是一个二维高斯函数。[M(i，j)]是原图像在[(i，j)]点处的取值，取值要小于原图像的宽度和高度;[Gauss(i，j)]是经过二维高斯函数处理后在[(i，j)]点的取值。

　　1.3 二值化

　　灰度图像具有不同的灰度等级，二值化是将图像的灰度值通过设定阈值的方式，将众多的灰度等级简化为黑白两个等级，在实际处理过程中就对应0和255两个值。二值化后便于后续的特征提取。可按式(3)进行二值化处理：

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

　　式(3)中，sgn(T)是一个符号函数;参数[T]是设定的阈值;[G(i，j)])为经过二值化后在[(i，j)]点的取值。

　　2 人脸识别技术

　　人脸识别技术是在一个及多个的人脸特征信息中，匹配特定人员的人脸特征信息的技术。在图像中检测人脸，并在人脸对齐之后提取人脸特征，后续进行人脸识别。

　　2.1 人脸检测

　　人脸检测是在特定的场合依靠相关算法检测确定是否存在人脸的一种技术。传统的人脸检测方法主要有基于模板匹配的检测方法、基于人脸特征的检测方法和基于机器统计学习的检测方法，其能快速确定图像中人脸相对位置。通常，人脸信息是一个ROI(Region of Interest)区域，通过矩形框来标定人脸在图像中所处的位置。

　　2.2 人脸对齐

　　通常情况下，检测到的人脸图像常存在人脸角度差异和人脸大小不统一的问题，这些因素可能影响特征提取及人脸对比的结果。人脸对齐包括对齐变换、特征点定位[2]两个主要方面。眼睛、嘴巴、鼻子和额头等特定部位常常被定义为特征点，确定这些特征点在人脸中的相对位置是人脸对齐的必要步骤。一般情况下，主要通过仿射变换来进行角度归一和特征点对齐[3]。至此，得到的人脸信息具有较强的可靠性。

　　2.3 特征提取

　　特征提取是将人脸信息中的关键信息通过相应算法提取出来。该信息不受光照、背景、噪声、人脸角度和表情等的影响。人脸特征的优劣直接影响人脸识别的准确性。传统的重要特征提取算法有局部二值模式(Local Binary Pattern，LBP)、尺度不变特征变换(Scale Invariant Feature Transform，SIFT)、方向梯度直方图(Histogram of Oriented Gridients，HOG)。LBP特征具有尺度、光照、角度不变性。

　　2.4 人脸识别

　　人脸识别包括1∶1和1∶[n]识别。前者主要应用于人脸比对，判定是不是某人;后者主要用于人脸搜索，在[n]个人脸特征信息中找到特征对比度最高的人脸特征，进而找到该特征的所有者。传统人脸识别算法有主成分分析(Principal Component Analysis，PCA)、线性判别分析(Linear Discriminant Analysis，LDA)[3]等。PCA是一种统计分析方法，可最大程度上保留人脸图像上的关键信息，可将多维度的人脸信息降维。PCA算法流程如图1所示。

　　3 用户信息数据库

　　用户信息是整个系统数据的基石，建立用户信息数据库，是确保和维护整个系统安全可靠的重要步骤。研制过程中，采用了版本号为5.6的64位MySQL数据库。

　　3.1 数据库设计原则

　　为了数据传输、处理、修改等操作便捷[4]，应遵循以下原则：表名见名知意，字段类型设计要符合该字段普遍类型设计规范，同时保证一定的拓展性;遵循三大范式，字段值具有原子性，所有字段同主键直接相关，索引设计应适量。

　　3.2 数据表设计

　　数据表有账户表、教职工表、学生表、实验室表和考勤记录表。

　　账户表account_id作为主键，用以标定用户信息。实验室表存放了需要进行管理的实验室实体信息。考勤信息表中存放的是用户考勤的原始信息，具体的数据分析可以添加相应的视图和逻辑代码操作。

　　3.3 数据采集和关联

　　教职工的工号和学生的学号通常是学校有关部门分配的，可同有关部分进行数据对接。管理员可通过添加用户来进行数据采集。通过账户表中account_id关联到该人的人脸特征值。

　　3.4 数据安全性

　　高校师生的数据信息安全尤为重要，在校师生用其教职工号/学号作为账户、实体信息的主键。同时，对于关键的个人信息如身份证号、银行卡号、手机号等敏感信息，实验室考勤管理系统不予采集，以避免因敏感信息泄露而给用户造成重大损失。

　　账户的密码初始化采用一定的规则，并进行多次MD5/MD4加密，数据库中存放的是密文，一定程度上保障了密码的安全性。特征值的计算采用相关算法，特征值以Blob格式存放到数据库中。涉及重要SQL操作的查询、操作功能上使用正则表达式进行屏蔽和防范。数据库搭载在学校内网安全主机上，通过绑定固定IP和MAC地址来限制对数据库的访问。

　　4 实验室考勤管理

　　用户进入开放型实验室后，仅需要在摄像设备前拍摄自己的人脸信息，本系统会自动处理和计算此次拍摄的图像，提取本次特征值，设定可信度阈值(0.7～1)并与数据库中的特征值进行比对，得出最高可信度，低于阈值的舍弃，高于阈值的通过account_id来找到该用户的信息，向考勤信息表中写入数据，考勤成功。

　　4.1 用户身份判定

　　通过人脸特征值来找到最高可信度的用户account_id，可判定该用户是否存在，若存在，要确定用户身份，进而提高实验室的安全性。

　　4.2 分级管理

　　实验室通过LabID唯一标定，实验室之间是相互分离的，实验室管理权归属于实验室负责人和相关部门，可实现各实验室主管部门—实验室负责人—实验室用户的分级管理，保障系统的数据安全。

　　4.3 高效考勤

　　本系统考勤能够杜绝代签，准确判定用户身份，实现一脸一签。可通过活体检测技术来避免照片、视频的欺骗，进一步提高实验室考勤安全。考勤时间精确到毫秒，签到流程简化，仅需要刷脸，节约了一些成本，可在1～2s内完成签到。不再需要管理人员长期值守，用户操作过程非常简化，突发事件(人脸考勤失败)可在远程后台处理。几种考勤方式对比见表1。

　　5 结论

　　基于人脸识别技术的实验室智能考勤管理系统，立足实际需求，在高校实验室管理过程中，解决了代签和用户身份确定的难点问题，避免采集用戶敏感信息，且减少了管理人员的工作量，降低了管理工作成本。

　　参考文献：

　　[1]王辉.图像灰度化与曲线降阶的几何优化方法研究[D].杭州：杭州电子科技大学，2013.

　　[2]罗子朦.基于空间转换网络的人脸对齐[D].北京：北京邮电大学，2019.

　　[3]钱一琛.基于生成对抗的人脸正面化生成[D].北京：北京邮电大学，2019.

　　[4]张其帆.基于人脸识别的课堂考勤系统的设计与实现[D].重庆：重庆师范大学，2019.