基于人臉識別技術(shù)的實驗室智能考勤系統(tǒng)

　　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

　　《科技進步與對策》創(chuàng)刊于1984年，是由中國管理科學(xué)學(xué)會、湖北省科技廳主管，湖北省科技信息研究院主辦，科學(xué)出版社出版，科技日報社、全國科技振興城市經(jīng)濟研究會、中南六省四市科技廳(局)等單位協(xié)辦的關(guān)于科技進步理論、政策與方法的學(xué)術(shù)類期刊。

　　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;后者主要用于人臉搜索，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)歸屬于實驗室負責人和相關(guān)部門，可實現(xiàn)各實驗室主管部門—實驗室負責人—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，準確判定用戶身份，實現(xiàn)一臉一簽。可通過活體檢測技術(shù)來避免照片、視頻的欺騙，進一步提高實驗室考勤安全。考勤時間精確到毫秒，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(人臉考勤失敗)可在遠程后臺處理。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.