基于人臉識別技術的實驗室智能考勤系統

　　摘 要：針對高校開放型實驗室考勤管理存在的問題，本文結合人臉識別技術設計實驗室智能考勤系統。該系統能有效解決開放型實驗室傳統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。

　　關鍵詞：人臉識別;實驗室考勤;用戶信息數據庫

　　《科技進步與對策》創刊于1984年，是由中國管理科學學會、湖北省科技廳主管，湖北省科技信息研究院主辦，科學出版社出版，科技日報社、全國科技振興城市經濟研究會、中南六省四市科技廳(局)等單位協辦的關于科技進步理論、政策與方法的學術類期刊。

　　隨著高校擴招，高校內開放型實驗室增多。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，目前在眾多領域得到廣泛應用。

　　傳統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利用攝像硬件設備采集人臉特征信息，可同已采集的用戶基本信息進行關聯，實現考勤管理。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、可靠性相較于傳統方式有所提升。

　　本文通過建立實驗室用戶數據庫，加以人臉識別技術，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，通過用戶信息數據庫記錄的用戶考勤信息，對考勤信息進行數據分析和統計，可分析實驗室考勤情況，為實驗室發展提供相關數據支撐。

　　1 圖像預處理

　　通過攝像設備直接采集的圖像，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、提取的數據有效。

　　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上。彩色圖像無處不在，彩色圖像轉灰度圖像的轉換關系公式為：

　　[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

　　利用攝像設備采集的圖像，常常會受到環境干擾。圖像中的噪聲有時會嚴重影響人臉識別結果。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，高斯函數是概率密度函數為正態分布的函數。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。[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)]是經過二維高斯函數處理后在[(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0和255兩個值。二值化后便于后續的特征提取。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;參數[T]是設定的閾值;[G(i，j)])為經過二值化后在[(i，j)]點的取值。

　　2 人臉識別技術

　　人臉識別技術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。在圖像中檢測人臉，并在人臉對齊之后提取人臉特征，后續進行人臉識別。

　　2.1 人臉檢測

　　人臉檢測是在特定的場合依靠相關算法檢測確定是否存在人臉的一種技術。傳統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計學習的檢測方法，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一的問題，這些因素可能影響特征提取及人臉對比的結果。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鍵信息通過相應算法提取出來。該信息不受光照、背景、噪聲、人臉角度和表情等的影響。人臉特征的優劣直接影響人臉識別的準確性。傳統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是一種統計分析方法，可最大程度上保留人臉圖像上的關鍵信息，可將多維度的人臉信息降維。PCA算法流程如圖1所示。

　　3 用戶信息數據庫

　　用戶信息是整個系統數據的基石，建立用戶信息數據庫，是確保和維護整個系統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數據庫。

　　3.1 數據庫設計原則

　　為了數據傳輸、處理、修改等操作便捷[4]，應遵循以下原則：表名見名知意，字段類型設計要符合該字段普遍類型設計規范，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，索引設計應適量。

　　3.2 數據表設計

　　數據表有賬戶表、教職工表、學生表、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，具體的數據分析可以添加相應的視圖和邏輯代碼操作。

　　3.3 數據采集和關聯

　　教職工的工號和學生的學號通常是學校有關部門分配的，可同有關部分進行數據對接。管理員可通過添加用戶來進行數據采集。通過賬戶表中account_id關聯到該人的人臉特征值。

　　3.4 數據安全性

　　高校師生的數據信息安全尤為重要，在校師生用其教職工號/學號作為賬戶、實體信息的主鍵。同時，對于關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則，并進行多次MD5/MD4加密，數據庫中存放的是密文，一定程度上保障了密碼的安全性。特征值的計算采用相關算法，特征值以Blob格式存放到數據庫中。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。數據庫搭載在學校內網安全主機上，通過綁定固定IP和MAC地址來限制對數據庫的訪問。

　　4 實驗室考勤管理

　　用戶進入開放型實驗室后，僅需要在攝像設備前拍攝自己的人臉信息，本系統會自動處理和計算此次拍攝的圖像，提取本次特征值，設定可信度閾值(0.7～1)并與數據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據，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，實驗室管理權歸屬于實驗室負責人和相關部門，可實現各實驗室主管部門—實驗室負責人—實驗室用戶的分級管理，保障系統的數據安全。

　　4.3 高效考勤

　　本系統考勤能夠杜絕代簽，準確判定用戶身份，實現一臉一簽。可通過活體檢測技術來避免照片、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，節約了一些成本，可在1～2s內完成簽到。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 結論

　　基于人臉識別技術的實驗室智能考勤管理系統，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化方法研究[D].杭州：杭州電子科技大學，2013.

　　[2]羅子朦.基于空間轉換網絡的人臉對齊[D].北京：北京郵電大學，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，2019.

　　[4]張其帆.基于人臉識別的課堂考勤系統的設計與實現[D].重慶：重慶師范大學，2019.