《基于图像的人脸识别技术在高校课堂考勤系统中的研究与应用》由会员分享，可在线阅读，更多相关《基于图像的人脸识别技术在高校课堂考勤系统中的研究与应用（3页珍藏版）》请在金锄头文库上搜索。
1、基于图像的人脸识别技术在高校课堂考勤系统中的研究与应用 王少豪 无锡城市职业技术学院 摘 要： 从日常手机的人脸解锁, 到行人马路违章的人脸动态捕捉;从火车站“刷脸”安检, 到支付宝“扫脸”购买商品, 人脸识别技术作为一种基于脸部特征进行身份认证的生物计算机技术, 正越来越成为人们工作学习生活中不可或缺的重要组成部分。该文通过基于图像的人脸识别技术, 从高校课堂出发, 结合企业考勤系统, 提出人脸识别考勤系统的概念, 进行识别算法研究, 减轻教师工作量并且节省课堂点名时间, 提高了课堂效率, 为智能化课堂更进一步。关键词： 人脸识别; 特征关键点; 几何校正; 变形模板; 作者简介：王少豪 (
2、1982) , 高校讲师, 硕士, 研究方向计算机媒体软件技术。收稿日期：2017-09-15Received： 2017-09-15大学课堂出勤率低一直是各大高校面临的问题。相比各行各业陆续出现的各类考勤系统, 高校课堂目前比较多的仍然是传统的点名方式, 而近年来, 也曾有一些新兴方式在某些高校出现:如手机 App 签到、指纹识别以及校园一卡通刷卡等。虽然这些新的方式较传统点名来说, 是一种进步且日趋成熟, 但是仍然有不少人为漏洞。比如手机或者校园卡有遗失与忘带的情况, 学生也可以携带同学的手机与校园卡帮忙考勤;另外有少部分人群指纹较浅极难识别, 甚至还有指纹膜作假的情况出现。针对这些现象,
3、 首先通过人脸特征关键点建立人脸数据库并生成面纹编码, 再利用摄像工具获取当前人员的面部图像, 并自动检测活体并定位关键点, 接着进行几何校正与图像预处理, 通过多种算法排除掉光线、背景、色调、表情、眼镜及神态等的干扰, 最后再进行特征提取以及数据库人脸图像比对, 最终精确辨认出个体的人脸识别考勤系统更加能够适应高校课堂, 易于被大众接受, 且快速响应提高了时间效率。具体流程如图 1图 1 下载原图人脸数据库是人脸识别技术的基础, 也是提供识别算法的重要依据。人脸数据库的采集越丰富、角度越具体算法响应越迅速。考虑教室环境并不复杂, 主要涉及人物脸部姿态神情多样, 脸部饰品以及光照亮度变化等多种
4、因素存在, 因此需要个体做好多个人脸数据子库。如人脸角度子库需做到平视、仰视、俯视、左侧、右侧 5 类姿态;神态表情子库的建立, 需要提取正常、微笑、张嘴、闭眼这 4 种神情;脸部饰品子库主要考虑为较大遮挡物眼镜是否佩戴的情况;光照亮度子库为自然光、白天日光灯、夜晚日光灯三种情况。通过这些人脸子库的建立, 选取眼球中心、眼角点、眉角点、鼻孔中点、嘴角点分布位置提取出个体人脸特征关键点, 并生成面纹编码存入数据库, 以便进一步进行算法设置。在活体检测方面, 近年来, 越来越多的活体检测算法出现, 通过指定如摇头、点头、眨眼、张嘴等随机动作来判断用户个体是否正常在诸如证券、银行软件中出现较多。鉴于
5、这样一类活体检测手段较为繁琐且花费时间较长, 在课堂考勤系统中并不适用, 因此考虑使用近红外人脸活体检测算法, 真实活体并不需要作出指定的一些表情动作即可检测成功。依据光流法, 真实活体与平面视频照片的图像像素位置运动完全不同, 由于真实活体像素点强度有不同的变化性与相关性, 同时, 活体细微的运动都能带来敏感的像素点光流动, 因此可以得到各个不规则的像素点向量运动信息。而照片或者视频则皆为有序的像素点向量信息, 因此可以轻松区分出真实活体与视频照片。当摄像头采集到了活体照片之后, 由于拍摄到的照片角度以及距离远近大小总有差别, 因此需要对人脸照片进行一次几何校正。而校正的前提就是先寻找到诸如
6、眼角、嘴角、鼻子、下巴等形状、结合、大小具有独特差异信息的人脸的关键特征点, 利用这些不变的独有的特征相应的距离、角度等信息来对人脸图像进行归一调整整理。在几何特征的基础上, 通过基于变量人脸模板的检测算法, 设计一个改进型参数可调的变形模板。利用可调模板模型, 进行几何校正, 得到人脸的基本校准图像, 这其中的可变模型参数就是相应的几何特征, 这些关键特征参数的确定, 为下一步的提取做好准备。此外还需要进行一次光学校正, 排除掉一些影响图像质量的因素如图像对比度、清晰度、光照等问题, 保证照片不失真, 这也是在特征关键点提取之前的一个重要环节。在预处理阶段, 我们可以通过降噪、对比度、灰度、
7、图像锐化、平滑度、全局与局部处理等调整手段, 为后续处理提供一个更加容易进行检测的清晰图像。对比度是图像质量的一个重要参数, 在局部对比度增强方面, 设计一种改进型自适应局部对比度增强算法 (ALCE) , 将图像分成三个部分即暗部、中间以及亮部区域, 通过线性变换函数 y=ax+b, 设置在亮部区域时 a1, 将亮部增量减弱, 暗部增量加强, 最后得到增强的图像效果。整个调整过程基于图像自身, 不需要指定任何参数。而作为计算机识别图像的另一个基础参数灰度, 也需要设计一个灰度增强调整函数 G=f (x, y) , 其中, x, y 作为图像的二维坐标。将全局性地针对每个像素点的灰度值进行增强
8、。改变原本的灰度范围, 使其视觉图像得到更好的改变。作为人脸识别的核心内容特征提取比对识别, 是在利用计算机技术定位生物关键点位置, 并经过几何与光学校正后再提取出能进行比对的特征关键点与人脸数据库面纹编码比对, 最后进行辨识个体身份的自动处理技术。能否有效的提取出个体的生物关键点特征一直是人工智能与识别领域的关键任务之一。目前国内外主流提取方法主要是灰度提取、几何形状、先验规则、统计模型等方法。由于日常生活中具有良好直观性的几何图形能够快速被接受与理解, 所以经常被应用到识别领域之中。我们通过基于几何形状的改进型变形模板优化匹配到最佳的位置区域, 再利用基于点分布模型算法, 将关键点几何区域
9、位置中的局部纹理匹配到各个特征点的最佳位置, 经过对齐变换等约束校准之后与人脸数据库的面纹编码进行局部纹理的匹配。整个过程循环往复, 直至最终匹配到正确的关键点模型。在整个过程中, 采用几何形状与局部纹理想融合的算法设计, 互相约束互相协调。在全局纹理特性中框选出个体关键点的信息, 准确快速地从形状模板中获取到相应的特征点, 并堆叠行进寻求出提取算法的最优解, 最终用于人脸数据库匹配。设定人脸库存有某人脸图像 P1 (x, y) , 需识别图像为 P2 (x, y) , (x, y 为图像的二维坐标) , 以灰度关键点参数举例相关映射关系, 其匹配数学函数为:P 2 (x, y) =G (P1
10、 (S (x, y) ) ) 。其中, G 为灰度函数, S 为位置变换函数。图像匹配是综合运用多种图像关键信息以及二维特征结构, 将其在相关映射中一一对应区分, 最终得出结果。本文系统地阐述了课堂高校课堂中人脸识别考勤系统的基本流程。更快速准确的全局与局部关键点的提取、匹配算法是今后需要进一步研究的方向。随着计算机技术、生物识别、人工智能等多种技术的飞速发展, 人脸识别正被广泛应用于信息安全、公共安全以及证券金融等多个领域。研究如何更快速地准确识别个体, 寻找最优化的识别算法, 提高匹配精度、防范识别破解、映射更多相关领域是今后需要更深层次研究的课题。参考文献1Olivier Iii C F
11、, Fouillade J S, Feniello A, Et Al.Computer Vi-sion System And Method Using A Depth Sensor:, US9001190P.2015. 2潘芬兰.基于人脸识别技术的职能考勤系统研究D.浙江大学, 2014. 3Unar J A, Seng W C, Abbasi A.A review of biometric technol-ogy along with trends and prospectsJ.Pattern Recognition, 2014, 47 (8) :2673-2688. 4杨高波, 李实英.计算机视觉特征提取与图像处理M.北京:电子工业出版社, 2014. 5Gao Y, Yang Y, You M.A New Filled Function Method ForGlobal OptimizationJ.Applied Mathematics&Computation, 2015, 268:685-695.
