基于面部识别的校园智能查课系统

发布时间：2022-04-23

　　摘要：随着科技信息化的迅猛发展,生物识别技术在许多领域得到广泛的应用。作为生物识别技术的一种,面部识别技术以其独特的优势，利用人的个体面部特征的区别,结合计算机科学图形学、图像处理、认知科学等，广泛用于军事安全和公安、学校、银行、民航、金融、安全防务等领域。与此同时，在大数据和移动互联联手演绎的数字化信息时代，面部识别技术已经被纳入互联网应用，尤其是移动互联网应用，而基于大数据的大规模人脸搜索是面部识别技术未来发展的重要方向之一，引领着 IT 产业下一轮技术浪潮。目前，国内外诸多知名企业也都在积极布局该领域，试图能够有所创新和突破，尤其是腾讯公司和阿里巴巴集团。文章基于智慧校园平台为依托，借助面部识别技术以优化教学管理为目的，结合移动网络、图像处理和机器学习等手段实现校园智能化考勤系统。首先介绍人工智能技术的基本概念;其次介绍面部识别技术基本概念以及系统模型;最后重点介绍本文提出的智能化校园查课系统实现架构。

　　关键词：人工智能;面部识别;面部检测;特征提取;图像处理

　　1 人工智能技术概述

　　人工智能是智能机器所执行的通常与人类智能有关的功能，如：判断、设计、学习和问题求解等思维活动，是计算机科学的一个分支，企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。例如：机器人、语言/图像识别、自然语言处理等。本文研究的是面部识别技术，是人工智能研究的重要领域之一。它是一种用摄像机或摄像头采集含有面部的图像或视频流，并自动在图像中检测和跟踪面部，进而对检测到的面部进行一系列比对的、基于人的脸部特征信息进行身份识别的生物识别技术，通常也叫人像/面部识别。目前面部识别技术应用也是非常广泛的。例如：企业、住宅安全、管理和信息安全等。目前人工智能技术在各个领域都有涉及，而且会越来越普及。而利用先进的科学技术来促进教学改革更是 21 世纪教育领域的重要变革，科学技术支持的教学已然成为未来教育发展过程中不可逆的趋势。对于现阶段提升高校教学建设首先就要保证教学质量，即确保学生按时到课是首要环节。通过先进的技术手段来约束自觉性较差的学生;减少教师占用课堂授课时间对学生进行考勤，可提高教学效果，提升教学质量。

　　2 面部识别系统建模

　　人脸与人体的其它生物特征(例如：指纹、虹膜等)都是与生俱来，由于它的唯一性和不易被复制的良好特性为身份鉴别提供了可能。与其生物识别技术相比较而言，面部识别具有以下两大特征： 非强制性：是指人脸几乎可以在无意识的状态下就可获取面部图像，不需要专门配合面部采集设备;非接触性：是指用户不需要和设备直接接触就能获取面部图像; 并发性：是指在实际应用场景下可以并行多个面部的分拣、判断及识别等操作。此外，面部识别技术还符合人类视觉特性，即：“以貌识人”、操作简单、结果直观、隐蔽性好等特点。

　　基于上述面部识别的技术特点，通常所说的面部识别系统是指不需要人为干预，能够自动获取面部图像并且辨别出其身份的系统。面部识别系统至少要包含三大部分，即数据采集系统、面部检测子系统和面部识别子系统。

　　面部识别系统第一步：数据采集，通过摄像头对视频图像进行采集，建立数据库系统。第二步：面部检测是指输入图像中确定所有面部(如果存在)的位置、大小、位姿的过程，也就是定位图像中面部区域的过程，同时对面部进行调整，使其看起来更加清楚，面部检测是自动面部识别系统中的一个关键环节。第三步：面部识别子系统是包括特征提取和机器学习的功能模块，由于面部塑性变形的不确定性、面部模式的多样性以及图像获取过程中的不确定性等因素，要能够从数据库中识别出具体面部，对面部的特征提取就显得尤为重要。此外，面部识别系统还需要搜集许多被预处理过的面部(这些面部是要被识别的人的脸，而不是其他人的)，也就是不断地进行机器学习。最后在搜集的面部中查找哪个面部与摄像机中的待检测的面部最相似，再输出识别结果。

　　相关知识推荐：发过面部识别方面论文的核心期刊

　　目前面部检测特征提取算法较多，opencv 中常用的面部检测器有基于 Haar 和基于 LBP 的特征检测，前者需要许可协议，后者则不需要许可协议且运行速度更快。但 LBP 算子在图像成像条件较差环境下，如较模糊、光照变化强烈等场景，想要有效地刻画出纹理特征是比较困难的。因此，本文采用 HSV-LBP(HueSaturation Value-Local Binary Pattern)特征融合算法，充分利用 HSV 特征和 LBP 特征各自的优点，有效地结合起来，使 HSV-LBP 融合算法既包含其全局特征，也包含局部特征，且还具有维数少、速度快、可行性强的优点。

　　3 智能校园查课系统实现架构

　　将面部识别系统用于校园最大的优势就是可以利用其对学生考勤进行智能化监管。下面具体对基于面部识别的校园智能查课系统的实现流程进行说明：

　　(1)数据信息库建立

　　这一项工作可以在建立系统时进行训练定制化的人脸识别模型，但在训练模型识别图片或视频中的人脸之前，最重要的一个步骤是收集人脸数据集。学校可以根据学生入校时对学生图像信息的搜集，图像采集等，作为后续建立面部识别系统中的数据信息库。通常方法可以有：通过 OpenCV 和摄像头登记人脸、使用程序自动下载人脸图片或手动搜集人脸图像。

　　(2)面部检测和图像预处理

　　根据眼睛、眉毛、嘴巴、鼻子等器官的特征以及相互之间的几何位置关系来检测面部，即在一幅图像或一系列图像(比如视频)中判断是否有面部，若有则返回面部的大小、位置等信息。系统获取原始图形可能会受到诸多条件限制和干扰，因此必须在图像处理的早期阶段对此类问题进行修正。例如：灰度校正、噪声过滤图像预处理等。主要目的是为了端正面部图像、改善图像质量，使图像视觉上更清晰，有利于计算机处理/识别;同时尽可能取得尺寸一致，灰度取值范围相同的标准化面部图像。

　　(3)面部图像特征提取

　　面部特征提取就是针对面部的某些特征进行的,也称之为面部表征。本文实现方案采用上述介绍的 HSV-LBP 特征融合算法实现，其中 HSV 是指 H、S、V 三维颜色空间中的一个可见光子集，它包含某个颜色域的所有颜色，也称六角锥体模型。

　　LBP 特征首先是求取图像中各个像素点与其相邻的像素点在灰度上的二值关系;其次对二值关系按照加权规则形成局部二值模式;最后采用多区域直方图序列作为图像二值模式。算法中提取的 LBP 算子在每个像素点都可以等效成一个 LBP“编码”，那么对一幅图像(记录的是每个像素点的灰度值)提取其原始的LBP算子之后，得到的原始LBP特征依然是“一幅图片”(记录的是每个像素点的 LBP 值)。

　　例：对两幅 100*100 像素大小图片进行相似性比对：

　　可采用多种方式来进行区域划分，分别对其划分为 10*10=100 个子区域，并提取每个子区域内的每个像素点的 LBP 特征;

　　根据区域划分数目，建立 10*10 个统计直方图;

　　利用各种相似性度量函数，可以判断两幅图像之间的相似性;

　　由此可见，HSV-LBP 融合特征算法，既不影响计算速度，还能在局部特征加上全局信息，且鲁棒性好。此外，结合基于级联分类器的Adaboost迭代算法，即：用同一个训练集训练不同的分类器(即弱分类器)，然后把这些弱分类器合到一起，构成一个更强的强分类器。如下图所示：

　　级联分类器本身是通过改变数据分布来实现检测，根据每次训练集之中每个样本分类准确性，以及前一次总体分类准确性来确定当前样本权值;将修改权值后的新数据集送给下一层分类器进行下一阶段训练，以此类推;最后将每次训练得到的分类器融合起来，作为最终的决策分类器。也就是说，一个样本只有被所有的强分类器都判断为真，才认为该样本为正样本，否则为负样本。

　　(4)面部图像匹配与识别

　　面部识别就是将待识别面部特征与已有面部特征模板进行比较，根据比较相似程度对面部身份信息进行识别和判断。首先进行面部确认，即一对一进行图像比较的过程，根据其相似程度来判断是否是同一个人，相似程度一般以能否超过某一量化阈值为依据;其次是面部辨认，即一对多进行图像对比，将某人面像与数据库中的多人的面部进行比对，并根据比对结果来鉴定待识别人的身份，或找到其中最相似的面部，并按照相似程度的大小输出检测结果。面部辨认比面部确认难度大，辨认需要海量数据支撑下进行匹配。对于用户主动配合度较高的，则容易在特定的环境下获取符合要求的面部。因而主动配合的用户能够为面部识别提供良好的输入源，往往可以得到满意的结果。

　　4 结语

　　虽然人工智能技术的研究已经日趋成熟，各类学习模型，算法改进也是百花齐放，优势突出。但作为人工智能技术重要的一个领域，生物识别技术仍存在一些需要克服的技术难题，能否解决现有技术瓶颈成为生物识别行业未来发展的关键所在。比如，在目前主流生物识别技术中，指纹识别技术相对成熟，应用比较广泛，但却较容易被复制;人脸特征并不是一成不变的，而且采集图像的过程中易受到光线等因素的影响;这也是未来面部识别技术发展必须要解决的难题之一。——论文作者：赵 彦

　　参考文献：

　　[1] 《2018年中国生物识别技术发展现状分析》[EB/OL].千家网. 2018-04-18http://www.qianjia.com/html/2018-04/18_289763.html.

　　[2] 《人脸识别入门篇-STEP BY STEP 人脸识别--入门篇》 [EB/OL]. CSDN 2017-08-11.https://edu.csdn.net/course/ detail/5814 utm_source=juhe.

　　[3] 《人脸识别之人脸检测》[EB/OL].CSDN 2014-08-02.https:/ /blog.csdn.net/xiaoqkunle/article/details/78807748.

　　[4] 《SVM 原理详解》[EB/OL]. CSDN . 2012-06-1.https:// blog.csdn.net/v_july_v/article/details/7624837#t34.