基于人脸识别的智能宿舍考勤系统设计

卢喜利 周月鹏

摘要：近年来智慧校园的发展如火如荼，借助于先进技术和先进设备，校园也变得越来越智能化，学校师生的在校生活、学习越来越便捷。宿舍考勤是学校宿舍管理的重要工作，学生不外宿、不晚归也是确保学生安全的重要保障。该文提出将人脸识别技术应用到智能宿舍考勤系统中，对系统进行了需求分析和详细设计，通过深度学习技术捕获学生在宿舍关门前一段时间的人脸信息进行识别考勤，不需要限定楼层和宿舍，有利于宿舍考勤的智能化和便捷化，简化考勤管理工作，助推智慧校园的发展。

关键词：智能宿舍;人脸识别;深度学习;智能考勤

中图分类号：TP311      文献标识码：A     文章编号：1009-3044（2018）35-0175-02

Abstract： In recent years， the development of smart campus is in full swing. With the help of advanced technology and equipment， the campus is becoming more and more intelligent. The teachers and students live and learn more and more conveniently.Dormitory attendance is an important work of school dormitory management， students do not stay out， do not return late is an important guarantee to ensure the safety of students. In this paper， we propose the application of face recognition technology to intelligent dormitory attendance system， in which we analyzed and designed in detail. Students'face information is captured by deep learning technology to identify attendance before the dormitory closes without restricting floors and dormitories， which achieves intelligent and convenient dormitory attendance， simplifies attendance management， and promotes the development of smart campus.

Key words： Intelligent dormitory; Face recognition; Deep learning; Intelligent attendance

宿舍是學生学习、生活的场所，学生晚上住在宿舍是确保学生人身、财产安全的重要保障。目前大多数高校依然采用管理员对宿舍进行考勤管理，这种方式效率低、耗时长、成本高，且准确度较低、不能自动化统计[1]。信息科技技术的迅速发展带动了学校管理工作的高效运作，高校宿舍管理人员不断追求学生宿舍信息管理自动化和信息化[2]。高校各个方面的建设都在促进智慧校园的发展，方便在校师生的学习、生活。指纹识别技术[3]、语音识别技术、RFID卡都应用在宿舍的考勤系统中。指纹识别和RFID卡识别方式容易出现一人刷多个指纹套、刷多卡的现象，而且在早、中、晚宿舍集中进出时间段，容易造成学生排队等待刷卡，造成时间上的浪费与管理上的混乱[1]。

随着身份识别需求的不断深化，人脸识别技术在实际应用中的高准确率使其成为主流的研究方向[4]。人脸识别[5]是生物识别技术的一个重要分支，识别过程首先捕获人脸信息，然后通过图像处理提取脸部特征，建立深度学习模型，以此完成人脸识别[4]。本文提出通过人脸识别对宿舍人员进行考勤，在指定的时间内，只要在宿舍区域内有摄像头的地方就可以进行人脸识别进行考勤，不需要限定楼层和宿舍。

1 需求分析

1.1 功能需求

高校宿舍管理系统的作用是使高校学生通过智能化、自动化的管理带来学习和生活上的便捷[6]。考勤时间定在宿舍关门前的20分钟，在这个时间段内，只要学生在宿舍区域，任何一个摄像头都可以进行人脸图像的采集进行识别。识别过程不需要限定大家一定在宿舍内，不受拍摄角度和着装的影响。

考勤结束后，系统根据识别情况按照宿舍、学院分组统计，将统计结果发送给宿舍管理员和辅导员，辅导员根据考勤人数和请假人员信息确定不在宿舍住宿的学生信息。

1.2 性能需求

安全性：系统通过内部独立网络传输信息，通过接口实现统计结果的查询，然后通过互联网进行信息的发送，具有较好的安全性，保障系统内部的数据信息不丢失或者泄漏，保障学生的数据信息不被盗用。

时效性：经过训练后的模型，在识别过程中可快速、高效地进行识别。

迁移性：通过训练之后得到的模型和相关参数，在所有的宿舍考勤识别过程中具有较好的识别效果。

实用性：系统要以经济实用为目的，在系统使用过程中，应该把关键的方面直接提供给系统维护人员，有助于形成即时管控对策，确保系统的有效运转[4]。

2 系统设计

系统设计过程包括数据预处理、训练模型和识别三个部分组成。系统总体流程图如图1所示：

图1中编号①部分完成模型的训练。在训练集中进行多次卷积和池化操作后，通过全连接输出，结合反向传播算法，调整训练过程中的参数，直到满足训练条件或者达到最大训练次数。训练结束后，满足训练条件后生成训练好的模型;在编号②部分，首先进行系统的初始化操作，利用摄像头进行图像采集，结合编号①部分训练好的模型进行人脸识别的操作，如果识别成功，则完成考勤，否则，需要系统重新拍照。

2.1 数据预处理

通过组织学生在摄像头前完成数据采集后，需要对采集的数据进行相应的处理才可以进行训练;图像预处理的主要目的是消除拍摄图像中和脸部特征无关的信息，保留有用的特征值区域，方便训练以及在识别过程中抽取有效的特征值进行运算和识别。

2.2 训练模型

系统模型采用三层卷积神经网络，经过预处理的数据集作为训练模型的输入层，首先对输入层进行卷积运算，然后对卷积结果进行池化处理，池化后对池化结果进行卷积运算，然后再对卷积结果进行池化处理，以此类推;三个卷积和池化层后是一个全连接层，直接输出预测的结果值[7]，具体模型如图2所示：

图中输入层即数据预处理后的数据集，C1是第一个卷积层，S1是第一个池化层，F1是全连接层，输出层输出预测的值。

根据预测值和真实值之间的误差，结合反向传播算法和随机梯度下降算法进行权值的调整，直到达到设定的迭代次数，完成模型的训练。

3 设定参数

3.1 激活函数

在图像识别领域，激活函数有很多种，比较常用的激活函数包括：Sigmoid函数、Tanh函数、Softplus函数、ReLu函数和Swish函数。本系统在设计过程中，采用Leaky ReLU作为激活函数，Leaky ReLU是ReLu函数的变体，在图像识别方面具有很好的效果。其函数表达式如下：

[y= max（0， x） + leak*min（0，x） ]

函数图像如图3所示：

3.2 dropout

在网络结构中，采用dropout方法，dropout是指在训练深度学习模型过程中，按照指定的比例丟弃网络中的部分神经单元，采用这种方法避免网络训练过程中过拟合的发生，该系统中dropout的值设置为0.7，即在训练过程中，丢弃网络中30%的神经元的值。模型训练结束后，在测试和运行过程中，不需要设置dropout值，即网络中的所有神经元全部参与运算。

3.3 池化

采用池化技术可以减少特征和参数的数量，同时在图片发生平移、旋转的过程中依然可以正确地识别图像。常用的池化方法包括最大池化、平均池化和随机池化。本文在系统开发过程中采用最大池化，即对邻域内特征点取最大，可以更好地代表该区域的特征。

3.4 其他参数

在卷积过程中，输入图像大小统一设定为28×28。为了能够使得梯度下降法有较好的性能，我们需要把学习率（learning_rate）的值设定在合适的范围内。学习率决定参数调整到最优值的速度，过大的学习率可能会跳过最优值，过小的学习率容易导致算法长时间无法收敛，训练过程中学习率设置为0.001;training_epochs值为15，即所有训练数据进行15次前向传播和反向传播过程完成参数的更新。batch_size为每次迭代所使用的样本量，本文batch_size的值为100。

4 结束语

综上所述，本文提出了将人脸识别应用在智能宿舍考勤管理系统中的思想，对系统进行了需求分析和详细设计，通过深度学习技术捕获学生在宿舍关门前一段时间的人脸信息进行识别考勤，不需要限定楼层和宿舍，有利于宿舍考勤的智能化和便捷化，可以使得学生管理部门实时了解不在学校住宿的学生的情况，避免了代签名、代刷卡等考勤作弊的情况，确保学生学习生活的安全，构建智慧校园的平台。

参考文献：

[1] 熊海青. 基于RFID 的嵌入式智能宿舍考勤系统的设计[J]. 电子技术与软件工程， 2017（09）：192-193.

[2] 万德生. 高校宿舍管理系统的设计与实现[D]. 吉林大学，2016.

[3] 张宝飞. 基于指纹识别技术的住校生考勤管理系统的设计与实现[J]. 软件， 2017（08）：161-166.

[4] 成伟. 基于人脸识别学生宿舍管理系统设计[D]. 电子科技大学，2016.

[5] 叶剑锋， 王化明. AdaBoost检测结合SOM的自动人脸识别方法[J]. 哈尔滨工程大学学报， 2017（10）：129-134.

[6] 李建坤. 江门市新会机电职业技术学校学生宿舍管理系统的研究与分析[D]. 云南大学，2016.

[7] 解骏， 陈玮. 基于卷积神经网络的人脸识别研究[J]. 软件导刊，2018（01）：25-27.

[通联编辑：梁书]