基于无线定位的智慧教室考勤助手APP的设计与研究

刘　宸，李虎群，王　强，张　哲，崔靖茹

(西安交通大学网络信息中心，陕西 西安 710049)

0　引言

2017年9月我校第三期智慧教室项目建设完成，共建智慧教室近400间。智慧教室为提升教师课堂教学、提高学生到课率、学生课后自主学习、教学秩序监督、教学效果监督、优质资源共享、降低教室空闲率等起到了非常明显的促进作用。

目前，传统高校的考勤方式采用手动点名的方式，但该方式欠缺数据的精准性，也浪费教师的授课时间。根据实际问题分析，考虑构建一种自动化考勤系统，该系统需要解决的一个主要问题是身份识别与位置识别。系统中的身份识别不可或缺，目前有身份卡，虹膜以及指纹等电子与生物指纹识别方式。位置识别采用固定刷卡一起来提供[1]。如表1所示，分析不同考勤方式在实际工作环境中的响应、准确性、可靠性与便捷性。

表1　几种考勤的比较

1　项目现状和问题

我校目前采用刷卡考勤方式。学生在上课前的有效考勤时间内，使用校园一卡通在考勤机终端刷卡。目前系统存在如下几点问题。

1.1　一卡通问题

⑴ 学生发生卡丢失，或者忘记带卡的情况，导致无法考勤；

⑵ 学生补办新卡，因考勤机每12小时同步一次考勤数据库，因此会产生新卡信息还未录入考勤机，导致考勤机无法识别学生的个人身份；

⑶ 采用一卡通考勤，无法完全避免替刷卡的情况。

1.2　刷卡拥挤问题

因教学课程的特殊原因，大部分学生会集中在开课前的10分钟内刷卡，容易发生刷卡排长队的现象，会导致进入教室人员聚集，场面混乱。

2　系统设计和实现

系统采用经典的三层体系架构，从下到上分别为数据采集层、数据处理层和数据展示层。通过三层体系架构，将业务规则、数据访问、合法性校验等工作放到了中间层进行处理。通常情况下，客户端不直接与数据库交互，而是通过COM/DCOM通讯与中间层建立连接，再经由中间层与数据库进行交互。

系统工作原理是数据采集层通过多种考勤方式，采集考勤流水，然后上传考勤中间件。考勤中间件通过预置考勤策略筛选出有效考勤流水，再和教务系统、一卡通系统进行联合比对计算，最后给出最终的考勤结果数据。系统架构图，如图1所示。

图1　智慧教室考勤系统架构图

2.1　基于WiFI指纹定位

本系统采用WiFI指纹定位技术。APP在初次安装时，即会获取手机的唯一标识码，并与WiFi指纹数据库做惟一性绑定[2]。定位的四个步骤：

⑴ 教室中每一个无线AP的SSID都有一个全球惟一的MAC地址，并且一般来说无线AP在安装后是不会移动的；

⑵ 手机在开启Wi-Fi的情况下，即可扫描并收集周围的AP信号，无论是否加密，是否已连接，甚至信号强度不足以显示在无线信号列表中，都可以获取到AP广播出来的MAC地址；

⑶ 在签到时，APP将这些能够标示AP的数据和手机惟一标识码一同发送到WiFi指纹服务器，服务器检索出每一个AP的地理位置，并结合每个信号的强弱程度比对WiFi指纹数据库中的惟一标识码，计算出设备的地理位置并返回到用户设备。

图2　APP考勤流水截图

2.2　基于面部特征人脸识别

为了考勤的准确性和可靠性，我们采用经典的基于特征脸[3-5]的人脸识别方法。我们分两个步骤：图片训练和人脸识别。

2.2.1　训练阶段

第一步：采集样本。本文的app利用用户在绑定个人信息时所提交的人脸相片作为训练样本。在此我们设样本数量为N。

第二步：构建训练样本矩阵。对采集的所有样本图片进行灰度化，接着将N个样本的灰度图片转化为列向量，然后将其组成训练的样本矩阵M。（M的规模为：每张图片的像素数*样本数量N）

其中向量xi为由第i个图像的每一列向量堆叠成一列的MN维列向量，即把矩阵向量化。

图3　训练样本集

第三步：计算平均脸。计算训练图片的平均脸：

第四步：计算差值脸。对每张人脸图片，计算其与平均脸的差值Δi，i=1,2,…,N

第五步：构建协方差矩阵CM并通过矩阵奇异值分解法求得协方差矩阵CM的特征值λt和特征向量xt。

第六步：基于协方差矩阵CM特征值，本文选取特征值贡献率为99%的特征向量，作为所求的样本特征脸空间W。

其中W=(x1,x2,…，xp)，关于P的取值由下式决定：

第七步：获取样本特征脸识别基准，将样本中每幅人脸与平均脸的差值投影到特征脸空间，

2.2.2　人脸识别

第一步：获取待识别人脸基准，将待识别人脸Γ与平均脸Ψ的差值投影到样本特征脸空间

第二步：为了较好的区分不同人之间的脸部，定义阈值

第三步：采用欧式距离来计算ΩΓ与每个人脸的距离εi（i=1,2,…,N）

为了区分人脸和非人脸，还需要计算原始图像Γ与由特征脸空间重建的图像Γf之间的距离

其中：

第四步：获取人脸识别结果：根据以下规则对人脸进行分类：

⑴ 若ε≥θ，则输入图像不是人脸图像；

⑵ 若ε＜θ，且∀i，εi≥θ则输入图像包含未知人脸；

⑶ 若ε＜θ，且∀i，εi＜θ则输入图像为库中第k=min(εi)个人的人脸。

图4　基于面部特征人脸识别

3　功能完善和升级

3.1　便捷性提升

在无线AP发生掉线或者位置发生变化后，WiFi指纹定位数据库无法做到即时更新。只能通过人工核对，手工添加的方式维护数据库，这样就会引起位置的小范围偏差。通过近期完善位置数据库自动维护功能，下一版可以彻底解决这个问题。

3.2　可靠性提高

通过首次使用采集学生照片的方法，无法做到100%的可靠性。通过对接统一身份认证数据库，依靠统一认证身份数据库获取学生照片，系统从根本上解决了可靠性的问题。

4　结束语

本系统实现了用户自助考勤、查询签到流水以及个人课表等功能。由于设计时对系统的安全性，易用性等作了充分的考虑，所以截止目前，该系统已稳定运行四个多月，能够承受全校正常授课时产生的高并发访问量。该系统对我校课堂教学、教学秩序和教学效果都起到了不可替代的作用。

参考文献(References):

[1]杨永平,曾艺,刘世兴.基于WIFI的高校课堂考勤系统设计实现[J].信息技术与信息化,2017.1:102-106

[2]王卫红,陈校良.基于无线路由器的手机签到系统的设计与实现[J].浙江工业大学学报,2016.44(3):242-246

[3]易军.人脸识别中的特人脸识别中的特征提取与度量学习算法研究征提取与度量学习算法研究[D].北京邮电大学博士学位论文,2015.

[4]张俊,何昕,李介谷.基于面部几何特征点提取的人脸识别方法[J].红外与激光工程,1999.28(4):40-43

[5]Matthew Turk and Alex Pentland.Eigenfaces forRecognition.http://www.cs.ucsb.edu/～mturk/Papers/jcn.pdf