基于人脸识别的身份检测系统的设计与实现

冯详禹 韦金成 西北民族大学

一、研究背景

在大学教育的课堂上，出勤率是体现每位学生良好学习习惯的重要因素，通过点名的方式统计出勤率也是教师最直接的方法。这种方式既浪费了老师的上课时间，也浪费了学生的学习时间，并且还会出现早退，代替点名的现象。这些现象急需要得到一些改观，现在迫切需要有一个系统能在老师上课之前就把学生的出勤情况统计完成。因此，基于人脸识别的身份检测系统应运而生。

前期调研准备：

通过我们对课堂情况的调查，发现老师课堂点名只能对课堂学生情况进行初步了解，无法杜绝替课以及代替他人答到的现象。在项目申报之前，我们通过上网浏览技术文献，对项目所需要的技术以及知识进行了初步了解，已经提前开始了有关项目技术的初步学习。

二、项目流程

此系统小巧轻便，操作简单，在上课十分钟前，老师只需要将摄像头对准门口，在学生进入教室时，正面对准摄像头方向，摄像头就会进行实时图像采集，发送至客户端。然后通过处理中心进行图像分析，对人脸图像进行锁定。最后与数据库进行数据匹配，分析出锁定的人脸图像对应的信息。通过已到学生名单与全部学生名单的对比，就可以知道每位学生的出勤率。

三、算法实现

通过对Python、Ubuntu 与OpenCV 的系统学习，对项目进行可行性分析，对人员实时识别系统进行系统分析，并且制作软件开发流程表，进行软件开发规划。然后基于Ubuntu 系统进行Python 与OpenCV 的开发与使用，对学习的知识进行实践。学习使用Keras，使软件具有自我学习功能。还需要熟练使用Ubuntu 系统，使用Python 与OpenCV 进行软件程序的初步编写，采集实时视频的数据帧，对数据帧中的图像数据进行初步的人脸识别与锁定。最后使用Keras，进行模型的构建与模型训练。使用深度学习的基础知识，是软件具有自我学习功能，进一步提高软件功能即对人员实时识别的准确性。对软件进行测试与调试，完成软件主要功能，完善软件程序。

四、硬件实现

硬件实现主要分为五个步骤（如图所示），首先需要进行图像数据处理，一幅数字图像是由一个或多个图像感知器产生，这里的感知器可以是各种光敏摄像机，包括遥感设备，X 射线断层摄影仪，雷达，超声波接收器等。去绝不与同的感知器，产生的图片可以是普通的二维图像，三维图组或者一个图像序列。图片的像素值往往对应于光在一个或多个光谱段上的强度（灰度图或彩色图），但也可以是相关的各种物理数据，如声波，电磁波或核磁共振的深度，吸收度或反射度。

在对图像实施具体的计算机视觉方法来提取某种特定的信息前，一种或一些预处理往往被采用来使图像满足后继方法的要求。例如：二次取样保证图像坐标的正确平滑去噪来滤除感知器引入的设备噪声提高对比度来保证实现相关信息可以被检测到调整尺度空间使图像结构适合局部应用

接着从图像中提取各种复杂度的特征。例如：线，边缘提取局部化的特征点检测如边角检测，斑点检测更复杂的特征可能与图像中的纹理形状或运动有关。

在图像处理过程中，有时会需要对图像进行分割来提取有价值的用于后继处理的部分，例如：筛选特征点分割一或多幅图片中含有特定目标的部分

数据往往具有很小的数量，例如图像中经先前处理被认为含有目标物体的部分。这时的处理包括：验证得到的数据是否符合前提要求估测特定系数，比如目标的姿态，体积。

五、总结

基于人脸识别的身份检测系统的设计与实现是一款面向大学课堂的设备，对提高学生学习氛围，营造一个良好的学习环境有着重要的作用。旨在实现互联网与教育的融合，课堂智能化的考勤设备。