李春梅 张 扬 陈静雪 杨 琪

（安徽新华学院大数据与人工智能学院，安徽 合肥 230088）

0 引言

目前高校学生考勤是高校日常管理中的一项重要工作，大部分高校采用人工点名，以考勤登记表形式记录考勤信息，这样不仅耗时耗力、容易出错，而且效率低、资源浪费严重。因此，需设计一个高校学生考勤管理系统，使得考勤管理更加方便、高效。

人脸识别是近几年深度学习的典型代表，系统通过采集人脸信息、对图片进行处理、检测、识别等过程，利用TensorFlow平台[1]，应用MTCNN等技术进行人脸检测、模型训练，进而进行人脸识别，据此设计并实现了基于人脸识别的考勤系统。

1 项目原理

1.1 人脸识别基本原理

人脸识别技术简而言之是将摄像头识别到的人脸与系统预先录入的人脸进行特征判断，多方位多角度匹配特征最符合的一个。其中人脸检测是人脸识别的重要环节，人脸检测将人脸的特征与人脸图像进行各个区域的特征进行对比，相似度达到一定的阈值则判断为人脸。如图1所示，人脸识别主要分为三个流程：人脸检测（Face Detection）、人脸对齐（Face Alignment）以及人脸特征表征（Feature Representation）[2]。

图1 人脸识别算法

1.2 MTCNN

MTCNN算法是一种基于深度学习的人脸检测和人脸对齐方法，它可以同时完成人脸检测和人脸对齐的任务，相比于传统的算法，它的性能更好，检测速度更快。MTCNN算法包含三个子网络：Proposal Network（PNet）、Refine Network（R-Net）、Output Network（O-Net），这三个网络对人脸的处理依次从粗到细[3]。

2 系统功能分析

本考勤系统主要用于课堂学生考勤，具备无感知、主动式、高准确率等特点，集人脸采集、人脸考勤、数据统计于一体，有效地解决了打卡慢、代打卡、资源浪费等问题。

只需在教室中安装人脸识别摄像机，利用精准的人脸识别算法，即可主动识别学生的面部信息，确认是本班级学生后完成该学生的考勤签到。结合课表以及上课时间，实时监测学生的签到、签退、缺勤、早退等情况，自动生成考勤报表。

本考勤系统可分为样本库管理、课表管理、课堂考勤以及数据统计共四大模块。

2.1 样本库管理

本模块主要包括学生人脸样本采样以及样本审核等功能。除了支持学生自主录入个人样本的功能之外，还提供了批量导入功能，可以按照院系、专业、班级等批量导入单独采集的学生人脸样本数据以及图片信息。

2.2 课表管理

本模块主要功能是维护课表，包括每周的课程安排、上课的时间段等。可以按照校区、学年、学期、院系、专业、班级等类别分别设置其相对用的课表内容。

2.3 课堂考勤

根据已经制定的课表，在上课时针对教室内的学生分时、分区域的进行人脸抓拍，自动识别在堂学生，课后进行统计上课人数、缺勤、出勤、事假人数，并保存图片用于课后调取查询、比对、纠正等。

2.4 数据统计

统计班级出勤人数、缺勤人数、迟到人数、请假人数等。支持按照年级、班级、学生、考勤模式等考勤结果分类对比和排行，支持按权限、时间、教室、班级、授课教师、学期、学年、班级、学生、考勤模式查询考勤结果，并支持分类批量报表导出功能。

3 人脸识别系统的实现

人脸识别是本系统的重中之重，是最主要的功能。系统中关于人脸识别主要分为两大部分：

3.1 创建样本数据集

3.1.1 前期准备

由学生主动提交或者是统一采集学生的人脸图片，每位学生分别从不同角度、不同姿势下进行采集。共分为5种姿势下的4种不同角度采集20张图片。同时将学生信息及其脸部图像以及图像的特征值存储到本地，如图2所示。

图2 人脸采集界面

3.1.2 人脸识别

利用MTCNN识别其中的人脸，并且将识别出的结果存放于对应的文件夹中。

3.2 完成人脸识别

3.2.1 加载样本数据

3.2.2 打开待检测图像，识别出人脸

3.2.3 和样本的embedding进行比较

4 结语

本文利用TensorFlow2.6平台实现了基于人脸识别的大学课堂考勤系统，经过测试，该系统实现了通过识别学生人脸从而完成了学生的课堂签到功能，省去了教师点名的时间，同时也方便了学生，提高了教师的课堂管理效率，解决了学生被动式考勤带来的代考、代到、漏考、误考、效率低等问题。虽然目前所做的功能还比较简单，比较少，可能还存在些疏漏之处，但总体来说，达到了预期的目标，也为课堂考勤提供了一条新思路。