程冠琦

摘要：人脸识别技术作为一种生物识别技术，已经广泛地应用于各个领域内的身份验证系统，课堂考勤系统是人脸识别技术应用的重要领域。传统的人脸识别课堂考勤存在着识别速度慢、准确率低的问题。随着深度学习的流行，基于深度学习的人脸识别逐渐取代了传统的人脸识别。

本文利用了基于深度学习的SSD目标检测算法、FaceNet算法和SENet算法，结合谷歌的深度学习框架平台TensorFlow，对传统的人脸识别课堂考勤系统进行了改进和优化，有效地提升了人脸识别考勤的效率和准确度。

关键词：深度学习;人脸识别;课堂考勤

中图分类号：TP18      文献标识码：A

文章编号：1009-3044（2021）13-0182-02

Abstract： As a biometric technology， face recognition technology has been widely used in various fields of identity verification system， classroom attendance system is an important application field of face recognition technology. Traditional face recognition classroom attendance has the problems of slow recognition speed and low accuracy. With the popularity of deep learning， face recognition based on deep learning gradually replaces the traditional face recognition.

This paper uses SSD target detection algorithm based on deep learning， facenet algorithm and senet algorithm， combined with Google's deep learning framework platform tensorflow， to improve and optimize the traditional face recognition class attendance system， effectively improving the efficiency and accuracy of face recognition attendance.

Key words：deep learning;face recognition;class attendance

人臉识别技术作为一种高安全性的生物识别技术，近年来已经成为研究的热点。

人脸识别算法于20世纪60年代开始研究，到目前经过了三个发展历史阶段。第一个阶段是早期的人脸识别算法，该阶段的算法包括基于几何特征的算法、基于模板匹配的算法、基于子空间算法等。

第二个阶段是基于人工特征和分类器的算法。此阶段中，人脸图像是否能够进行识别和区分，取决于人工特征的设计质量。有HOG、SIFT、Gabor、LBP等多种方法用于描述图像的特征，用来设计和解决人脸识别问题。

第三个阶段是基于深度学习的人脸识别算法。自2012年深度学习在ILSVRC-2012取得成功之后，基于深度学习的方法被广泛应用，发展迅猛。基于深度学习的方法中，核心技术是卷积神经网络。通过对海量样本的训练学习，大大提升了前两个阶段的人脸识别效果。……