王鹤群　郭心茹　刘群　刘丽红

摘要：校园卡系统是数字化校园的基础工程中的重要组成部分，但也存在易丢失、易损坏等弊端。本项目研究了一套以生物识别为基础的智能校园系统，通过人脸识别、指纹识别及条形码识别，实现了进出校园、跑步打卡、图书借阅等功能。其中，采用了谷歌的FaceNet开源人脸识别框架，中控智慧的sdk开发包，tkinter图形界面及MySQL的数据对象等技术。实现了功能完备、效果良好的基于生物识别技术的智慧校园系统，其中人脸识别与指纹识别正确率较高，各项功能的实现符合预期，解决了由传统实体校园卡带来的卡片遗失、消磁等问题，实现校园生活智能化。

关键词：智慧校园；人脸识别；指纹识别

中图分类号： TP311.41    文献标识码：A

文章编号：1009-3044（2023）01-0028-03

1 引言

随着信息技术的快速发展，各大高校也都紧跟信息化的浪潮积极地参与到智慧校园的建设中[1-2。校园一卡通系统是建设数字化智慧校园的基础工程以及有机的、重要的组成部分。而校园卡作为校园一卡通系统的依托对象，却存在易丢失、损坏等问题。

针对这个问题，本系统利用人脸识别[3]和指纹识别[4]生物识别技术[5-6]，实现具有校园门禁服务、图书借阅服务以及高校阳光长跑打卡服务等功能的智慧校园系统。此系统不需要任何实体的校园卡，取而代之的是采用每位同学的生物特征，即人脸和指纹特征。该系统旨在通过对人的面部特征、指纹纹路或书本条形码进行识别，并依托于计算机将采集到的数据信息上传至后台与数据库中的相关数据进行比对、分析，无须刷卡，自动从后台调出个人信息，并进行相关记录，实现新型的智慧校园系统。

此系统的开发使校园生活变得更加方便快捷，进一步完善了大学生的相关服务管理机制，在一定程度上免除了数字化校园带来的后顾之忧，进而促进校园“智慧化”。

2 智慧校园需求分析

智慧校园系统主要基于生物识别技术，即人脸识别技术和指纹识别技术，实现了校园跑步打卡、图书借阅、进出校园身份识别功能。该系统通过指纹采集器采集指纹，或通过摄像头捕捉人脸，再将采集的参数预处理后传入系统并与已有数据进行比较判断，从而实现身份识别功能。

在功能设计上，智慧校园系统可以通过PC端进行操作，同时提供不同的技术选择（指纹识别或人脸识别）和场景选择（进入校园、图书馆、跑步打卡、图书借阅），具体功能设计见表1所示。

3 智慧校园系统架构

3.1 系统架构

如图1所示，该系统主要分为3层结构，包括数据底层、核心层、用户交互层。

用户交互层则主要负责实现具体的功能，包括进出校门/图书馆，跑步打卡，图书借阅。

核心层主要负责借助摄像头、指纹采集器等器材实现人脸识别及指纹识别。

数据底层主要负责数据信息的存储，包括数据集、训练模型、数据库信息等。

3.2 系统软件设计

本系统的主界面包括四部分：图书借阅、进入校园、图书馆、跑步打卡。分别进入这四个功能主界面后，系统默认人脸识别验证，或用户可选择指纹识别验证。在进行人脸识别/指纹识别时，摄像头/指纹采集器会自动抓取人脸图片/指纹图片，实时进行识别。具体流程见图2。

4 智慧校园系统关键技术

4.1 人脸识别技术

人脸识别技术使用Google的FaceNet[7-8]开源人脸识别框架，其核心技术是目前较为流行的卷积神经网络算法。FaceNet框架的实现经过数据预处理、人脸检测、数据模型训练和分类器训练、分类器测试，最终呈现结果，具体流程见图3。

4.1.1 人脸检测

采用MTCNN[9-10]进行人脸检测并对齐与裁剪，其是多任务级联CNN的人脸检测深度学习模型。该模型网络结构分为三层：P-Net（Proposal Network）、R-Net（Refine Network）、O-Net（Output Network），利用了检测和对准之间固有的关系来增强性能，特别是在预测及脸部标记点时，通过三个CNN级联的方式进行由粗到简的处理。处理效果如图4。

4.1.2 模型训练

此训练模型采用的数据源，为线下采集的本校内学生，共计82人，每人各40张不同角度，不同表情的160×160像素的人脸图片构成的数据集进行模型训练。

具体的模型训练过程可以描述如下：

1） 使用Batch表示人脸的训练数据，为每个Batch设置训练样本的数量。

2） 使用DEEP ARCHITECTURE（深度卷積神经网络）进行特征的提取。此系统采用Google的Inception架构深度卷积神经网络，其基本组成结构有四个成分1×1卷积，3×3卷积，5×5卷积，3×3最大池化。对四个成分的运算结果进行通道上的组合可得到提取的特征。

3） 利用L2特征归一化将所有图像的特征映射到一个超球面上。

4） 接入一个Embedding层，将图像x通过函数f映射到d维欧式空间。

5） 采用Triplet Loss三元组损失函数进行模型优化。

在进行上述步骤进行模型训练时需要考虑在梯度下降法中，如何设置学习率。本系统设置学习率的初始值为0.01，并选择学习率衰减方式并结合优化器迭代更新学习率。本系统选用AdaGrad的优化器对学习率进行优化，其优点是能自动变更学习率，采用指数衰减的方式进行学习率迭代衰减，其优点是简单直接，收敛速度快。

本系统的模型训练部分参数设置如表2所示。

4.1.3 分类器训练

利用图像计算出来的向量数据训练SVM分类器，训练采用校内人员的人脸数据集，包括82人共3280张图片。训练过程中每个图像类中存储40张图片，其中80%作为训练，20%作为测试。

4.1.4 分类器测试

1） 单张图片测试结果

共测试82人，3280张图片，平均识别率约为94.3%。

2） 数据集图片测试结果

使用CLASSIFY模式进行测试，输出一个总体的准确性实现。共测试82人，3280张图片，识别率约为99.3%。

3） 实时人脸识别测试结果

使用摄像头进行实时人脸识别测试。实现过程选用数据集的82人和10位陌生人进行测试，其平均识别率约为94%。

4.2 指纹识别技术

利用中控智慧live20R指纹采集器并结合Java语言对其sdk开发包进行二次开发实现。二次开发的主要操作是将sdk开发包的指纹模板提取、指纹模板比对函数进行修改并打包成jar文件后在python引用，最终实现身份验证。

4.3 数据模型

后台信息的更新存储使用MySQL数据库。MySQL是一个小型的开源关系型数据库管理系统，拥有体积小、速度快等特点，其适用多种操作系统和编程语言，可以处理大量数据，使用度较广。

5 智慧校园系统的实现与测试

此系统的界面主要包括主界面、进出校门界面、进出图书馆界面、指纹识别界面、图书借阅选择操作界面、图书条形码识别界面、跑步打卡界面等，在主界面中用户可选择图书借阅、进出图书馆、进出校门、跑步打卡四个模块进行操作。其功能测试表如表3所示。

5.1 进入校园和图书馆

在使用系统的各项功能之前都需要进行身份识别。在身份识别过程中，系统默认为人脸识别验证，或由用户选择指纹识别验证。在进行人脸识别或指纹识别时，摄像头或指纹采集器会自动抓取人脸或指纹，实时进行识别，进而输出识别结果。部分识别结果如图5。

5.2 跑步打卡

对于学生跑步打卡功能，系统通过身份识别获取学生信息，再利用该信息更新数据库中的打卡记录并判断本次打卡是否符合规则，若符合则更新打卡总次数。

5.3 图书借阅

身份识别通过后，用户进行借阅或归还图书操作时，系统通过摄像头获取图书条形码，对条形码解码，得到结果后结合已得到的身份信息对数据库中的借阅记录进行更新。若数据库中不存在该书籍，则提示用户操作失败。部分测试效果如图6所示。

6 结束语

随着人工智能的快速发展，未来生物识别技术将会应用更多地在人们的日常生活中。本文主要介绍了以生物识别为基础结合校园门禁功能、借阅图书功能、跑步打卡功能等实现的智慧校园系统的实现，它促进了校园“智慧化”，在一定程度上完善大学生的相关服务管理机制。本智慧校园系统，基本上实现了校园门禁、图书馆借阅和归还、跑步打卡等功能，测试效果符合预期。

参考文献：

[1] 周红春.高校教育信息化的新发展：信息化教育——我国高校教育信息化试点学校建设的启示[J].电化教育研究，2012，33（6）：5-11，28.

[2] 黄荣怀，张进宝，胡永斌，等.智慧校园：数字校园发展的必然趋势[J].开放教育研究，2012，18（4）：12-17.

[3] 吴巾一，周德龙.人脸识别方法综述[J].计算机应用研究，2009，26（9）：3205-3209.

[4] 安吉尧，李军英，李仁发，喻飞.基于指纹特征的考生身份识别系统[J].计算机应用研究，2004，21（7）：119-121.

[5] 卢官明，李海波，刘莉.生物特征识别综述[J].南京邮电大学学报（自然科学版），2007，27（1）：81-88.

[6] 田启川，张润生.生物特征识别综述[J].计算机应用研究，2009，26（12）：4401-4406，4410.

[7] Schroff F，Kalenichenko D，Philbin J.FaceNet：a unified embedding for face recognition and clustering[C]//Boston，MA，USA：2015 IEEE Conference on Computer Vision and Pattern Recognition.IEEE，2015：815-823.

[8] 田啟川，王满丽.深度学习算法研究进展[J].计算机工程与应用，2019，55（22）：25-33.

[9] 贾小硕，曾上游，潘兵，等.基于改进MTCNN网络的目标人脸快速检测[J].计算机工程与科学，2020，42（7）：1262-1266.

[10] 刘敏，潘炼，曾新华，等.基于MTCNN的坐姿行为识别[J].计算机工程与设计，2019，40（11）：3293-3298.

【通联编辑：梁书】