苏ICP备112451047180号-6
基于人脸识别考勤系统的研究与实现
一、选题简介、意义
选题简介：
考勤系统以身份识别技术为基础，主要用于对人员的出勤情况记录。传统身份识别技术，如密码、个人识别码（PIN）、磁卡等，存在明显缺陷：容易遗忘、丢失或被伪造，基于上述身份识别技术的考勤系统出勤情况记录容易作弊，产生虚假数据，为了解决传统考勤系统的固有缺陷，本课题引入了“与生俱来、独一无二”的人体生理特征“人脸”作为身份识别手段，研究“人脸”特征的提取、 识别及其在考勤系统中的应用，实现考勤的全自动化，同时对现有人脸识别方式进行优化，提供人脸识别的准确率。
二、课题综述（课题研究，主要研究的内容，要解决的问题，预期目标，研究步骤、方法及措施等）
课题研究：
基于人脸识别考勤系统基础是人脸的提取、识别，而人脸的识别即计算机视觉是人工智能研究中的重要组成部分，所以课题的研究其实就是计算机图像处理的研究，在该领域中有三种主流的目标检测图像特征描述方法：HOG特征、LBP特征、Haar-like特征。
（1） HOG特征
HOG（Histogram of Oriented Gradient, 方向梯度直方图）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，它通过计算和统计图像局部区域的梯度方向直方图来构成特征，该特征主要用于对行人检测。
（2） LBP特征
LBP（Local Binary Pattern，局部二值模式）首先由T. Ojala, M.Pietikäinen, 和 D. Harwood 在1994年提出，是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点，用于纹理特征提取。
（3） Haar-like特征
Haar-like特征即图像矩形特征，最早由Papageorgiou提出，Viola和Jones在此基础上扩展出3种类型4种形式的特征为：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板，采用积分图、决策树、朴素贝叶斯分类器、Boosting等方法构建一个图像的强分类器。
主要研究的内容：
本课题中人脸的识别基于Haar-like特征，采用基于Haar-like特征的开源图像处理库（OpenCV）,研究基于Haar-like特征的人脸提取、识别过程，研究OpenCV对于人脸提取、识别的方法，通过研究设置合理阀值，从而提供人脸识别的准确度。
（1） Haar-like特征对于人脸的图像描述
Haar-like特征有图1所示4种形式的特征为：边缘特征、线性特征、中心特征
和对角线特征，利用图1中15中矩阵图像单元对目标图像进行特征描述，具体过程为对于训练图像归一化为一定大小（例如20*20）的图像，确定特征数量之后利用积分图计算其特征值，得到人脸的特征数量和特征值，在确定了训练子窗口中的矩形特征数量和特征值后，需要对每一个特征f ，训练一个弱分类器h(x,f,p,O) ，图3。现在采用的Haar特征是一个级联的强分类器，通过训练得到一个分类器文件，所以对于检测图像是什么，判断准确不准确取决于分类器训练数据及阀值的设定。
（1） OpenCv库
OpenCV的全称是：Open Source Computer Vision Library。OpenCV是一个基于（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
解决的问题：
人脸特征提取、人脸识别、人员考勤记录
预期目标：
通过摄像头对入口处的员工进行考勤，可识别4米内的人脸进行识别并考勤
三、设计（论文）体系、结构（大纲）
系统功能：
（1）、人脸特征分类器训练及阀值设定；
（2）、员工信息管理；
（3）、员工人脸特征提取，形成员工人脸特征数据库；
（4）、入口处员工人脸抓拍及特征比对；
（5）、员工考勤记录；
系统实现：
系统开发采用QT+OpenCv+Mysql形式，QT负责界面制作，OpenCv负责图像处理，Mysql进行数据存储。
一、选题简介、意义
选题简介：
考勤系统以身份识别技术为基础，主要用于对人员的出勤情况记录。传统身份识别技术，如密码、个人识别码（PIN）、磁卡等，存在明显缺陷：容易遗忘、丢失或被伪造，基于上述身份识别技术的考勤系统出勤情况记录容易作弊，产生虚假数据，为了解决传统考勤系统的固有缺陷，本课题引入了“与生俱来、独一无二”的人体生理特征“人脸”作为身份识别手段，研究“人脸”特征的提取、 识别及其在考勤系统中的应用，实现考勤的全自动化，同时对现有人脸识别方式进行优化，提供人脸识别的准确率。
二、课题综述（课题研究，主要研究的内容，要解决的问题，预期目标，研究步骤、方法及措施等）
课题研究：
基于人脸识别考勤系统基础是人脸的提取、识别，而人脸的识别即计算机视觉是人工智能研究中的重要组成部分，所以课题的研究其实就是计算机图像处理的研究，在该领域中有三种主流的目标检测图像特征描述方法：HOG特征、LBP特征、Haar-like特征。
（1） HOG特征
HOG（Histogram of Oriented Gradient, 方向梯度直方图）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，它通过计算和统计图像局部区域的梯度方向直方图来构成特征，该特征主要用于对行人检测。
（2） LBP特征
LBP（Local Binary Pattern，局部二值模式）首先由T. Ojala, M.Pietikäinen, 和 D. Harwood 在1994年提出，是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点，用于纹理特征提取。
（3） Haar-like特征
Haar-like特征即图像矩形特征，最早由Papageorgiou提出，Viola和Jones在此基础上扩展出3种类型4种形式的特征为：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板，采用积分图、决策树、朴素贝叶斯分类器、Boosting等方法构建一个图像的强分类器。
主要研究的内容：
本课题中人脸的识别基于Haar-like特征，采用基于Haar-like特征的开源图像处理库（OpenCV）,研究基于Haar-like特征的人脸提取、识别过程，研究OpenCV对于人脸提取、识别的方法，通过研究设置合理阀值，从而提供人脸识别的准确度。
（1） Haar-like特征对于人脸的图像描述
Haar-like特征有图1所示4种形式的特征为：边缘特征、线性特征、中心特征
和对角线特征，利用图1中15中矩阵图像单元对目标图像进行特征描述，具体过程为对于训练图像归一化为一定大小（例如20*20）的图像，确定特征数量之后利用积分图计算其特征值，得到人脸的特征数量和特征值，在确定了训练子窗口中的矩形特征数量和特征值后，需要对每一个特征f ，训练一个弱分类器h(x,f,p,O) ，图3。现在采用的Haar特征是一个级联的强分类器，通过训练得到一个分类器文件，所以对于检测图像是什么，判断准确不准确取决于分类器训练数据及阀值的设定。
（1） OpenCv库
OpenCV的全称是：Open Source Computer Vision Library。OpenCV是一个基于（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
解决的问题：
人脸特征提取、人脸识别、人员考勤记录
预期目标：
通过摄像头对入口处的员工进行考勤，可识别4米内的人脸进行识别并考勤
三、设计（论文）体系、结构（大纲）
系统功能：
（1）、人脸特征分类器训练及阀值设定；
（2）、员工信息管理；
（3）、员工人脸特征提取，形成员工人脸特征数据库；
（4）、入口处员工人脸抓拍及特征比对；
（5）、员工考勤记录；
系统实现：
系统开发采用QT+OpenCv+Mysql形式，QT负责界面制作，OpenCv负责图像处理，Mysql进行数据存储。