盧喜利 周月鵬

摘要：近年來智慧校園的發(fā)展如火如荼，借助于先進技術和先進設備，校園也變得越來越智能化，學校師生的在校生活、學習越來越便捷。宿舍考勤是學校宿舍管理的重要工作，學生不外宿、不晚歸也是確保學生安全的重要保障。該文提出將人臉識別技術應用到智能宿舍考勤系統(tǒng)中，對系統(tǒng)進行了需求分析和詳細設計，通過深度學習技術捕獲學生在宿舍關門前一段時間的人臉信息進行識別考勤，不需要限定樓層和宿舍，有利于宿舍考勤的智能化和便捷化，簡化考勤管理工作，助推智慧校園的發(fā)展。

關鍵詞：智能宿舍;人臉識別;深度學習;智能考勤

中圖分類號：TP311? ? ? 文獻標識碼：A? ? ?文章編號：1009-3044（2018）35-0175-02

Abstract： In recent years， the development of smart campus is in full swing. With the help of advanced technology and equipment， the campus is becoming more and more intelligent. The teachers and students live and learn more and more conveniently.Dormitory attendance is an important work of school dormitory management， students do not stay out， do not return late is an important guarantee to ensure the safety of students. In this paper， we propose the application of face recognition technology to intelligent dormitory attendance system， in which we analyzed and designed in detail. Students'face information is captured by deep learning technology to identify attendance before the dormitory closes without restricting floors and dormitories， which achieves intelligent and convenient dormitory attendance， simplifies attendance management， and promotes the development of smart campus.

Key words： Intelligent dormitory; Face recognition; Deep learning; Intelligent attendance

宿舍是學生學習、生活的場所，學生晚上住在宿舍是確保學生人身、財產(chǎn)安全的重要保障。目前大多數(shù)高校依然采用管理員對宿舍進行考勤管理，這種方式效率低、耗時長、成本高，且準確度較低、不能自動化統(tǒng)計[1]。信息科技技術的迅速發(fā)展帶動了學校管理工作的高效運作，高校宿舍管理人員不斷追求學生宿舍信息管理自動化和信息化[2]。高校各個方面的建設都在促進智慧校園的發(fā)展，方便在校師生的學習、生活。指紋識別技術[3]、語音識別技術、RFID卡都應用在宿舍的考勤系統(tǒng)中。指紋識別和RFID卡識別方式容易出現(xiàn)一人刷多個指紋套、刷多卡的現(xiàn)象，而且在早、中、晚宿舍集中進出時間段，容易造成學生排隊等待刷卡，造成時間上的浪費與管理上的混亂[1]。

隨著身份識別需求的不斷深化，人臉識別技術在實際應用中的高準確率使其成為主流的研究方向[4]。人臉識別[5]是生物識別技術的一個重要分支，識別過程首先捕獲人臉信息，然后通過圖像處理提取臉部特征，建立深度學習模型，以此完成人臉識別[4]。本文提出通過人臉識別對宿舍人員進行考勤，在指定的時間內(nèi)，只要在宿舍區(qū)域內(nèi)有攝像頭的地方就可以進行人臉識別進行考勤，不需要限定樓層和宿舍。

1 需求分析

1.1 功能需求

高校宿舍管理系統(tǒng)的作用是使高校學生通過智能化、自動化的管理帶來學習和生活上的便捷[6]。考勤時間定在宿舍關門前的20分鐘，在這個時間段內(nèi)，只要學生在宿舍區(qū)域，任何一個攝像頭都可以進行人臉圖像的采集進行識別。識別過程不需要限定大家一定在宿舍內(nèi)，不受拍攝角度和著裝的影響。

考勤結束后，系統(tǒng)根據(jù)識別情況按照宿舍、學院分組統(tǒng)計，將統(tǒng)計結果發(fā)送給宿舍管理員和輔導員，輔導員根據(jù)考勤人數(shù)和請假人員信息確定不在宿舍住宿的學生信息。

1.2 性能需求

安全性：系統(tǒng)通過內(nèi)部獨立網(wǎng)絡傳輸信息，通過接口實現(xiàn)統(tǒng)計結果的查詢，然后通過互聯(lián)網(wǎng)進行信息的發(fā)送，具有較好的安全性，保障系統(tǒng)內(nèi)部的數(shù)據(jù)信息不丟失或者泄漏，保障學生的數(shù)據(jù)信息不被盜用。

時效性：經(jīng)過訓練后的模型，在識別過程中可快速、高效地進行識別。

遷移性：通過訓練之后得到的模型和相關參數(shù)，在所有的宿舍考勤識別過程中具有較好的識別效果。

實用性：系統(tǒng)要以經(jīng)濟實用為目的，在系統(tǒng)使用過程中，應該把關鍵的方面直接提供給系統(tǒng)維護人員，有助于形成即時管控對策，確保系統(tǒng)的有效運轉[4]。

2 系統(tǒng)設計

系統(tǒng)設計過程包括數(shù)據(jù)預處理、訓練模型和識別三個部分組成。系統(tǒng)總體流程圖如圖1所示：

圖1中編號①部分完成模型的訓練。在訓練集中進行多次卷積和池化操作后，通過全連接輸出，結合反向傳播算法，調(diào)整訓練過程中的參數(shù)，直到滿足訓練條件或者達到最大訓練次數(shù)。訓練結束后，滿足訓練條件后生成訓練好的模型;在編號②部分，首先進行系統(tǒng)的初始化操作，利用攝像頭進行圖像采集，結合編號①部分訓練好的模型進行人臉識別的操作，如果識別成功，則完成考勤，否則，需要系統(tǒng)重新拍照。

2.1 數(shù)據(jù)預處理

通過組織學生在攝像頭前完成數(shù)據(jù)采集后，需要對采集的數(shù)據(jù)進行相應的處理才可以進行訓練;圖像預處理的主要目的是消除拍攝圖像中和臉部特征無關的信息，保留有用的特征值區(qū)域，方便訓練以及在識別過程中抽取有效的特征值進行運算和識別。

2.2 訓練模型

系統(tǒng)模型采用三層卷積神經(jīng)網(wǎng)絡，經(jīng)過預處理的數(shù)據(jù)集作為訓練模型的輸入層，首先對輸入層進行卷積運算，然后對卷積結果進行池化處理，池化后對池化結果進行卷積運算，然后再對卷積結果進行池化處理，以此類推;三個卷積和池化層后是一個全連接層，直接輸出預測的結果值[7]，具體模型如圖2所示：

圖中輸入層即數(shù)據(jù)預處理后的數(shù)據(jù)集，C1是第一個卷積層，S1是第一個池化層，F(xiàn)1是全連接層，輸出層輸出預測的值。

根據(jù)預測值和真實值之間的誤差，結合反向傳播算法和隨機梯度下降算法進行權值的調(diào)整，直到達到設定的迭代次數(shù)，完成模型的訓練。

3 設定參數(shù)

3.1 激活函數(shù)

在圖像識別領域，激活函數(shù)有很多種，比較常用的激活函數(shù)包括：Sigmoid函數(shù)、Tanh函數(shù)、Softplus函數(shù)、ReLu函數(shù)和Swish函數(shù)。本系統(tǒng)在設計過程中，采用Leaky ReLU作為激活函數(shù)，Leaky ReLU是ReLu函數(shù)的變體，在圖像識別方面具有很好的效果。其函數(shù)表達式如下：

[y= max（0， x） + leak*min（0，x） ]

函數(shù)圖像如圖3所示：

3.2 dropout

在網(wǎng)絡結構中，采用dropout方法，dropout是指在訓練深度學習模型過程中，按照指定的比例丟棄網(wǎng)絡中的部分神經(jīng)單元，采用這種方法避免網(wǎng)絡訓練過程中過擬合的發(fā)生，該系統(tǒng)中dropout的值設置為0.7，即在訓練過程中，丟棄網(wǎng)絡中30%的神經(jīng)元的值。模型訓練結束后，在測試和運行過程中，不需要設置dropout值，即網(wǎng)絡中的所有神經(jīng)元全部參與運算。

3.3 池化

采用池化技術可以減少特征和參數(shù)的數(shù)量，同時在圖片發(fā)生平移、旋轉的過程中依然可以正確地識別圖像。常用的池化方法包括最大池化、平均池化和隨機池化。本文在系統(tǒng)開發(fā)過程中采用最大池化，即對鄰域內(nèi)特征點取最大，可以更好地代表該區(qū)域的特征。

3.4 其他參數(shù)

在卷積過程中，輸入圖像大小統(tǒng)一設定為28×28。為了能夠使得梯度下降法有較好的性能，我們需要把學習率（learning_rate）的值設定在合適的范圍內(nèi)。學習率決定參數(shù)調(diào)整到最優(yōu)值的速度，過大的學習率可能會跳過最優(yōu)值，過小的學習率容易導致算法長時間無法收斂，訓練過程中學習率設置為0.001;training_epochs值為15，即所有訓練數(shù)據(jù)進行15次前向傳播和反向傳播過程完成參數(shù)的更新。batch_size為每次迭代所使用的樣本量，本文batch_size的值為100。

4 結束語

綜上所述，本文提出了將人臉識別應用在智能宿舍考勤管理系統(tǒng)中的思想，對系統(tǒng)進行了需求分析和詳細設計，通過深度學習技術捕獲學生在宿舍關門前一段時間的人臉信息進行識別考勤，不需要限定樓層和宿舍，有利于宿舍考勤的智能化和便捷化，可以使得學生管理部門實時了解不在學校住宿的學生的情況，避免了代簽名、代刷卡等考勤作弊的情況，確保學生學習生活的安全，構建智慧校園的平臺。

參考文獻：

[1] 熊海青. 基于RFID 的嵌入式智能宿舍考勤系統(tǒng)的設計[J]. 電子技術與軟件工程， 2017（09）：192-193.

[2] 萬德生. 高校宿舍管理系統(tǒng)的設計與實現(xiàn)[D]. 吉林大學，2016.

[3] 張寶飛. 基于指紋識別技術的住校生考勤管理系統(tǒng)的設計與實現(xiàn)[J]. 軟件， 2017（08）：161-166.

[4] 成偉. 基于人臉識別學生宿舍管理系統(tǒng)設計[D]. 電子科技大學，2016.

[5] 葉劍鋒， 王化明. AdaBoost檢測結合SOM的自動人臉識別方法[J]. 哈爾濱工程大學學報， 2017（10）：129-134.

[6] 李建坤. 江門市新會機電職業(yè)技術學校學生宿舍管理系統(tǒng)的研究與分析[D]. 云南大學，2016.

[7] 解駿， 陳瑋. 基于卷積神經(jīng)網(wǎng)絡的人臉識別研究[J]. 軟件導刊，2018（01）：25-27.

[通聯(lián)編輯：梁書]