英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
基于Android的人脸识别考勤系统。
摘要：学生出勤系统是衡量学生课程参与度的必要手段，已经提出了几种基于生物识别、条形码、QR码和近场通信移动设备的自动考勤系统。然而，以前的系统在处理时间和精确度方面效率低，本文旨在提出一种基于Android的人脸识别考勤系统。为了确保学生参加课程，生成了包含课程信息的QR码并显示在教室的前面。学生只需要使用他的智能手机捕获他的脸部图像并显示QR码。，然后将图像发送到服务器进行出勤处理。实验结果表明，所提出的考勤系统通过线性判别分析达到了97.29的人脸识别精度，仅需0.000096s即可识别服务器中的人脸图像。
关键词：考勤系统；人脸识别；基于Android；智能手机
1.绪论
学生出勤率是学生在课程中取得成功的一个重要因素。在某所大学中，学生参加课程也被用作学生参加考试的要求之一（Islam等人，2017）。记录学生出勤率的传统方法是要求每个学生在一份出勤名单上签名，该名单在讲座开始时会经过所有学生。但是，这种方法在时间上效率低下，并且可能导致作弊，尤其是在大班中，学生可以为不在班级的其他学生在出勤列表上签名。为避免作弊，有时讲师会逐一喊出在出席名单上签名的学生的姓名，这种方法将占用讲课时间，并且会影响讲课的效果（Mohamed and Raghu，2012）。记录考勤的一种现代方法是使用自动考勤系统，已经提出了几种利用生物特征识别的自动考勤系统，例如指纹识别（Mohamed和Raghu，2012；Rao和Satoa，2013；Soewito等，2015；Zainal等，2016；Zainal等，2014），面部识别（Chintalapati和Raghunadh，2013；Fuzail等，2014；Mehta和Tomar，2016；Raghuwanshi和Swami，2017；Sayeed等，2017；Wagh等，2015；Wati Mohamad Yusof等，2018年）和条形码（Noor等，2015），QR码（Rahni等，2015），RFID（Arulogun等，2013，Bhalla等，2013，Hussain等，2014，Rjeib等人，2018）和近场通信（NFC）移动设备（Mohandes，2017）来获得出勤过程的学生ID。一些考勤系统是在便携式设备(Mohamed和Raghu，2012，Zainal等，2016，Zainal等，2014)和智能手机(Islam等，2017，Mohandes，2017，Noor等，2015，Rahni等，2015，Soewito等，2015)中开发的。
Rao和Satoa（2013）提出了一种使用指纹识别的员工出勤管理系统，每次签入和签出时，员工都需要扫描指纹以记录出勤情况。该考勤系统采用基于细节点的匹配与基于对齐的贪婪匹配相结合的方法来识别扫描的指纹。尽管作者报告了所提出的系统易于使用且成本低廉，但所提出的系统不适用于课程考勤系统，因为如果同时有大量课程，则该系统需要大量的指纹记录设备。而且，如果一门课程中有大量学生，那么将导致长时间和耗时的排队。Rao和Satoa，2013年，Zainal等人，2016年，Zainal等人，2014年提出了一种基于指纹识别的学生考勤系统便携式设备。该系统要求学生将他的指纹扫描到设备上以进行出勤处理，考勤数据仅存储在设备上。该设备没有直接连接到服务器，因此，讲师需要在课后手动将数据备份到服务器。此外，如果同时有许多类，则需要许多设备。Soewito等人（2015）提出了一种在Android智能手机上使用指纹和GPS与支付系统集成的员工考勤系统。该系统从用户智能手机上记录了指纹，出勤时间以及位置坐标，从而避免了排队和虚假出勤。但是，并非所有的Android智能手机都配备了指纹扫描仪。此外，在Android智能手机上通过GPS记录用户位置是不准确的，根据Bauer（2013）的说法，Android智能手机上的GPS与实际位置的偏差约为10–93m。因此，可以将不在办公室但仍离办公室足够近的员工记录为在场。除了Zainal等人（2016）提出的系统外，几乎所有基于指纹识别的考勤系统都没有报告识别准确性。27位学生的总识别时间约为7–9分钟的为85%。此外，基于指纹识别的考勤系统存在缺陷，据Zainal等（2016）报道，如果指纹被弄湿，弄脏或破裂，系统将无法识别。
Chintalapati和Raghunadh，2013年，Fuzail等人，2014年，Mehta和Tomar，2016年，Raghuwanshi和Swami，2017年，Sayeed等人，2017年，Wagh等人，2015年，Wati Mohamad Yusof等人，2018年提出了基于人脸识别的学生自动考勤系统。该系统使用相机一次捕获所有学生的面部（Fuzail等，2014；Mehta和Tomar，2016；Raghuwanshi和Swami，2017；Wagh等，2015）或一个接一个地捕获（Chintalapati和Raghunadh ，2013年，Sayeed等人，2017年，Wati Mohamad Yusof等人，2018年）。Chintalapati和Raghunadh（2013）使用主成分分析（PCA）和局部二进制模式（LBP）结合一些分类器来进行人脸识别，并通过使用LBP和欧氏距离对80名学生获得了78％的最佳识别精度。Sayeed等（2017）提出了一种基于PCA和欧氏距离的实时人脸识别考勤系统。Wati Mohamad Yusof等（2018）提出了一种使用人脸识别的基于互联网的实时考勤系统。该系统采用哈尔级联进行面部检测，并结合LBP进行面部识别。Chintalapati和Raghunadh（2013年，Sayeed等人，2017年，Wati Mohamad Yusof等人，2018年）提出的系统效率不高，因为它们仅使用一个摄像头来逐一捕获学生的面部图像。Fuzail等人，2014年；Wagh等人，2015年；Mehta和Tomar，2016年；Raghuwanshi和Swami（2017年）使用相机一次捕获了教室中所有学生的脸。此策略可以避免考勤过程中出现排队现象。但是，根据Raghuwanshi和Swami（2017）的报告，使用该策略的考勤系统的人脸识别精度较低，使用主成分分析（PCA）、欧氏距离和线性判别分析（LDA）分别为53.33％和60％。
使用条形码（Noor等，2015），QR码（Rahni等，2015），RFID（Arulogun等，2013，Bhalla等，2013，Hussain等，2014，Rjeib等，2018年）和NFC（Mohandes，2017年）是在考勤系统中记录学生身份的其它选择。Arulogun等人，2013，Bhalla等人，2013，Hussain等人，2014，Noor等人，2015，Rahni等人，2015，Rjeib等人，2018提出的系统中的出勤流程非常简单，学生只需要使用该系统扫描学生卡中包含的条形码，QR码或RFID即可记录出勤情况。在基于NFC的考勤系统中（Mohandes，2017年），学生进入教室时将其NFC手机放在讲座的NFC手机附近。此过程可能导致出勤过程中的长队，由于包含条形码，QR码或RFID的学生卡和NFC电话可以轻松地从一个学生转移到另一个学生，因此也可能出现假出勤。此外，并非所有智能手机都配备NFC系统。为了克服这个问题，可以考虑使用手掌静脉来识别出勤系统中的学生，这是Bayoumi等人（2015）提出的。但是，并非所有相机都可用于捕获手掌静脉的图像，此外，Bayoumi等人（2015）提出的考勤系统中手掌静脉识别的准确度仅为78％。因此，从目前自动考勤系统的现状可以发现，人脸识别是在考勤系统中识别学生的最佳方法。
当前，Android智能手机的数量正在迅速增长。几乎所有的学生都拥有配备相机的Android智能手机。根据Pratama（2017）的调查，2016年印度尼西亚95.24％的大学生拥有自己的智能手机。对此现象可开发基于Android智能手机的使用人脸识别的考勤系统。 通过实施这样的系统，可以避免在先前的自动考勤过程中出现的长队。但是，有必要创建一种机制来确保每个学生都真正参加该课程。此外，还需要提高面部识别的准确性，以确保该系统可用于具有大量学生的几门课程。
本文提出了一种基于人脸识别的考勤系统，该系统采用Android智能手机来捕获学生的人脸，然后将图像发送到服务器进行出勤处理。该系统已经进行了一些创新。首先，每个学生只需要使用他的Android智能手机捕获他的面部图像，就可以避免排长队。其次，在学生没有智能手机的情况下，没有智能手机的学生可以使用其他学生的智能手机来进行他的出勤。第三，提出的系统采用了一个简单的分类器来识别学生的面孔。最后，为了提高人脸识别的准确性，该系统仅在特定过程中使用了分类器。本文的其余部分安排如下：第2节介绍了拟议的考勤系统中使用的必需材料和方法，实验结果及其分析在第3节中介绍，最后，在第4节中得出结论。
2.材料与方法
2.1材料
用于开发提议的考勤系统的材料包括硬件，软件和面部图像数据集。硬件是Android智能手机，Raspberry Pi，显示器和计算机服务器。提议的考勤系统需要具有摄像头和互联网连接的Android智能手机4.3（Jelly Bean）或更高版本，才能由讲师打开考勤系统并处理学生的考勤。使用四核1.2 GHz Broadcom BCM2837 64位和1 GB RAM Raspberry Pi 3 Model B从服务器获取课程信息，并将其显示在教室前面的监视器上。服务器使用一台3.60 GHz GHz Intel（R）i7-7700和16 GB RAM的计算机，该计算机具有Ubuntu Linux 4.15.0-24版通用操作系统。
针对拟议的考勤系统开发了两个Android应用程序，一个用于讲师，一个用于学生。这些应用程序是在Android Studio中开发的。这些应用程序分别使用Volley（Developers，2018）和Android的HTTP库以及计算机视觉库OpenCV（Bradski，2000）和服务器视觉网络进行图像处理。用PHP语言开发了一个Web客户端应用程序，以请求Raspberry Pi从服务器请求有关开放式考勤系统的信息，并将该信息显示在教室前面的监视器上。在服务器端，还使用PHP语言开发了一个应用程序，用于与Android智能手机和Raspberry Pi进行通信。此外，为了在服务器中执行人脸识别和考勤处理任务，分别使用OpenCV（Bradski，2000）和Scikit-learn（Pedregosa等，2011）库开发了基于python的应用程序，用于图像处理和人脸图像分类。提议的的考勤系统中使用的所有数据均使用MySQL在服务器中进行管理。拟议的考勤系统使用两种连接类型：Wi-Fi连接（用于将Android智能手机和服务器连接）和LAN连接（用于将Raspberry Pi与服务器连接）。
2.2学生注册
课程中的每个学生都需要向考勤系统注册他的脸部图像和学生注册号。使用Android应用程序中针对学生的菜单，在与智能手机相机垂直的方向上以不同表情（包括正常，微笑，笑和悲伤）捕捉了每个学生的面部图像10次，如图1所示，学生需要确保考勤系统已检测到他脸部。该考勤系统采用Viola Jones算法（Viola和Jones，2004）来检测图像中的面部区域。一旦检测到他的脸，就要求捕获面部图像。在RGB颜色空间中捕获图像，并将其裁剪为224times;224像素，以使整个面部都包含在图像中，裁剪后的图像以PNG格式存储，并具有与学生注册号相关的唯一文件名。然后将图像上载到服务器以构建面部图像数据集。提议的系统自动执行了此过程，而无需系统管理员的干预。该服务器位于校园中，除了系统和系统管理员外，没有人可以访问面部图像数据库。因此，真正维护了面部图像数据库的机密性。
一些学生在非常低的光照强度下拍摄他的面部图像，因此，某些面部图像的亮度非常低。 所以从面部图像数据集中去除了此类图像。最终，创建了由4209张面部图像组成的面部图像数据集，并将其用于构建面部识别的分类器。这些图像来自于21个课程中注册的423名学生，一门课程的学生人数和面部图像分别在19至30和186至300之间。图2显示了数据集中的面部图像示例。作者已获得其论文中使用了脸部图像的学生的许可。
2.3考勤流程
该考勤系统的考勤过程包括以下几个步骤：从系统打开开始，然后是QR码生成，面部捕捉，面部识别和考勤处理。系统的体系结构和全局步骤如图3所示，详细说明如下。
2.3.1系统开启
要打开课程的考勤系统，课程讲师需要通过他的Android智能手机选择服务器提供的适当课程来启用系统，所选课程的数据通过http协议发送到服务器。开发了一个Android应用程序以帮助讲师采取这一步骤。从应用程序中，讲师还可以取消课程，更改课程表并获取学生出勤报告。该应用程序的用户界面如图4所示。
2.3.2 QR码生成
服务器收到有关某个课程的考勤系统打开的信息后，生成包含课程代码，讲师姓名和课程安排信息的二维码(https://www.simplesoftware.io/docs/simple-qrcode)。教室中的Raspberry Pi每分钟都会请求在教室中进行的课程的出勤系统的状态。如果讲师已经打开了考勤系统，则Raspberry Pi从服务器下载生成的QR码，并将其显示在教室前面的监视器上。 图5显示了显示的QR码的示例。
2.3.3人脸捕获
要进入打开的课程考勤系统，学生需要使用安装在他自己的Android智能手机上的考勤系统应用程序捕获显示的QR码，此过程用于获取已开放课程的信息并确保学生参加课程。为了最小化出勤过程中学生作弊的可能性，例如使用其他学生捕获的QR码，系统使用校园Intranet连接，该园区Intranet连接分为多个Wi-Fi网段，用于智能手机
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[236731]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
