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的使用人脸识别的课程考勤系统

作者 Dwi Sunaryono Joko Siswantoro Radityo Anggoro

院系 泗水大学信息工程系

基于Android的使用人脸识别的课程考勤系统

Dwi Sunaryono Joko Siswantoro Radityo Anggoro

泗水大学信息工程系

摘要 需要学生出勤系统来衡量学生参加课程。 已经基于生物识别，条形码，QR码和近场通信移动设备提出了几种自动考勤系统。 然而，先前的系统在处理时间方面效率低并且精度低。 本文旨在提出一种基于Android的人脸识别课程考勤系统。 为确保学生参加课程，QR码包含课程信息，并在教室前面显示。 学生只需要使用他/她的智能手机捕捉他/她的脸部图像并显示QR码。 然后将图像发送到服务器以进行出勤过程。 实验结果表明，所提考勤系统采用线性判别分析，人脸识别准确度达到97.29，只需0.000096s即可识别服务器中

的人脸图像。

关键词 课程考勤系统人脸识别 Android智能手机

1.简介

学生出勤是学生在课程中取得成功的重要因素。考勤是教学生活中不可缺少的一环。无论是小学中学或者是大学，这都是评定成绩一个重要指标。在大学生活中，学生参加课程课程数也被视为学生参加考试的要求之一。记录学生出勤率的传统方法是通过要求每个学生在讲座开始时签署通过所有学生的出勤名单来进行。然而，这种方法在时间上是低效的，并且可能潜在地导致欺诈，尤其是在大班级中，其中学生可以在出席列表中为在班级中不存在的其他学生签名。为了避免欺诈行为的发生，有时讲师会逐一列出在出席名单上签名的学生的姓名。这种方法将占用讲座时间，并将对讲座的有效性产生影响。记录出勤率的现代方法是使用自动考勤系统。

因此有人提出以下自动出勤系统─生物识别，如指纹识别（Mohamed和Raghu，2012; Rao和Satoa，2013; Soewito等，2015; Zainal等，2016; Zainal等，2014），人脸识别（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）和手掌静脉识别（bayoumi等人，2015）识别在场的学生并记录他们的出勤率。其他提议的考勤系统使用条形码（Noor等，2015），QR码（Rahni等，2015），RFID（Arulogun等，2013; Bhalla等，2013; Hussain等，2014; Rjeib等，2018）和近场通信（NFC）移动设备（Mohandes，2017），以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，2016,2014）和智能手机（Islam，et al，2017; Mohandes，2017; Noor等，2015; Rahni等。 2015; Soewito等，2015）每次办理入住和退房手续时，员工都需要扫描指纹以记录出勤情况。基于细节的匹配与基于对齐的匹配相结合用于识别所提出的考勤系统中的扫描指纹。虽然开发者报告说所提出的系统易于使用且成本低，但所提出的系统不适合课程注意系统，因为如果同时存在大量不同的种类，则系统需要大量指纹录音设备。此外，如果课程中有大量学生，那么系统将导致长时间的累计队列。 Rao和Satoa（2013），Zainal等。 （2016年，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。建议的系统要求学生将他/她的指纹扫描到设备上以进行出勤过程。出勤数据仅存储在设备上。设备没有直接连接到服务器，因为讲师需要在课时后手动将数据备份到服务器。

Soewito，et al （2015）在Android智能手机上提出了使用指纹和GPS与支付系统集成的员工考勤系统。从用户智能手机，系统记录指纹，考勤时间和智能手机上可用的GPS位置坐标，以避免长队和假出勤。但并非所有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偏离了实际位置大约10-93米。因此，办公室外但仍然离办公室足够近的员工可以记录在场。基于指纹识别的几乎所有提出的考勤系统都没有报告识别准确性，除了Zainal等人提出的系统。 （2016年），这是85％，27名学生的总识别时间约为7-9分钟。而且，基于指纹识别的考勤系统存在缺陷。正如Zainal等人报道的那样。 （2016），如果指纹是潮湿，脏污或破损，则系统无法识别。

Chintalapati和Raghunadh Fuzail梅塔和托马尔（2016年）; Raghuwanshi和Swami; Sayeed协同Wagh; Wati Mohamad Yusof等人于2018年提出了一种基于人脸识别的自动化学生考勤系统。拟议的系统使用相机同时捕捉所有学生的面部（Fuzail，2014; Mehta和Tomar，2016; Raghuwanshi和Swami，2017; Wagh 2015） Chintalapati和Raghunadh（2013）将主成分分析（PCA）和局部二元模式（LBP）与一些分类器结合用于人脸识别，并通过使用LBP和欧几里德距离为80名学生实现了78％的最佳分类准确度。 Sayeed等人（2017）提出了使用PCA和欧几里德距离进行考勤系统的实时人脸识别。 Wati Mohamad Yusof等人（2018）提出了一种使用面部识别的基于因特网的实时参与系统。所提出的系统使用Haar-cascade进行人脸检测，使用LBP进行人脸识别。 Chintalapati和Raghunadh（2013）提出的系统; Sayeed等人。 Wati Mohamad Yusof（2018）设计的考勤系统效率不高，因为他们只使用相机逐个捕捉学生的脸部图像。 Fuzail （2015年），Mehta和Tomar（2016年）以及Raghuwanshi和Swami（2017年）等使用相机同时捕捉课堂上所有学生的面孔。这种策略可以避免在出勤期间排队。然而，正如Raghuwanshi和Swami（2017）报告的那样，使用该策略的考勤系统在面部识别方面的准确性较低，使用主成分分析（PCA）和欧几里德距离和线性判别分析（LDA）。他们分别为53.33％和60％。使用条形码（Noor等，2015），QR码Rahni等。

RFID（Arulogun，2013; Bhalla，2013; Hussain，2014; Rjeib，2018）和NFC（Mohandes，2017）是记录学生身份的另一种选择的考勤系统。

而Arulogun等人提出的系统中的出勤过程非常简单，学生只需要使用系统扫描包含条形码，QR码或RFID的学生卡来记录出勤率。在基于NFC的考勤系统（Mohandes，2017）中，学生们通过讲座的NFC手机附近的NFC手机进入教室。此过程可能导致出勤过程中排长队。由于包含条形码，RFID和NFC电话的QR码或学生卡可以轻松地从一个学生转移到另一个学生，因此也可能出现错误的出勤。此外，并非所有智能手机都配备NFC系统。为了克服这个问题，考虑使用手掌静脉识别Bayoumi等人提出的考勤系统中的学生。 （2015年）。然而，并非所有相机都可用于捕获手掌静脉的图像。此外，Bayoumi等人提出的考勤系统中手掌静脉识别的准确性。 2015年仅为78％。因此，从现有的自动考勤系统的现有技术中可以发现，面部识别是识别考勤系统中学生的最佳方法。

目前，Android智能手机的数量正在增长迅速。几乎所有学生都有配备相机的Android智能手机。根据Pratama（2017），印度尼西亚95.24％的大学生在2016年拥有自己的智能手机。这种现象可用于通过Android智能手机开发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出勤过程中出现错误。但是，有必要建立一种机制来确保每个学生真正参加课程。此外，还需要提高人脸识别的准确性，以保证系统可以在大量学生的多个课程中实施。

因此本文提出了一种使用人脸识别的考勤系统通过使用Android智能手机捕捉学生的脸，然后将图像发送到服务器以进行考勤。在所提出的系统中已经进行了一些创新。首先，每个学生只需要使用他/她的Android智能手机捕捉他/她的脸部图像，以避免排长队。其次，如果学生没有智能手机，建议的系统设计为没有智能手机的学生可以使用其他学生的智能手机来处理他/她的出勤。第三，所提出的系统采用简单的分类器来识别学生的面部。最后，为了提高人脸识别的准确性，所提出的系统仅在某一过程中使用了分类器。本文的其余部分安排如下。第2节描述了所提出的参与系统中使用的所需材料和方法。实验结果及其分析在第3节中给出。最后，结论在第4节中给出。

材料和方法

2.1材料

用于开发所提出的考勤系统的材料包括硬件，软件和面部图像数据集等。 硬件是Android智能手机，Raspberry Pi，显示器和计算机服务器。 建议的考勤系统需要Android智能手机4.3（Jelly Bean）或更高版本的相机和互联网连接，以便由讲师打开考勤系统并处理学生出勤。 使用四核1.2 GHz Broad-com 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。 使用具有Ubuntu Linux版本4.15.0-24通用操作系统的3.60GHzIntel（R）Core（TM）i7-7700和16GB RAM计算机作为服务器。

为拟议的考勤系统开发了两个Android应用程序，一个用于教师，一个用于学生。这些应用程序是在Android Studio中开发的。这些应用程序采用了Volley（Developers，2018），一个用于Android的HTTP库，以及OpenCV（Bradski，2000），一个计算机视觉库，分别用于与服务器和图像处理联网。 Web客户端应用程序是用PHP语言开发的，用于从服务器请求Raspberry Pi打开的考勤系统的信息，并在教室前面的监视器上显示信息。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，分别采用OpenCV（Bradski，2000）和Scikit-learn（Pedregosa等，2011）库进行图像处理和人脸图像分类，开发了基于python的应用程序。 。建议的考勤系统中使用的所有数据都是使用MySQL在服务器中管理的。建议的考勤系统使用两种连接类型，Wi-Fi连接，连接Android智能手机和服务器，以及LAN连接，将Raspberry Pi连接到服务器。

2.2学生注册

课程中的每个学生都需要将他/她的面部图像和学生注册号登记到考勤系统。每个学生的面部图像在垂直方向上被捕获10次到智能手机相机，具有不同的表现，包括正常，微笑，大笑和悲伤，使用Android应用程序中的菜单为学生，如图所示，在捕捉他/她的面部图像之前，学生需要确保他/她的面部已被出勤系统检测到。提出的考勤系统采用Viola Jones算法（Viola和Jones，2004）来检测图像中的面部区域。一旦他/她的脸检测到，学生被要求捕捉他/她的脸部图像。图像在RGB色彩空间中捕获并裁剪成一个224 224像素使得整个面部包含在图像中。裁剪后的图像以PNG格式存储，其中包含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。该服务位于校园内。该过程由建议的系统自动执行，无需系统管理员的任何干预。服务器位于校园内，除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，真正保持了面部图像数据库的机密性。

图2.1 学生注册申请

学生们以极低的光照强度拍摄了他/她的脸部图像。 因此，一些脸部图像的强度非常低。 因此，从脸部图像数据集中移除了这样的图像。 最后，创建由4209个面部图像组成的面部图像数据集，并将用于构建用于面部识别的分类器。 这些图像来自423名注册了21门课程的学生。 课程中学生和面部图像的数量分别为19到30和186到300之间。 图2示出了数据集中的面部图像的实例。 作者已经获得了在他的论文中使用面部图像的学生的许可。

图2.2数据集中的面部图像示例

2.3.Attendance过程

模拟考勤系统的出勤过程包括从系统开放开始的几个步骤，然后是QR码生成，人脸捕捉，人脸识别和参与处理。 提出的考勤系统的体系结构和全局步骤如图3所示，详细说明如下。

图2.3拟议考勤系统的架构和全球步骤

2.3.1系统开放

要打开课程的考勤系统，课程讲师需要通过选择服务器提供的适当课程，通过他/她的Android智能手机启用系统。 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，以方便讲师采取这一步骤。 从申请讲师也可以取消课程，更改课程安排，并获得学生出勤报告。 应用程序的用户界面如图4所示。

图2.4讲师申请

2.3.2 QR代码生成

一旦服务器收到有关特定课程的考勤系统开放的信息，服务器生成的QR代码包含有关课程代码，讲师姓

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[20421]，资料为PDF文档或Word文档，PDF文档可免费转换为Word