本文介绍的基于人脸识别的考勤系统就是一种比较热门的系统直用。基于人脸识别的考勤系统的设计，能够彻底解决传统打卡钟、Ic卡考勤方式所经常出现的代打卡现象的出现.保证考勤数据的真实性，真正体现公开、公平和公正，从而进一步提高企业的管理效率和管理水平。
1 人脸识别的原理和方法
人脸识别技术主要涉及4个方面的功能：对获取的原始图片的预处理、人脸定位、人脸特征参数提取和人脸数据库比对识别。人脸照片的获取可以从摄像头拍照后进行获取图片，也可以直接从图片库中获取。图像预处理就是对获取得来的图像进行适当的处理，使它具有的特征能够在图像中明显地表现出来，采用的主要操作包括：光线补偿、图像灰度化、高斯平滑、图像对比度增强、均衡直方图等。人脸定位是将典型的脸部特征(如眼睛、鼻尖，嘴唇等)标记出来，在本系统中根据人脸的三庭五眼特性定位出眼睛，鼻尖和嘴巴3个特征。由于眼球颜色的特殊性和眼睛的对称性，因此可以很快标记出来。而鼻子是在眼睛下面 且嘴巴在鼻子下面，所以只要眼睛标记好，鼻子和嘴巴也能很好地标记出来。人脸特征参数的提取主要采取4个步骤进行：
① 提取两只眼睛的距离;
② 眼睛的倾角度;
③ 眼睛、嘴巴的重心;
④ 用一个矩形标出每一个特征。在特征提取完之后将得到的相应特征值作 后台数据库为下一步的识别做准备。人脸的识别是与库存中的特征向量进行比较，找出与特征最相近的参数，再对该参数进一步分析。如果分析在我们所确认的范围内，就确认该人的相关的信息。如果库存中没有，则给出提示是否对存库作为样本。
2 系统总体设计方案
本系统由摄像头、客户机、应用服务器和数据库服务器4部分组成，其系统结构图如图1所示。整个系统的设计以遵循TCP/IP协议的以太网作为传输媒介，通过一个HUB将分布在不同地方的摄像头和客户机连入局域网。摄像头主要进行人脸原始图像的采集，并通过网络传输至应用服务器。在应用服务器中可以进行获取人脸信息与数据库人脸信息的比对并根据已定的规则生成相应的记录。 [nextpage]
3 考勤系统的分模块设计方案与主要技术处理
根据人脸识别的技术方法，人脸识别考勤系统的 主要模块设计如图2所示，
包括6个功能模块。
3.1 获取人脸图像区域获取人脸图像是通过摄像头拍照后进行获取图片，获取后的图片可以在软件的界面中显示出来以方便进行识别。
系统对于图像中的人脸区域的获取，主要是根据肤色来进行获取，通过肤色非线形分段色彩变换来实现。这一非线性分段色彩变换得到的肤色模型属于色彩空间中的聚类模型，这一类肤色模型的建立首先要选取一种合适的色彩空间。本系统采用了文献[1]中的肤色模型。 [nextpage]
3.2 人脸图像预处理
人脸图像预处理模块主要完成如下的功能：
① 光线补偿：因为摄像头直接得到的图片可能会存在光线不平衡的情况，会影响对特征的提取，同时系统中要用到YcrCB色彩空间，所以有必要对图像进行光线补偿。尽可能将它的特征在图像中表现出来。
② 灰度化：图像灰度化的过程就是将彩色图像转换为黑白色图像，这样就可以将图像的信息更加具体、简单地表现出来。将图像灰度进行线性扩展，常能显著地改善图像的外观。灰度线性变换的计算式为：
式(1)中厂是原像素的灰度，g为变换后的灰度。该变换把属于 ，6]的灰度级变换至灰度区间[c， ]，而没有在 ，6]区间的原像素灰度将保持不变。这里 ，b，c，d，f，g均为Eo，255]之间的数值。可见，口被映射为C，b被映射为d。
③ 高斯平滑处理：高斯平滑是对图像进行平滑处理，在采集图像的过程中由于存在各种因素的影响，图像往往会出现一些不规则的噪声。如图像在传输、存储等都有可能产生数据的丢失，从而影响图像的质量。平滑处理可以降低图像的视觉噪声，同时除去图像中的高频部分后，可以使本来不明显的低频成分更容易被识别，系统中采用卷积来实现。经过卷积平滑水平投影后，二值化可以得到较好的效果图像。
④ 对比度增强：对比度增强，就是将对比度进一步拉开。 通过对图像的灰度值进行统计，对于比最小设定值小的则认为是有关的信息，则将它作为黑色处理，比最大设定值大的则认为是一些无关的信息，将它们去掉，而处于两者之间的，则进行对比度增强，将他们在总的灰度值里面的比例作为新的像素信息保存起来。
⑤ 二值化：通过二值化处理可以将采集获得的多层次灰度图像处理成二值图像，以便于分析理解和识别并减少计算量。二值化通过一个阈值改变图像中的像素颜色，令整幅图像画面内仅有黑白二值便于我们对特征的提取。本系统中采用组内方差和组外方差来实现二值化。
⑥ 直方图均衡：直方图均衡化就是使输入图像转换为在每一灰度级上都有相同的像素点数，把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。按照图像的概率密度函数(归一化到单位面积的直方图)的定义：
其中ID(z)为概率密度函数，H(z)为图像的直方图，A。为图像的面积。设转换前图像的概率密度函数为pr(r)，转换后图像的概率密度函数为 )，转换函数为 = (r)，由概率论知识，可以得到：
如果想使转换后图像的概率密度函数为1(即直方图是平的)则必须满足：
等式两边对r积分，可以得到：
该转换式被称为图像的累积分布函数。上面的公式是被归一化后推导的对于没有归一化的情况，只要求以最大的灰度值(DMax，对于灰度图就是(0 255)即可，灰度均衡的转换式为：
对于离散数据如果其像素灰度值D 在(minf，maxf)之间，转换的灰度范围为(0，255)则转换式为:
式中Ⅳ 为第i级灰度的像素个数，D 为像素灰度D 经过转换后得到的灰度。
3.3 人脸定位
人脸定位模块的实现主要进行了如下操作：① 颜色筛选：无论是眼睛还是嘴巴，都位于人脸的非肤色区域。而且眼睛的颜色是黑白分明，利用先验知识可以淘汰许多候选，减少PCA验证的负担。② 双眼的定位：把筛选过的特征区域两两配对，再用PCA模扳进行严整，就可以得到真正的双眼。③ 鼻子的定位：在确定了眼睛的位置以后，鼻子的位置基本确定，以眼睛的瞳距为1来计算，鼻子到两眼中心的距离为0.7～1。在这附近搜索颜色较深的区域，大致能得到鼻孔的位置。然后在两鼻孔上访一定范围内(鼻孔的距离的1/2左右)找亮度最高的点作为鼻尖。④ 嘴巴的定位：找到双眼之后，可以在它们的下方搜索候选特征区域，寻找非肤色面积较大、近似位于双眼对称的候选作为嘴巴。然后根据先验知识调整嘴巴的大小。
3.4 人脸参数获取及人脸识别
人脸特征参数的提取主要采取第二部分中的4个步骤进行获取，获得数据以后与数据库中的人脸特征向量进行比较，找出与特征最相近的参数，再对该参数进一步分析，确认该人的相关的信息。
4 后台数据库设计与应用服务器
系统在数据库服务器上的关系数据库使用了SQL Server，数据库中的信息主要包括员工的基本信息、员工的人脸特征信息、考勤记录等。其中，员工的人脸特征信息存储着员工人脸的特征信息参数，是与获得的人脸特征参数进行比对的基础，为了提高对比的效率可以在人脸特征信息字段上建立索引。考勤记录用于记录员工出勤、迟到和早退等考勤结果数据，它是应用服务器根据一定的考勤规则所得出的结果，也是管理人员查询统计的基础。应用服务器是用来运行考勤系统的。可以在应用服务器上录入以及修改员工的基本信息，包括录入人脸的特征信息并将其存人后台数据库中。同时考勤系统在应用服务器上还提供了考勤统计查询，考勤管理，考勤维护等功能。
5 结束语
系统在实践中，能够稳定、快速、准确地识别出对应员工完成考勤任务。利用人脸识别考勤系统，从根本上解决了普通打卡等考勤方式中出现的代打等问题。而且由于它的非接触性，只要员工正面站在摄像头前就能快速地完成考勤，大大提高了企业管理的效率和水平。
a&s是国际知名展览公司——德国法兰克福展览集团旗下专业的自动化&安全生态服务平台，为智慧安防、智慧生活、智能交通、智能建筑、IT通讯&网络等从业者提供市场分析、技术资讯、方案评估、行业预测等，为读者搭建专业的行业交流平台。
粤公网安备 44030402000264号
