王曉亞，封 筠

（石家莊鐵道大學(xué) 信息科學(xué)與技術(shù)學(xué)院，河北 石家莊 050043）

過去的考勤系統(tǒng)大多為打卡機(jī)，代打卡現(xiàn)象極為嚴(yán)重，隨著社會(huì)的發(fā)展人臉考勤系統(tǒng)應(yīng)運(yùn)而生。生物特征，如面部特征、指紋等是人身體固有的部分，其不易發(fā)生明顯變化，所以基于生物特征的識別被越來越廣泛的應(yīng)用到生活中的方方面面。公司智能化考勤就是生物特征識別的一方面重要應(yīng)用。

目前我國的人臉識別考勤機(jī)已趨向于成熟，漢王、金典、中控等品牌的人臉考勤機(jī)在市面都可以買到，且價(jià)格從幾百到幾萬不等，造成價(jià)格差距大的主要原因有準(zhǔn)確率、識別速度、員工容量的大小、記錄數(shù)據(jù)容量的大小、屏幕分辨率、硬件和攝像頭等的不同?；谝陨峡紤]，筆者給出一種人臉識別考勤系統(tǒng)設(shè)計(jì)方案。

1 人臉識別關(guān)鍵技術(shù)

人臉識別技術(shù)在20世紀(jì)60年代末開始被研究，Bledsoe等人根據(jù)人臉部的特征點(diǎn)比例、間距等為特征參數(shù)，建立了第一個(gè)半自動(dòng)人臉識別系統(tǒng)，開啟了人臉識別研究的先河。我國的人臉識別研究是在80年代開始慢慢發(fā)展起來的，主要研究集中在三類方法上：基于幾何特征、基于特征和基于神經(jīng)網(wǎng)絡(luò)的識別。張俊等人提出通過對特征點(diǎn)信息的提取進(jìn)行人臉識別，首先檢測特征點(diǎn)，由區(qū)域點(diǎn)的投影曲線來決定，根據(jù)構(gòu)造的位移、大小、旋轉(zhuǎn)等不變的特征向量對人臉的進(jìn)行描述。基于代數(shù)特征識別方法：彭輝、張長水等人對方法Eigenface做了提高，用類間散布矩陣做為新產(chǎn)生的矩陣，降低了維數(shù)，在識別率不變的前提下使運(yùn)算量大大降低?；谏窠?jīng)網(wǎng)絡(luò)的識別方法：張輝等人采用權(quán)值和去冗余正交結(jié)合，對稱主元分析神經(jīng)網(wǎng)絡(luò)的方法，進(jìn)行特征提取和識別［1］。

人臉識別是利用生物特征技術(shù)對圖像或視頻檢測人臉，提取人臉的特征并進(jìn)行判別的一種身份識別技術(shù)。本文提出一種人臉識別考勤系統(tǒng)的設(shè)計(jì)方案，此系統(tǒng)分為兩個(gè)子系統(tǒng)，分別為人臉識別子系統(tǒng)和考勤管理子系統(tǒng)。人臉識別子系統(tǒng)首先使用opencv函數(shù)庫從攝像頭獲取一段視頻，從獲取的視頻中利用Adaboost算法檢測人臉，對檢測出的人臉圖像進(jìn)行幾何校正、中值濾波、直方圖均衡化、圖像縮放等歸一化處理，對處理好的人臉圖像用梯度方向直方圖（Histogram of Oriented Gradient，HOG）進(jìn)行特征提取，主元分析方法（principal component analysis，PCA）與線性判別分析（Linear Discriminant analysis，LDA）相結(jié)合實(shí)現(xiàn)降維的過程，并根據(jù)所提取出的人臉特征向量與人臉數(shù)據(jù)庫中的人臉特征向量利用最近鄰方法進(jìn)行比對，識別出結(jié)果。人臉識別子系統(tǒng)架構(gòu)圖如圖1所示。

圖1 人臉識別子系統(tǒng)框架圖

1.1 人臉檢測

人臉檢測是在一副圖像或視頻中快速而準(zhǔn)確的將人的臉部檢測出來。人臉檢測是人臉識別基礎(chǔ)，直接影響著整個(gè)系統(tǒng)的性能，其主要方法有：基于先驗(yàn)知識的人臉檢測方法、基于模板匹配的人臉檢測方法和基于統(tǒng)計(jì)學(xué)習(xí)的人臉檢測方法。

本系統(tǒng)采用的人臉檢測方法是Adaboost算法，即自適應(yīng)Boosting算法，它屬于基于統(tǒng)計(jì)學(xué)習(xí)的人臉檢測方法，是一種比較成熟且有效算法。Adaboost算法是一種分類器算法，它是把許多弱分類器疊加（boost）起來，組成一個(gè)強(qiáng)分類器，再把這些疊加得到的強(qiáng)分類器串聯(lián)成分級分類器。系統(tǒng)檢測的錯(cuò)誤率和檢測速度由串聯(lián)的級數(shù)決定［2］。Adaboost算法的優(yōu)點(diǎn)有：運(yùn)用便捷，只需要對訓(xùn)練輪數(shù)進(jìn)行設(shè)置；分級分類器的設(shè)計(jì)采用“先重后輕”的思想，大大的提高了算法的運(yùn)算速度；關(guān)于弱分類器的先驗(yàn)知識不需要進(jìn)行了解；在弱分類器的構(gòu)成上，兼容多種方法，如最近鄰分類器等；對分類器的性能要求不高，降低了算法的復(fù)雜度。

Adaboost算法的流程［2］：

（1）求積分圖，利用Haar－like矩形特征計(jì)算；

（2）分類器學(xué)習(xí)：由m個(gè)容易構(gòu)造且簡單的弱分類器組合成一個(gè)復(fù)雜的非線性強(qiáng)分類器，強(qiáng)分類器的計(jì)算公式：

（3）將強(qiáng)分類器串聯(lián)在一起形成分級分類器。

1.2 特征提取

特征提取是通過一系列方法得到能夠代表人臉特征數(shù)據(jù)的過程，它是人臉識別過程的核心，直接決定著本次實(shí)驗(yàn)的成功與否。本設(shè)計(jì)采用HOG特征提取，主元分析方法PCA與線性判別分析LDA相結(jié)合降維的方法實(shí)現(xiàn)特征提取的過程。

1.2.1 HOG特征提取

HOG特征提取的基本思想是對圖像的局部目標(biāo)形狀和特征能夠用邊緣或梯度方向密度分布來進(jìn)行描繪。下面為HOG特征提取的過程［3］：

（1）對人臉圖像進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化，使其成為大小為80×80的灰度圖像；

（2）把塊的大小設(shè)置為8×8，則細(xì)胞單元的大小為4×4，即把大小為80×80的人臉灰度圖像劃分為64個(gè)細(xì)胞單元；

（3）設(shè)置塊的水平、豎直移動(dòng)步長均為8，即各塊之間無重疊；

（4）對人臉圖像上的每個(gè)像素點(diǎn)按以下公式（1）和公式（2）計(jì)算梯度的方向和幅值，其中I（x，y）是圖像在（x，y）點(diǎn)處的像素值，把梯度方向［0，180°］平均分成9份

（5）計(jì)算每個(gè)細(xì)胞單元內(nèi)部像素點(diǎn)的梯度方向直方圖，則可以得到一個(gè)9維的向量。由此可得到每個(gè)塊的36維的向量，把每個(gè)塊的向量依次串聯(lián)起來，就可以得到人臉圖像樣本的特征向量；

由上述得到的特征向量維數(shù)為36維×100塊＝3600維，這么高的特征向量維數(shù)降低了人臉識別的效率，采用PCA＋LDA的方法降維。

1.2.2 PCA＋LDA降維

PCA是通過一系列線性變換，得到最優(yōu)的單位正交向量基，用其建立新的數(shù)據(jù)，使原數(shù)據(jù)和新數(shù)據(jù)的均方誤差最?。?］。通過PCA降維后，樣本的特征冗余大大降低，同時(shí)保留許多原始信息，并且模式樣本相關(guān)性被消除了。具體步驟為［3］：

（1）計(jì)算每個(gè)訓(xùn)練樣本的平均值，把每個(gè)訓(xùn)練樣本和均值相減，構(gòu)造差值矩陣，根據(jù)差值矩陣得到樣本的協(xié)方差矩陣；

（2）計(jì)算前D個(gè)協(xié)方差矩陣的特征值和特征向量；

（3）將原圖像投影到各個(gè)特征向量上，把這D個(gè)投影的大小組成的新向量即得到降維后的特征向量；

LDA是一種整體特征提取算法，該算法的目的是尋找一種方法使得在降維后特征子空間中類間距離最大并且類內(nèi)距離最小，即把不同的類分開，相同的類聚緊密，其是一種非常有效的，適用于小樣本的特征抽取方法。具體步驟為［5］：

（1）計(jì)算每個(gè)訓(xùn)練樣本的平均值；

（2）計(jì)算類內(nèi)均值；

（3）用所在類別的均值與訓(xùn)練樣本特征向量相減，得到差值向量；

（4）計(jì)算類內(nèi)離散度和類間離散度；

（5）最大化類間離散度并且最小化類內(nèi)離散度；

由于LDA只能用于小樣本的特征抽取，故必須先用PCA進(jìn)行降維。用HOG特征提取到的特征向量與PCA得到的矩陣和LDA得到的矩陣相乘，即得到最終特征提取到的特征向量。

1.3 特征比對

特征比對是把特征提取得到的特征向量與人臉數(shù)據(jù)庫中的圖片的特征向量進(jìn)行比對，最相近的即為識別出的人臉［5］。采用的特征比對方法是最近鄰方法，它的判定的準(zhǔn)則是最短歐幾里得距離，具體步驟為：

（1）在分類器中輸入待測樣本；

（2）循環(huán)計(jì)算輸入的待測樣本與所有訓(xùn)練樣本之間的歐式距離；

（3）找到與待測樣本之間歐式距離最短的訓(xùn)練樣本；

（4）判別訓(xùn)練樣本所在的類，此類即為待測樣本所屬的類；

設(shè)樣本有N個(gè)類別，每個(gè)類別有M個(gè)樣本Xki，則共有M×N個(gè)樣本。用公式（3）和（4）求得待測樣本與每個(gè)訓(xùn)練樣本之間的歐氏距離，并找出與待測樣本距離最短的訓(xùn)練樣本：

最近鄰算法的主要優(yōu)點(diǎn)有：算法思路簡單、清晰，容易實(shí)現(xiàn)且比對速度快，分類正確率高、泛化性能好。

2 人臉識別考勤系統(tǒng)設(shè)計(jì)

人臉識別考勤系統(tǒng)分為兩個(gè)子系統(tǒng)，考勤管理子系統(tǒng)和人臉識別子系統(tǒng)。人臉識別子系統(tǒng)利用Adaboost算法檢測人臉，對檢測出的人臉圖像進(jìn)行幾何校正、中值濾波、直方圖均衡化、圖像縮放等一系列處理，處理好的人臉圖像利用HOG＋PCA＋LDA相結(jié)合實(shí)現(xiàn)特征提取，根據(jù)所提取出的人臉特征向量與特征庫中的人臉特征向量利用最近鄰方法進(jìn)行比對，得出識別結(jié)果。員工每天上下班通過人臉識別考勤子系統(tǒng)簽到、簽退，將得到的個(gè)人信息和簽到、簽退時(shí)間數(shù)據(jù)及時(shí)傳到考勤數(shù)據(jù)庫中，以便考勤管理子系統(tǒng)使用。

考勤管理子系統(tǒng)主要包括員工信息管理、考勤規(guī)則制定、考勤記錄查詢、考勤數(shù)據(jù)統(tǒng)計(jì)等功能。員工信息管理：普通用戶和管理員，普通用戶可更改自己密碼、查詢自己基本信息、假期及考勤記錄，管理員可以添加錄入新用戶信息即初始化員工信息，包括對員工的工號、姓名、性別、出生年月、籍貫、入職日期、照片這些信息的錄入；考勤規(guī)則制定：管理員根據(jù)國家法定日的安排及本公司的情況制定考勤規(guī)則，并把考勤規(guī)則發(fā)布，以便普通用戶查詢放假安排；考勤記錄查詢：用戶可以登錄、查詢自己最近兩個(gè)月的考勤情況；考勤數(shù)據(jù)統(tǒng)計(jì)：管理員按照按個(gè)人統(tǒng)計(jì)、按時(shí)段統(tǒng)計(jì)、按部門統(tǒng)計(jì)三種方式根據(jù)考勤數(shù)據(jù)庫中的員工簽到、簽退數(shù)據(jù)統(tǒng)計(jì)分析，每個(gè)月末管理員對員工本月的出勤情況進(jìn)行匯總統(tǒng)計(jì)并生成報(bào)表，系統(tǒng)功能框圖如圖2所示。

圖2 系統(tǒng)功能框圖

數(shù)據(jù)庫的設(shè)計(jì)應(yīng)使數(shù)據(jù)庫表有足夠小的數(shù)據(jù)冗余，用來保證數(shù)據(jù)庫可以高效率的存儲(chǔ)，系統(tǒng)的數(shù)據(jù)庫表主要有員工基本信息表、員工考勤信息表、人臉樣本信息表、用戶權(quán)限表，下面表1為數(shù)據(jù)庫表的設(shè)計(jì)：

本人臉識別考勤系統(tǒng)使用的工具：opencv函數(shù)庫（Open Source Computer Vision Library），Microsoft Visual Studio 2008開發(fā)平臺，MySQL后臺數(shù)據(jù)庫，Qt設(shè)計(jì)系統(tǒng)界面。

表1 數(shù)據(jù)庫表

3 結(jié)束語

本文設(shè)計(jì)了一種應(yīng)用于公司的人臉識別考勤方案。利用被廣泛應(yīng)用且技術(shù)較成熟的Adaboost算法進(jìn)行人臉檢測，采用HOG＋PCA＋LDA相融合的算法進(jìn)行特征提取，其中HOG特征提取是對檢測出的人臉圖像梯度方向和大小統(tǒng)計(jì)信息的描述，PCA＋LDA解決特征空間維數(shù)高的問題，將人臉圖像高維特征用低維空間特征表示。

［1］李耀東.自動(dòng)人臉識別技術(shù)綜述［J］.計(jì)算機(jī)科學(xué)，2002，29（12）：1－11.

［2］孔凡芝.基于Adaboost和支持向量機(jī)的人臉識別系統(tǒng)研究［D］.哈爾濱：哈爾濱工程大學(xué)，2013.

［3］慕春雷.基于HOG特征的人臉識別系統(tǒng)研究［D］.成都：電子科技大學(xué)，2013.

［4］M.Turk and A.P.Pentland.Face Recognition Using Eigenfaces［C］.IEEE Conference on Computer Vision and Pattern Recognition，Maui，Hawaii，1991，586－591.

［5］章毓晉.基于子空間的人臉識別［M］.北京：清華大學(xué)出版社，2009.