插圖清單TOC\h\z\c"圖1."圖3.1系統(tǒng)工作流程圖 9圖3.2CASIA_FaceV5數(shù)據(jù)集文件結(jié)構(gòu) 10圖3.3CASIA_FaceV5數(shù)據(jù)集樣本圖片 10TOC\h\z\c"圖2."圖3.4Viola-Jones算法調(diào)用示例 11圖3.5人臉檢測結(jié)果 12圖3.6圖像預(yù)處理流程 12圖3.7圖像預(yù)處理部分代碼示例 13圖3.8圖像處理前后對比示例 13圖3.9卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 15圖4.11ImageAcquisitionToolbox安裝包 18圖4.2設(shè)備識別成功截圖 19圖4.3系統(tǒng)啟動與登錄界面 19圖4.4系統(tǒng)訓(xùn)練界面 20圖4.5CASIA_Face數(shù)據(jù)集圖像示例 21圖4.6靜態(tài)圖像識別界面 22圖4.7非庫內(nèi)圖像識別提示 22圖4.8庫內(nèi)人臉識別界面 23圖4.9非庫內(nèi)人臉識別界面 24圖4.10打卡次數(shù)統(tǒng)計(jì)界面 25圖4.11Excel數(shù)據(jù)表格 25圖5.1人臉檢測與預(yù)處理時(shí)間 28圖5.2內(nèi)存使用情況 28圖5.3訓(xùn)練進(jìn)程曲線圖 291緒論研究背景計(jì)算機(jī)視覺技術(shù)相對于傳統(tǒng)的生物識別技術(shù)，如指紋識別、虹膜識別等，人臉識別技術(shù)具有非侵入性、便捷性、高效性等特點(diǎn)，且能夠在用戶不主動配合的情況下進(jìn)行自動化識別，正是由于人臉識別技術(shù)的這些優(yōu)異特性，使其被應(yīng)用到了各行各業(yè)中，尤其是在教育領(lǐng)域，人臉識別作為自動化考勤系統(tǒng)的重要組成部分，不僅提高了課堂教學(xué)管理的效率，還大大降低了人工錯(cuò)漏，在提高數(shù)據(jù)準(zhǔn)確性和可靠性的同時(shí)，也提高了教育管理的現(xiàn)代化水平。而在人臉識別過程中，人臉識別系統(tǒng)會受到各種環(huán)境因素的影響，如光照程度、表情、姿勢等。人臉識別如何提高其魯棒性和識別精度是一個(gè)重要的問題。陳秀端在2021年提出了一種基于Gabor變換方法和主成分分析(principalcomponentanalysis,PCA)算法結(jié)合的方法，以提高人臉識別系統(tǒng)在復(fù)雜環(huán)境下的魯棒性和識別精度。上述研究表明，Gabor變換能夠有效地提取人臉紋理信息，而PCA算法是一種用來降低數(shù)據(jù)維數(shù)的算法，能夠減少外部干擾。通過結(jié)合兩種算法，可以提高人臉識別的準(zhǔn)確度[1]。隨著深度學(xué)習(xí)的突飛猛進(jìn)，MATLAB軟件成為了做人臉識別技術(shù)實(shí)施的重要工具之一。邵燚等（2022）利用了MATLAB平臺的人臉識別系統(tǒng)程序，使用深度學(xué)習(xí)工具箱提取人臉特征，識別人體面部。通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks,CNN）模型，從龐雜的圖像數(shù)據(jù)中提取有效特征，從而實(shí)現(xiàn)人臉識別[3]。王慧等（2022）同樣采用MATLAB軟件，提出了基于Gabor變換和PCA算法的人臉識別新方法。該方法提出了對特征提取的降維處理，保證了所提模型對人臉識別的高準(zhǔn)確度以及對于不同環(huán)境具有更好的魯棒性[4]。

研究目標(biāo)設(shè)計(jì)出一個(gè)基于MATLAB的人臉圖像考勤系統(tǒng)，結(jié)合人臉識別技術(shù)來提高人臉圖像考勤系統(tǒng)的考勤效率和準(zhǔn)確性。本設(shè)計(jì)要達(dá)到的主要目的是以下幾方面。實(shí)現(xiàn)人臉識別功能:基于MATLAB開發(fā)卷積神經(jīng)網(wǎng)絡(luò)(CNN)的人臉識別模塊，實(shí)現(xiàn)對員工或者學(xué)生的面部特征識別以及相關(guān)身份驗(yàn)證。改進(jìn)圖像處理過程：對采集到的圖像進(jìn)行預(yù)處理，執(zhí)行圖像裁剪、圖像大小歸一化、灰度化等操作，提升識別精度。設(shè)計(jì)考勤信息統(tǒng)計(jì)系統(tǒng)：設(shè)計(jì)考勤信息統(tǒng)計(jì)系統(tǒng)，可以實(shí)現(xiàn)每個(gè)學(xué)生的出勤情況自動記錄、考勤統(tǒng)計(jì)報(bào)告生成等。實(shí)現(xiàn)用戶友好界面：設(shè)計(jì)簡潔友好的圖形用戶界面，用于管理員進(jìn)行系統(tǒng)操作和顯示識別結(jié)果。研究意義設(shè)計(jì)實(shí)現(xiàn)一套基于MATLAB的人臉圖像自動考勤系統(tǒng)，具有較高的學(xué)術(shù)價(jià)值和現(xiàn)實(shí)意義。隨著信息技術(shù)的飛速發(fā)展，傳統(tǒng)的考勤管理系統(tǒng)不僅浪費(fèi)時(shí)間消耗人力，而且經(jīng)常出錯(cuò)。采用人臉識別技術(shù)不僅可以避免人工誤差，而且可以及時(shí)準(zhǔn)確地將學(xué)生的出勤信息記錄下來。此外，本系統(tǒng)對教育信息化、智慧化的發(fā)展具有積極影響。在課堂管理方面，由于教育管理逐步向數(shù)字化、智慧化發(fā)展，提供了一種實(shí)際可用的解決方案，而且由于采用MATLAB平臺，所提供的技術(shù)支持，使得人臉識別技術(shù)應(yīng)用于考勤管理，大大地提高了課堂管理的自動化水平，所提出的系統(tǒng)為其他類似考勤管理系統(tǒng)提供了技術(shù)參考，具有較大的應(yīng)用和推廣價(jià)值。1.4國內(nèi)外研究現(xiàn)狀1.4.1國內(nèi)研究現(xiàn)狀目前，國內(nèi)對于基于人臉識別技術(shù)的考勤系統(tǒng)相關(guān)研究較多，研究領(lǐng)域不斷擴(kuò)展，技術(shù)路線呈現(xiàn)多元化發(fā)展趨勢。隨著應(yīng)用需求的不斷深化，人臉識別技術(shù)在我國考勤系統(tǒng)領(lǐng)域的應(yīng)用呈現(xiàn)多元化發(fā)展趨勢。人臉識別作為非接觸式身份識別技術(shù)，具有自然、快捷的特點(diǎn)，目前已經(jīng)廣泛地應(yīng)用于教育、企事業(yè)單位以及遠(yuǎn)程管理等領(lǐng)域，成為智能考勤的重要方式之一。杜旭然（2023）著眼于高效的人臉識別系統(tǒng)，提出了一種基于輕量化卷積神經(jīng)網(wǎng)絡(luò)和表示學(xué)習(xí)的通用人臉識別方法，實(shí)現(xiàn)了在不損失準(zhǔn)確率的情況下降低資源開銷，適合于部署在各種計(jì)算資源有限的實(shí)際場景。目前，經(jīng)典的課堂出勤工作流中，付迎迎等人（2024）提出了一套集目標(biāo)探測和臉部識別為一體的智能識別系統(tǒng)，其在復(fù)雜環(huán)境下依然保持著較高的準(zhǔn)確率，適用于動態(tài)環(huán)境中的學(xué)生實(shí)時(shí)考勤識別[9]。李明和黨青霞（2024）將Transformer和卷積神經(jīng)網(wǎng)絡(luò)（Convolutionalneuralnetwork,CNN）結(jié)合提出了一種輕量級算法，在保證模型效率的同時(shí)提升特征提取效率[10]。鄭圳（2024）提出了一種基于多任務(wù)學(xué)習(xí)的框架，將卷積神經(jīng)網(wǎng)絡(luò)（Convolutionalneuralnetwork,CNN）用于面部識別的同時(shí)，加入了性別，年齡的預(yù)測，提高了模型的泛化能力[11]。夏冉等人于2024年設(shè)計(jì)了一種基于CNN的人臉考勤系統(tǒng)，優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)，使其對環(huán)境具有更強(qiáng)的適應(yīng)性[12]。趙永麗在2024年提出的遠(yuǎn)程在線考勤系統(tǒng)的設(shè)計(jì)[13]，將人臉識別技術(shù)與互聯(lián)網(wǎng)相結(jié)合，實(shí)現(xiàn)不同地點(diǎn)的實(shí)時(shí)自動化考勤記錄，適用于遠(yuǎn)程教育和靈活辦公等場景。郭順超等研究者（2024）基于課堂實(shí)際教學(xué)需求設(shè)計(jì)了一套基于人臉識別技術(shù)的課堂考勤系統(tǒng)，在系統(tǒng)設(shè)計(jì)中增加了用戶交互與數(shù)據(jù)分析，提升了教師使用操作和班級管理效率[16]。蔡靖等研究者（2024）通過改進(jìn)AlexNet模型結(jié)構(gòu)，使原始卷積神經(jīng)網(wǎng)絡(luò)的人臉圖像識別準(zhǔn)確率和識別速度大幅提升，為高校或其他教育環(huán)境提供了更優(yōu)的人臉識別技術(shù)方案[17]。張亮敬等研究者（2024）設(shè)計(jì)了一套完整的課堂考勤系統(tǒng)方案，包括圖像采集、特征提取、考勤統(tǒng)計(jì)等模塊，并對其進(jìn)行了可行性驗(yàn)證[18]。尹向兵等研究者（2024）基于算法研究視角，對比分析了深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別性能[19]。4.4.2教師端人臉識別技術(shù)的研究現(xiàn)狀面向教師端的人臉識別技術(shù)的研究與應(yīng)用主要是教師利用人臉識別軟件，對上課的學(xué)生進(jìn)行考勤管理。研究者發(fā)現(xiàn)網(wǎng)絡(luò)深度、訓(xùn)練策略均會對識別效果產(chǎn)生一定影響。這些研究為后續(xù)的模型改進(jìn)提供了參考[17]。從目前來看，對于人臉識別考勤系統(tǒng)的研究已經(jīng)從算法模型研究逐步走向了具體系統(tǒng)的設(shè)計(jì)、構(gòu)建與應(yīng)用，系統(tǒng)的研究內(nèi)容也更加聚焦應(yīng)用性、輕量化和對環(huán)境的適應(yīng)性。1.4.2國外研究現(xiàn)狀隨著人工智能和機(jī)器視覺技術(shù)的迅速發(fā)展，國內(nèi)外人臉識別的研究和應(yīng)用已經(jīng)取得了不少重大成果，尤其是在公共安全維護(hù)、身份識別、工作出勤管理、智能監(jiān)控等領(lǐng)域的人臉識別技術(shù)已經(jīng)開始廣泛應(yīng)用，并逐步成為了現(xiàn)代信息安全保障的基礎(chǔ)技術(shù)之一。除了在技術(shù)上進(jìn)行不斷改進(jìn)之外，國內(nèi)外學(xué)者們也致力于研究如何處理個(gè)人隱私問題，提高魯棒性與不同的環(huán)境挑戰(zhàn)。(Mietheetal.,2025)等則針對人臉識別技術(shù)在執(zhí)法中的適用性進(jìn)行了系統(tǒng)研究,評估了公眾對于人臉識別技術(shù)的接受度以及隱私和安全顧慮,發(fā)現(xiàn)雖然公眾對于人臉識別技術(shù)增強(qiáng)安全性和預(yù)防犯罪的功能表示支持,但他們?nèi)匀挥邢喈?dāng)一部分的民眾對大數(shù)據(jù)收集和個(gè)人隱私的使用表示擔(dān)憂。這項(xiàng)研究為人臉識別技術(shù)在執(zhí)法和公共安全領(lǐng)域的進(jìn)一步應(yīng)用提供了有價(jià)值的社會反饋,并為未來可能的政策規(guī)劃和發(fā)展提供了重要的參考材料。其中，圖像處理領(lǐng)域的學(xué)者Baby和Gopi于2025年提出了一種新的雷達(dá)人臉識別方法，基于復(fù)雜彩色成像技術(shù)，優(yōu)化圖像色彩處理，提高雷達(dá)系統(tǒng)對人臉識別的準(zhǔn)確度，尤其遇到光照度低、天氣惡劣、環(huán)境復(fù)雜等情況，且雷達(dá)信號可以穿透霧霾雨雪等障礙，無疑具有較大的應(yīng)用價(jià)值，在戶外監(jiān)控、安全防護(hù)、搜索救援等方面均可應(yīng)用[19]。實(shí)驗(yàn)結(jié)果不僅進(jìn)一步提高了傳統(tǒng)人臉識別技術(shù)的可靠性，也為未來可能出現(xiàn)的多模態(tài)識別系統(tǒng)提供了思路。為了解決傳統(tǒng)人臉識別系統(tǒng)脆弱于有動機(jī)的對抗攻擊，Khedr等人（2025）提出基于代理模型來對可轉(zhuǎn)移的惡意攻擊進(jìn)行微調(diào)，從而能夠有效地對抗有動機(jī)的惡意攻擊。通過對深度學(xué)習(xí)模型進(jìn)行有動機(jī)的惡意攻擊，發(fā)現(xiàn)人臉識別系統(tǒng)在對抗惡意攻擊時(shí)十分脆弱，尤其是攻擊者采用智能的攻擊時(shí)，這種代理模型能夠輕易地繞過基于傳統(tǒng)的人臉識別系統(tǒng)。為此，Khedr等人通過微調(diào)代理模型，提出了一種新的防御技術(shù)來抵御惡意攻擊，并提升人臉識別系統(tǒng)的安全性能［2（）］。這項(xiàng)研究既挑戰(zhàn)了人臉識別系統(tǒng)的安全性，也為提升人臉識別系統(tǒng)的可靠性和安全性提供了較好的應(yīng)對措施。Balachandran和Dominic在（2025）的人臉識別技術(shù)與虛擬私人網(wǎng)絡(luò)（VPN）安全機(jī)制的研究中提出，隨著遠(yuǎn)程工作和在線教育的興起，虛擬私人網(wǎng)絡(luò)（VPN）已成為保護(hù)數(shù)據(jù)安全的可靠工具。通過將人臉識別技術(shù)加入虛擬私人網(wǎng)絡(luò)的身份驗(yàn)證過程，可以強(qiáng)化系統(tǒng)的安全性能。在該系統(tǒng)中，用戶必須通過人臉識別驗(yàn)證。通過驗(yàn)證的用戶才能訪問網(wǎng)絡(luò)資源。該系統(tǒng)為網(wǎng)絡(luò)安全提供智能且有效的解決方案[21]。此項(xiàng)技術(shù)的應(yīng)用不僅有助于提高遠(yuǎn)程工作環(huán)境下的安全性，同時(shí)還可以避免使用傳統(tǒng)密碼認(rèn)證方法的潛在安全風(fēng)險(xiǎn)。GP等（2025）提出一種用于偽裝面部識別問題的增強(qiáng)模型transfer學(xué)習(xí)的集成模型（theStealthFace）。因此，如何利用圖像分割或其它先進(jìn)技術(shù)對偽裝面部圖像進(jìn)行預(yù)處理以用于增強(qiáng)偽裝面孔的識別能力成為一個(gè)值得關(guān)注的研究內(nèi)容。隨著人臉識別技術(shù)在多個(gè)領(lǐng)域中的普及，如何針對佩戴口罩、眼鏡或其他偽裝材料遮擋下的面部特征進(jìn)行識別是一個(gè)極其重要的研究方向。針對該問題，基于集成學(xué)習(xí)和transfer學(xué)習(xí)等技術(shù)的發(fā)展產(chǎn)生了StealthFace模型，在偽裝人臉的識別精度上取得重大突破，為提升復(fù)雜環(huán)境下面容識別技術(shù)提供了一種新的策略和思路。本研究實(shí)現(xiàn)了在目標(biāo)動態(tài)、掩飾或隱蔽的臉上進(jìn)行精確識別的一項(xiàng)突破性技術(shù)方案。整體而言，國際上在人臉識別技術(shù)的魯棒性、識別準(zhǔn)確率和防護(hù)性研究方面取得了很多的成果。國外研究者采用圖像處理技術(shù)、深度學(xué)習(xí)算法和多領(lǐng)域應(yīng)用研究結(jié)合的方式，為不同的應(yīng)用場景和條件下的人臉識別技術(shù)提供多樣性的選擇和整體性的解決方案，其突破性成就推動了人臉識別技術(shù)的快速發(fā)展，也為以后更有效更安全的實(shí)際應(yīng)用提供了重要的理論技術(shù)支撐。1.5論文結(jié)構(gòu)本文一共有六個(gè)章節(jié)具體章節(jié)分布如下：第一章為緒論，是對本文研究背景、目的、意義以及國內(nèi)外研究現(xiàn)狀的闡述。第二章為基礎(chǔ)理論，對人臉識別技術(shù)卷積神經(jīng)網(wǎng)絡(luò)(CNN)原理，考勤系統(tǒng)相關(guān)的研究進(jìn)行介紹。第三章為系統(tǒng)設(shè)計(jì)，主要介紹了基于MATLAB的人臉識別考勤系統(tǒng)總體設(shè)計(jì)，包括系統(tǒng)的主要設(shè)計(jì)技術(shù)模塊，總體框架和工作流程。第四章為系統(tǒng)實(shí)現(xiàn)，主要介紹系統(tǒng)開發(fā)過程，圖像采集，圖像預(yù)處理，CNN模型訓(xùn)練，考勤數(shù)據(jù)管理等功能的實(shí)現(xiàn)。第五章為系統(tǒng)測試與性能分析。對系統(tǒng)進(jìn)行測試，并對其識別精度、識別效率及優(yōu)化方向進(jìn)行分析。第六章是總結(jié)與展望。對本文主要研究成果做出總結(jié)以及對未來該課題的研究方向做出展望與意見。

2理論基礎(chǔ)2.1面部識別技術(shù)本文采用MATLAB平臺，基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)，實(shí)現(xiàn)人臉識別，同時(shí)結(jié)合人臉檢測和圖像預(yù)處理技術(shù)等，以增強(qiáng)考勤管理系統(tǒng)的智識水平。其中，面部識別技術(shù)涉及以下環(huán)節(jié)。人臉檢測：通過攝像頭或者圖像采集軟件獲取一張人臉，然后通過人臉檢測的算法，檢測人臉的位置。一般常用的有基于Haar特征的Viola-Jones算法，該方法利用提取出來的圖像特征信息，級聯(lián)分類器判斷該區(qū)域是否是人臉，速度很快并且精度比較高。圖像預(yù)處理：系統(tǒng)在檢測人臉后會對圖像進(jìn)行預(yù)處理，主要包括圖像裁剪、圖像尺寸歸一化、圖像灰度化、直方圖均衡化等操作，通過對輸入圖像數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，減小光照變化、角度變化等因素的影響，提高識別精度。人臉特征提?。合到y(tǒng)對圖像進(jìn)行預(yù)處理后輸入到卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉特征提取。卷積神經(jīng)網(wǎng)絡(luò)（Convolutionalneuralnetwork，CNN）是深度學(xué)習(xí)中的經(jīng)典算法，能夠通過卷積操作對輸入圖片自動提取不同層面的特征并學(xué)習(xí)這些特征；系統(tǒng)通過CASIA-FaceV5數(shù)據(jù)集訓(xùn)練后能夠很好地學(xué)習(xí)出面部特征，并用于識別對比。人臉識別與匹配：最后，根據(jù)提取到的人臉特征與已存在于數(shù)據(jù)庫的人臉特征進(jìn)行比對完成身份確認(rèn)。本文是基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutionalneuralnetwork）（CNN）的人臉識別系統(tǒng)，在訓(xùn)練階段利用訓(xùn)練集進(jìn)行人臉特征的訓(xùn)練，在測試階段對人臉識別系統(tǒng)所識別出的不同的人臉進(jìn)行分類匹配，從而能在實(shí)際應(yīng)用中高效、準(zhǔn)確地進(jìn)行身份認(rèn)定。本研究的創(chuàng)新之處在于采用CNN模型對人的臉部特征進(jìn)行深度學(xué)習(xí)，不僅能夠提升識別的準(zhǔn)確度，同時(shí)能夠處理動態(tài)的人臉圖像數(shù)據(jù)。由于采用MATLAB工具進(jìn)行編寫，其運(yùn)算能力十分強(qiáng)大，卷積神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合MATLAB可實(shí)現(xiàn)實(shí)時(shí)考勤，自動記錄學(xué)生的出勤狀態(tài)，以實(shí)現(xiàn)課堂管理的自動化和智能化。2.2卷積神經(jīng)網(wǎng)絡(luò)（CNN）其強(qiáng)大的原因，源于它的自動學(xué)習(xí)能力。CNN能從不經(jīng)人工干預(yù)的情況下，從輸入圖像中提取有用的特征。在本研究中，將CNN技術(shù)應(yīng)用于人臉圖像特征提取與分類工作中，可以有效提高在復(fù)雜環(huán)境下的識別精度。卷積神經(jīng)網(wǎng)絡(luò)的主要組成部分有卷積層、池化層、全連接層以及輸出層，卷積層，通過過濾器（即卷積核）對圖像進(jìn)行卷積操作，以提取圖像特征,并通過池化層對卷積層輸出的特征進(jìn)行降維，減少數(shù)據(jù)量和過擬合風(fēng)險(xiǎn)。全連接層將提取的特征組合并通過輸出層分類。尤其是在人臉識別領(lǐng)域，CNN能夠通過對人臉圖像進(jìn)行分析，學(xué)習(xí)人的復(fù)雜特征。當(dāng)面對照明、表情、角度變化時(shí)，其依舊能夠保持良好的識別效果。卷積神經(jīng)網(wǎng)絡(luò)模型基于MATLAB軟件平臺搭建,用于對采集的人臉圖像數(shù)據(jù)進(jìn)行訓(xùn)練和識別。本文利用CASIA-FaceV5數(shù)據(jù)集進(jìn)行訓(xùn)練,使系統(tǒng)可以學(xué)習(xí)到不同的面部特征,并在測試時(shí)對新的面部圖像進(jìn)行準(zhǔn)確的分類和匹配。反向傳播算法和梯度下降法被用于訓(xùn)練模型,以優(yōu)化網(wǎng)絡(luò)權(quán)重,使所構(gòu)建的模型具備針對不同面部圖像提取有效特征的能力。為了防止過擬合問題的出現(xiàn),采取數(shù)據(jù)增強(qiáng)技術(shù)來提高訓(xùn)練集的多樣性,增強(qiáng)網(wǎng)絡(luò)的泛化能力。雖然CNN在識別精度上具有極高的優(yōu)勢，可以實(shí)現(xiàn)在圖片特征提取的自動化，以及分類器的有效性，但同時(shí)計(jì)算量和計(jì)算時(shí)間也是一大問題。鑒于此，本系統(tǒng)采用輕量級網(wǎng)絡(luò)，對超參數(shù)進(jìn)行配置以及硬件調(diào)整，以達(dá)到實(shí)時(shí)性和有效性相結(jié)合的目的，使系統(tǒng)可以高精度識別的同時(shí)滿足日?？记诠芾砉ぷ鞯男枨?。

3系統(tǒng)設(shè)計(jì)3.1系統(tǒng)流程本系統(tǒng)將以MATLAB為基礎(chǔ)，采用攝像頭和GUI圖形用戶界面，實(shí)現(xiàn)人臉識別考勤系統(tǒng)。系統(tǒng)開始使用時(shí)，管理員需要輸入密碼，輸入驗(yàn)證后進(jìn)入考勤管理界面。管理員登錄后，系統(tǒng)開啟圖像采集模塊，通過攝像頭采集面部圖像或靜態(tài)圖像并進(jìn)行人臉識別。采集的圖像經(jīng)過人臉檢測處理后，判斷輸入的圖像信息是不是人臉，若不是則重新采集圖像，若是則跳轉(zhuǎn)到圖像預(yù)處理階段。通過裁剪，大小歸一化，灰度化等操作處理以獲得高質(zhì)量圖像，同時(shí)減少或消除環(huán)境因素造成的影響，并將處理后的圖像輸入到預(yù)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)CNN模型中進(jìn)行人臉識別，最后系統(tǒng)將采集到的面部圖像與數(shù)據(jù)庫中存儲的人臉圖像數(shù)據(jù)進(jìn)行比對。待識別成功后，系統(tǒng)將會自動記錄學(xué)生的考勤信息并生成相應(yīng)的考勤統(tǒng)計(jì)報(bào)表，以便于管理員查閱和管理考勤信息。在此過程中，完成識別后顯示考勤成功的提示，管理員可以選擇繼續(xù)或其他操作。如下圖所示，考勤工作流程圖。圖3.1系統(tǒng)工作流程圖3.2CASIA_Face數(shù)據(jù)庫介紹為了對人臉識別系統(tǒng)進(jìn)行訓(xùn)練和測試，本課題使用了一套專門用于人臉識別的亞洲人臉數(shù)據(jù)集CASIA-FaceV5作為實(shí)驗(yàn)數(shù)據(jù)源。由于沒有針對考勤的人臉數(shù)據(jù)集，所以本課題采用公開的人臉數(shù)據(jù)集作為人臉數(shù)據(jù)源，以保證系統(tǒng)在人臉識別系統(tǒng)實(shí)際應(yīng)用中能夠應(yīng)對各種各樣的人臉圖像。CASIA-FaceV5是一個(gè)專門用于人臉識別的公開人臉數(shù)據(jù)集。這個(gè)數(shù)據(jù)庫中包含了500個(gè)不同的個(gè)體，每個(gè)個(gè)體提供了5張不同的面部圖像，因此該數(shù)據(jù)集共包含2500張圖片。如圖3.2是CASIA_FaceV5數(shù)據(jù)集文件結(jié)構(gòu)圖，圖3.3是CASIA_FaceV5數(shù)據(jù)集樣本圖片。單個(gè)個(gè)體的圖像存儲于一個(gè)文件夾中，文件夾的名稱是以數(shù)字加從“000”開始到“499”的數(shù)據(jù)庫中每個(gè)個(gè)體的名字。每個(gè)人有5張人臉圖片，命名方式是：文件夾名_0.jpg到文件夾名_4.jpg，例如文件夾“000”中包含的人臉圖片有：000_0.jpg、000_1.jpg、000_2.jpg、000_3.jpg、000_4.jpg。圖3.2CASIA_FaceV5數(shù)據(jù)集文件結(jié)構(gòu)圖3.3CASIA_FaceV5數(shù)據(jù)集樣本圖片圖像的尺寸為640×480像素，并且大多數(shù)圖像是有色的。數(shù)據(jù)集的目的是要提供一個(gè)具有各種照明照明、表情和角度以及背景變化的彩色面部圖像集合，作為人臉識別測試和驗(yàn)證使用，以測試識別技術(shù)的魯棒性和準(zhǔn)確性。在本文的研究過程中，將CASIA-FaceV5數(shù)據(jù)集中的每個(gè)人的4張圖像作為訓(xùn)練集，另外1張圖像作為測試集，分兩部分進(jìn)行測試，這樣做的目的主要是為了保證訓(xùn)練集和測試集的數(shù)據(jù)不重復(fù)，從而測試人臉識別系統(tǒng)的識別效果。通過訓(xùn)練集和測試集的人臉識別系統(tǒng)可以學(xué)習(xí)到人臉的多種特征，從而能夠?qū)τ诂F(xiàn)實(shí)應(yīng)用中識別未知圖像提供快速且準(zhǔn)確的識別。3.3人臉檢測因此，這里我們選用Viola-Jones(VJ)檢測算法研究人臉檢測，其具有定位速度快、精度高等優(yōu)點(diǎn)。該算法首先通過積分圖像快速計(jì)算圖像特征，然后使用弱分類器對圖像特征進(jìn)行分類，減少運(yùn)算量，最后通過級聯(lián)分類器提升分類的準(zhǔn)確性，不斷提高人臉定位精度。VJ算法是通過Haar特征值來進(jìn)行檢測的。由adaboost算法生成的級聯(lián)分類器，能夠?qū)D像中的某一塊區(qū)域進(jìn)行特征匹配，從而能檢測出該區(qū)域中是否存在人臉。VJ算法共包括訓(xùn)練、檢測兩個(gè)過程。在訓(xùn)練過程中，adaboost算法從事先采集到的正樣本和負(fù)樣本中提取特征，計(jì)算出一個(gè)最優(yōu)的分類器；檢測過程利用級聯(lián)分類器對圖像上的滑動窗口進(jìn)行滑動檢測，并通過縮放的方式對圖像中的人臉進(jìn)行檢測。MATLAB自帶Viola-Jones算法的調(diào)用函數(shù)，非常方便，且精度較高。本研究中采用MATLAB自帶的visionCascadeObjectDetector函數(shù)來實(shí)現(xiàn)人臉檢測，其實(shí)現(xiàn)過程調(diào)用Viola-Jones算法。圖3.4為Viola-Jones人臉檢測算法的實(shí)現(xiàn)過程，將圖片輸入到step函數(shù)里，檢測出人臉區(qū)域標(biāo)記后輸出。下圖3.5為人臉檢測效果圖，展示了系統(tǒng)通過Viola-Jones算法檢測出的人臉區(qū)域。某高校大學(xué)生的人臉檢測系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)32圖3.4Viola-Jones人臉檢測算法流程圖圖3.5Viola-Jones人臉檢測效果圖應(yīng)用上述代碼，實(shí)現(xiàn)人臉檢測。圖3.4Viola-Jones算法調(diào)用示例圖3.5人臉檢測結(jié)果3.4圖像預(yù)處理本課題采用了大量的圖像預(yù)處理操作來提高人臉識別準(zhǔn)確性和訓(xùn)練效率。通過Viola-Jones人臉檢測算法檢測輸入圖像中的人臉位置，根據(jù)檢測到的人臉位置裁剪圖像中的人臉區(qū)域。針對于不同圖像中的人臉區(qū)域尺寸不一致的情況，為了后續(xù)卷積神經(jīng)網(wǎng)絡(luò)(CNN)的統(tǒng)一尺寸需求，需要將裁剪的人臉圖像統(tǒng)一處理成一張尺寸大小一致的圖像。具體過程如圖3.6所示：圖3.6圖像預(yù)處理流程完成裁剪之后，下一步是灰度化處理，將彩色圖像灰度化后，一方面能夠減少數(shù)據(jù)量，降低計(jì)算成本，另一方面能夠去除光照等因素造成的灰度變化對識別的影響。經(jīng)過灰度圖像處理之后，系統(tǒng)識別的主要對象是人的面部形狀而不是顏色，增強(qiáng)了系統(tǒng)環(huán)境適應(yīng)能力。圖像的直方圖是描述圖像灰度分布的一個(gè)主要特點(diǎn)，它描述了圖像中每個(gè)灰度級像素出現(xiàn)的頻率。直方圖均衡化可以增強(qiáng)圖像的對比度，尤其是在低對比度的圖像中，直方圖均衡化能提高圖像整體對比度。直方圖均衡化的基本原理是將原始圖像的灰度直方圖變換成均勻分布，這樣可以擴(kuò)大每個(gè)像素灰度值的動態(tài)范圍，使圖像細(xì)節(jié)得到更好的突出。然后使用了wiener2濾波器對圖像進(jìn)行去噪處理，使用了histeq函數(shù)對圖像直方圖進(jìn)行均衡化，這樣處理的圖像對比度較好，可以提升卷積神經(jīng)網(wǎng)絡(luò)的識別度。圖3.7圖像預(yù)處理MATLAB代碼圖3.8是原始圖像、灰度化圖像和直方圖均衡化后圖像的對比圖，從圖中可以看出，直方圖均衡化后的圖像對比度較好。圖3.7圖像預(yù)處理部分代碼示例圖3.8圖像處理前后的對比示例3.5卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)為了實(shí)現(xiàn)高效的人臉識別，本文構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)CNN來進(jìn)行人臉識別。以下是該網(wǎng)絡(luò)的結(jié)構(gòu)代碼。layers=[imageInputLayer(image_size,'Name','data')convolution2dLayer(3,32,'Padding','same','Name','cnn1')batchNormalizationLayer('Name','bn1')reluLayer('Name','relu1')maxPooling2dLayer(2,'Stride',2,'Name','pool1')convolution2dLayer(3,96,'Padding','same','Name','cnn2')batchNormalizationLayer('Name','bn2')reluLayer('Name','relu2')maxPooling2dLayer(2,'Stride',2,'Name','pool2')convolution2dLayer(3,128,'Padding','same','Name','cnn3')batchNormalizationLayer('Name','bn3')reluLayer('Name','relu3')fullyConnectedLayer(128,'Name','fc1')reluLayer('Name','relu4')fullyConnectedLayer(4096,'Name','fc6','BiasLearnRateFactor',2)reluLayer('Name','relu6')dropoutLayer(0.5,'Name','drop6')fullyConnectedLayer(4096,'Name','fc7','BiasLearnRateFactor',2)reluLayer('Name','relu7')dropoutLayer(0.5,'Name','drop7')fullyConnectedLayer(class_number,'Name','fc2')softmaxLayer('Name','prob')classificationLayer('Name','output')];該網(wǎng)絡(luò)結(jié)構(gòu)始于輸入層，通過多次卷積和池化操作提取圖片特征，并逐步映射到分類結(jié)果。在每一個(gè)卷積層的后面都跟隨著一個(gè)批次的標(biāo)準(zhǔn)化層以及ReLU激活層，以提升訓(xùn)練速度并增強(qiáng)網(wǎng)絡(luò)中的非線性表達(dá)能力。全連接層將所得到的特點(diǎn)集合匯聚在一起并加以分類。Droupout層起到了正則化的作用，為了避免過擬合。最后，通過Softmax層將得到的結(jié)果以概率的形式展現(xiàn)，分類層則給輸出最終的決策。圖3.9卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)該卷積神經(jīng)網(wǎng)絡(luò)從輸入到輸出的層級結(jié)構(gòu)圖如下圖3.9，每一層都發(fā)揮著不同的功能和作用，從輸入到輸出，逐層對圖像特征進(jìn)行提取和處理。3.6模型訓(xùn)練3.6.1訓(xùn)練數(shù)據(jù)準(zhǔn)備在本文實(shí)驗(yàn)中采用CASIA－FaceV5人臉數(shù)據(jù)集進(jìn)行訓(xùn)練，包含500個(gè)不同的個(gè)體，每個(gè)個(gè)體包含5張圖像，共2500張，分辨率為640x480像素。為了提高模型的泛化能力，提高模型的魯棒性，所有圖像都經(jīng)過嚴(yán)福建師范大學(xué)李昂碩士學(xué)位論文-12-重的預(yù)處理。首先利用Viola-Jones算法對圖像進(jìn)行人臉檢測，獲得人臉區(qū)域裁剪。Viola-Jones算法是利用圖像積分快速提取圖像特征的一種算法。通過該算法能夠快速找到圖像中的人臉并檢測人臉。將每張人臉區(qū)域裁剪出來，這樣可以保證模型訓(xùn)練時(shí)只對包含人臉的區(qū)域進(jìn)行訓(xùn)練，提高訓(xùn)練速度和識別精度。然后，將所有的裁剪出來的人臉圖像進(jìn)行灰度化處理。將彩色的人臉圖像轉(zhuǎn)換為灰度圖可以降低輸入數(shù)據(jù)的維數(shù)，不僅降低了計(jì)算量，而且能夠減弱光照等因素對識別結(jié)果的影響，而且在提取人臉特征的時(shí)候更注重人臉的形狀、結(jié)構(gòu)等信息，而不是表面的顏色信息。為了進(jìn)一步提高圖像質(zhì)量，避免低對比度圖像影響訓(xùn)練效果，將所選取圖像全部進(jìn)行直方圖均衡化。直方圖均衡化可以改善圖像對比度，使圖像明暗細(xì)節(jié)更佳。采用此方法后，圖像像素灰度值分布將轉(zhuǎn)變?yōu)榫夥植迹w提高圖像對比度及細(xì)節(jié)能力。增強(qiáng)數(shù)據(jù)則采用了MATLAB的augmentedImageDatastore函數(shù)來進(jìn)行圖像增強(qiáng)，該過程可以針對訓(xùn)練集中的圖像在訓(xùn)練過程自動對圖像進(jìn)行旋轉(zhuǎn)、縮放、翻轉(zhuǎn)等處理，從而使數(shù)據(jù)更加多樣化，避免模型過擬合，提高模型的泛化能力，對訓(xùn)練集和驗(yàn)證集的數(shù)據(jù)都進(jìn)行這樣的數(shù)據(jù)增強(qiáng)處理，來提高模型的訓(xùn)練效果。3.6.2訓(xùn)練參數(shù)設(shè)置在訓(xùn)練過程中，設(shè)置了一些重要的超參數(shù)來保證模型能充分學(xué)習(xí)收斂。學(xué)習(xí)率初始化時(shí)設(shè)置為0.001，以此確保網(wǎng)絡(luò)在訓(xùn)練初期能夠快速收斂，避免由于學(xué)習(xí)率過快造成梯度爆炸或欠擬合。在訓(xùn)練過程中逐漸降低學(xué)習(xí)率，使模型能夠在訓(xùn)練后期進(jìn)行更精細(xì)的調(diào)優(yōu)，并提高最終的性能。max_epochs（最大訓(xùn)練輪次）設(shè)置為500，確保網(wǎng)絡(luò)能夠通過足夠的訓(xùn)練周期來學(xué)習(xí)足夠的特征，以提高識別精度。在每個(gè)epoch中，采用64個(gè)樣本進(jìn)行批量訓(xùn)練，批量大小能夠幫助穩(wěn)定訓(xùn)練過程，并提高計(jì)算效率。使用adam優(yōu)化器來加速訓(xùn)練過程，同時(shí)提高精度。Adam優(yōu)化器能夠根據(jù)每個(gè)參數(shù)的梯度動態(tài)調(diào)整學(xué)習(xí)率，從而使模型能夠快速收斂，非常適合大數(shù)據(jù)集。對于學(xué)習(xí)率，采取piecewise學(xué)習(xí)率的調(diào)度策略，每800個(gè)訓(xùn)練回合降低學(xué)習(xí)率0.1倍，保證訓(xùn)練后期有足夠精細(xì)的權(quán)重調(diào)節(jié)。另外，訓(xùn)練過程中加入validationData參數(shù)保證每一輪在驗(yàn)證集上進(jìn)行訓(xùn)練，避免過擬合，同時(shí)提高模型的泛化能力。下面給出MATLAB訓(xùn)練參數(shù)配置的代碼樣例。MaxEpochs=round(500);%最大訓(xùn)練輪數(shù)InitialLearnRate=0.001;%初始學(xué)習(xí)率LearnRateDropPeriod=800;%學(xué)習(xí)率下降周期MiniBatchSize=round(64);%批量大小ExecutionEnvironment='auto';%自動選擇計(jì)算環(huán)境options_train=trainingOptions('adam',...'MaxEpochs',MaxEpochs,...'InitialLearnRate',InitialLearnRate,...'Verbose',true,...'MiniBatchSize',MiniBatchSize,...'LearnRateSchedule','piecewise',...'LearnRateDropFactor',0.1,...'LearnRateDropPeriod',LearnRateDropPeriod,...'Shuffle','every-epoch',...'Plots','training-progress',...'ValidationData',augimdsValidation,...'ExecutionEnvironment',ExecutionEnvironment);

4系統(tǒng)實(shí)現(xiàn)4.1開發(fā)環(huán)境本系統(tǒng)采用MATLAB平臺作為開發(fā)工具，通過調(diào)用MATLAB圖像處理工具箱和深度學(xué)習(xí)工具箱來實(shí)現(xiàn)人臉識別的功能。MATLAB提供了比較強(qiáng)大的支持，可以通過調(diào)用其Viola－Jones算法來實(shí)現(xiàn)人臉檢測的功能。圖像處理工具箱和深度學(xué)習(xí)工具箱為卷積神經(jīng)網(wǎng)絡(luò)（CNN）提供了設(shè)計(jì)、訓(xùn)練和評估工具。為了保證系統(tǒng)能夠有效利用硬件資源進(jìn)行訓(xùn)練人臉識別，本研究還引入了MATLAB并行計(jì)算工具箱，本工具箱可加速系統(tǒng)的運(yùn)算速度，尤其在利用GPU進(jìn)行深度學(xué)習(xí)訓(xùn)練中，運(yùn)算速度可更快的處理。本項(xiàng)目在開發(fā)過程中，采用攝像頭進(jìn)行實(shí)時(shí)圖像采集，攝像頭可方便使用，通過MATLAB與硬件的兼容性，讓攝像頭的使用更方便。在系統(tǒng)中，需要安裝ImageAcquisitionToolbox以支持圖像采集。如圖4.1所示為ImageAcquisitionToolbox安裝包。圖4.1ImageAcquisitionToolbox安裝包MATLAB提供了對多種硬件設(shè)備，包括普通視頻采集設(shè)備或Kinect傳感器等的支持。附加功能中可找到此安裝包，使用imaqhwinfo('winvideo')命令可檢測系統(tǒng)是否成功識別連接的攝像頭設(shè)備，如下圖4.2所示命令行窗口返回?cái)z像頭設(shè)備的全部信息，若紅框中設(shè)備ID存在，代表攝像頭連接成功。圖4.2設(shè)備識別成功截圖4.2系統(tǒng)界面與操作流程4.2.1系統(tǒng)啟動與登錄本系統(tǒng)主要以MATLAB實(shí)現(xiàn)，在MATLAB命令行輸入guide命令，選擇choose_sys.fig文件，打開系統(tǒng)。進(jìn)入登錄界面，輸入管理員登錄名和密碼，登錄成功后，進(jìn)入系統(tǒng)主界面。如圖4.3所示，用戶通過輸入管理員賬號和密碼進(jìn)行登錄，若沒有賬號，用戶可以點(diǎn)擊“注冊”按鈕創(chuàng)建新賬號。圖4.3系統(tǒng)啟動與登錄界面4.2.2CNN模型訓(xùn)練與初始化設(shè)置第一次使用本系統(tǒng)時(shí)，需要進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型的訓(xùn)練，卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練是整個(gè)系統(tǒng)能夠?qū)崿F(xiàn)高效人臉識別的重要步驟。用戶可以通過點(diǎn)擊系統(tǒng)界面的“訓(xùn)練CNN”鍵開始訓(xùn)練。系統(tǒng)將使用包含500個(gè)不同人的面部圖像數(shù)據(jù)集CASIA-Face［7］作為訓(xùn)練集，通過卷積神經(jīng)網(wǎng)絡(luò)對圖像數(shù)據(jù)進(jìn)行特征學(xué)習(xí)和分類。訓(xùn)練時(shí)，系統(tǒng)將自動加載數(shù)據(jù)（CASIA-FACE數(shù)據(jù)集）并對圖像數(shù)據(jù)進(jìn)行預(yù)處理預(yù)處理后，系統(tǒng)采用CNN模型進(jìn)行學(xué)習(xí)，在卷積層與池化層反復(fù)提取圖像深層次特征后，在全連接層分類。圖4.4系統(tǒng)訓(xùn)練界面如圖4.4所示，該訓(xùn)練界面可用于系統(tǒng)訓(xùn)練時(shí)，并能夠?qū)崟r(shí)顯示CNN的訓(xùn)練進(jìn)程和訓(xùn)練情況，以及準(zhǔn)確率和損失函數(shù)變化等信息。訓(xùn)練過程中，用戶還可根據(jù)需要來對一些訓(xùn)練參數(shù)進(jìn)行改變，如學(xué)習(xí)率、訓(xùn)練輪次、批量大小等，來對模型訓(xùn)練進(jìn)行更優(yōu)的調(diào)整。學(xué)習(xí)率決定了每次權(quán)重更新的步伐，初始化設(shè)定學(xué)習(xí)率時(shí)一般會設(shè)置成一個(gè)較小數(shù)值，防止在訓(xùn)練集合開始時(shí)，步伐太大導(dǎo)致訓(xùn)練不穩(wěn)定。根據(jù)這些參數(shù)對系統(tǒng)進(jìn)行多次訓(xùn)練，從而優(yōu)化模型參數(shù)。圖4.5CASIA_Face數(shù)據(jù)集圖像示例如圖4.5所示，CASIA_Face數(shù)據(jù)集的圖像文件具有統(tǒng)一的命名規(guī)律，使得系統(tǒng)可以正確識別和加載。每個(gè)文件夾代表一個(gè)人，文件夾中的圖片具有“編號_0.bmp”、“編號_1.bmp”等命名規(guī)律。按照此命名規(guī)律，用戶可以將新的圖片添加到CARIA_Face文件夾中。添加圖像數(shù)據(jù)結(jié)束后，可以再次點(diǎn)擊“訓(xùn)練CNN”繼續(xù)進(jìn)行訓(xùn)練。通過此種方式，可以持續(xù)擴(kuò)充數(shù)據(jù)集，訓(xùn)練更為魯棒的識別模型。在訓(xùn)練過程中，系統(tǒng)將采用GPU加速技術(shù)提升訓(xùn)練速度，滿足大規(guī)模數(shù)據(jù)集的訓(xùn)練需求。在完成訓(xùn)練之后，生成已經(jīng)訓(xùn)練好的模型，供實(shí)時(shí)的人臉識別使用。通過CNN訓(xùn)練過程，系統(tǒng)將學(xué)習(xí)對人臉圖像的特征，在人臉識別中準(zhǔn)確率和泛化能力都比較強(qiáng)。4.3人臉識別方法4.3.1靜態(tài)圖像識別本系統(tǒng)用戶可以通過點(diǎn)擊“讀取靜態(tài)圖像識別”按鈕，加載靜態(tài)圖像進(jìn)行人臉識別。當(dāng)用戶選擇了靜態(tài)圖像之后，系統(tǒng)自動執(zhí)行人臉檢測、圖像預(yù)處理、人臉識別等識別程序，最后顯示識別結(jié)果。如圖4.6所示，圖中左側(cè)為原始圖像，中間為裁剪的人臉部分，右側(cè)為數(shù)據(jù)庫中查找到的人員圖像。系統(tǒng)將按照查找到的人員信息在界面下方顯示該人員的標(biāo)簽、打卡次數(shù)以及打卡時(shí)間。根據(jù)界面信息可知每次圖像識別的具體信息。圖4.6靜態(tài)圖像識別界面當(dāng)系統(tǒng)認(rèn)為拍攝到的圖像不是庫內(nèi)人員時(shí)，界面上會顯示一個(gè)警告框，如圖4.7所示，系統(tǒng)顯示“非庫內(nèi)人臉”提示。由此可以區(qū)分庫內(nèi)人員與庫外人員，保證考勤系統(tǒng)的精準(zhǔn)性。圖4.7非庫內(nèi)圖像識別提示4.3.2攝像頭自動識別本系統(tǒng)采用攝像頭自動識別，當(dāng)攝像頭發(fā)現(xiàn)人臉時(shí)，系統(tǒng)對圖像進(jìn)行暫停識別3秒鐘，此過程不因外界環(huán)境而中斷，暫停3秒后再繼續(xù)識別人臉，然后對識別的人臉圖像進(jìn)行比對，若人臉識別庫內(nèi)有該人臉，則調(diào)出打卡信息，顯示用戶考勤狀態(tài)。如圖4.8所示。系統(tǒng)在識別庫內(nèi)人臉時(shí)，展示出人臉圖像、匹配信息和打卡信息等，其中包含使用者的標(biāo)簽、打卡次數(shù)、打卡時(shí)間等具體信息。人臉識別技術(shù)能準(zhǔn)確地識別庫內(nèi)人員并實(shí)現(xiàn)實(shí)時(shí)考勤。相反，圖4.9展示了當(dāng)系統(tǒng)識別到非庫內(nèi)人臉時(shí)，系統(tǒng)彈出警告框提醒人臉不在庫內(nèi)，并拒絕打卡，有效地防止了非授權(quán)人員通過假冒身份進(jìn)行打卡的情況發(fā)生。圖4.8庫內(nèi)人臉識別界面圖4.9非庫內(nèi)人臉識別界面4.4打卡統(tǒng)計(jì)與數(shù)據(jù)管理使用系統(tǒng)的過程中，對考勤數(shù)據(jù)的統(tǒng)計(jì)和管理也是非常重要的部分，為了方便對考勤數(shù)據(jù)的統(tǒng)計(jì)，讓數(shù)據(jù)更加清晰并且方便管理，系統(tǒng)設(shè)置了“打卡統(tǒng)計(jì)”功能，管理員通過“打卡統(tǒng)計(jì)”功能，可以對員工考勤情況有全面清晰的展示。“打卡統(tǒng)計(jì)”功能可以根據(jù)統(tǒng)計(jì)顯示，每位員工的打卡記錄，例如根據(jù)員工打卡的次數(shù)進(jìn)行統(tǒng)計(jì)，將員工的考勤情況以直方圖的形式展現(xiàn)出來。打卡統(tǒng)計(jì)是管理員維護(hù)系統(tǒng)的過程中統(tǒng)計(jì)考勤數(shù)據(jù)的重要功能。例如：當(dāng)點(diǎn)擊“打卡統(tǒng)計(jì)”時(shí)，系統(tǒng)將生成系統(tǒng)，每個(gè)員工的打卡次數(shù)就會顯示在左側(cè)，以直方圖的形式呈現(xiàn)。圖4.10打卡次數(shù)統(tǒng)計(jì)界面圖4.10打卡次數(shù)統(tǒng)計(jì)圖橫坐標(biāo)為員工編號，縱坐標(biāo)為員工的打卡次數(shù)。黃色條形圖代表員工的打卡次數(shù)，條形圖的長度表示員工在一定時(shí)間內(nèi)的打卡頻率，管理員通過圖表能快速找到打卡頻繁和未打卡員工，打卡數(shù)據(jù)的可視化展示使考勤管理更加直觀、簡單。管理員可以及時(shí)發(fā)現(xiàn)存在的考勤問題，如員工未打卡或遲到早退。圖4.11Excel數(shù)據(jù)表格此外，還提供了Excel表格，將統(tǒng)計(jì)的結(jié)果以表格的形式展現(xiàn)，提供給管理員做進(jìn)一步的分析。圖4.11Excel表格圖4.11的Excel表格中包含了每個(gè)員工的代號、姓名以及相應(yīng)的打卡記錄，通過這個(gè)表格可以迅速地查找到每一位員工的考勤情況，通過進(jìn)一步的分析，確保員工的考勤情況符合公司和組織的要求，同時(shí)，表格中也包含了員工的上班時(shí)間，為后續(xù)的考勤管理提供了時(shí)間依據(jù)。通過該功能，管理員不僅可以實(shí)時(shí)的看到每名員工的上班打卡情況，還可以通過統(tǒng)計(jì)歷史數(shù)據(jù)，挖掘出考勤管理中的規(guī)律性問題，完善考勤管理方案和流程。

5系統(tǒng)測試與性能分析5.1測試平臺與實(shí)驗(yàn)設(shè)置本系統(tǒng)采用的測試平臺是基于MATLAB深度學(xué)習(xí)工具箱和圖像處理工具箱，實(shí)現(xiàn)了人臉識別功能，采用了符合基準(zhǔn)的計(jì)算機(jī)系統(tǒng)環(huán)境，攝像頭采用了高質(zhì)量、高配置的設(shè)備，實(shí)時(shí)采集圖像。系統(tǒng)選用的設(shè)備是支持MATLAB和ImageAcquisitionToolbox的連接裝置，具有采集高質(zhì)量視頻數(shù)據(jù)的能力，這些數(shù)據(jù)可用于人臉檢測和識別。在實(shí)驗(yàn)環(huán)境上，為了驗(yàn)證系統(tǒng)在多場景中都能正常工作，我們分別設(shè)置了室內(nèi)弱光環(huán)境、室內(nèi)高光環(huán)境、室外自然光環(huán)境等不同場景，確保系統(tǒng)在多場景中都能表現(xiàn)出良好的魯棒性，在強(qiáng)光和弱光的情況下都能正確識別人臉的方向和距離遠(yuǎn)近。此外，我們還在實(shí)驗(yàn)過程中引入了一些背景噪音，如背景人物的對話、移動物體的摩擦聲等，來驗(yàn)證系統(tǒng)在復(fù)雜環(huán)境中是否能排除非目標(biāo)對象。

在軟件工程中實(shí)現(xiàn)本實(shí)驗(yàn)系統(tǒng)核心模塊包括但不限于人臉檢測模塊、圖像預(yù)處理模塊、CNN訓(xùn)練模塊、識別模塊。系統(tǒng)在滿足實(shí)際應(yīng)用的前提下進(jìn)行設(shè)計(jì)，確保所有模塊之間數(shù)據(jù)流通，功能協(xié)調(diào)一致，保障所有功能正常實(shí)現(xiàn)。特別是人臉識別模塊，本系統(tǒng)采用前文訓(xùn)練好的網(wǎng)絡(luò)CNN模型，保障對實(shí)時(shí)和靜態(tài)圖片有著較高的識別精度。5.2系統(tǒng)性能與資源消耗分析系統(tǒng)性能測試主要從人臉檢測率、檢測時(shí)間、占用資源等方面進(jìn)行評價(jià)。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)各項(xiàng)指標(biāo)均達(dá)到比較滿意的成績。在人臉檢測性能方面，設(shè)計(jì)的系統(tǒng)在10張測試圖像上，對人臉的檢測率都為100%，說明系統(tǒng)對不同環(huán)境、不同場景的人臉都有著高度的穩(wěn)定性，能夠準(zhǔn)確地檢測人臉，系統(tǒng)的可靠性得到了保證。在處理的時(shí)間方面，系統(tǒng)平均處理時(shí)間為36.61ms，其中最小處理時(shí)間8.88ms,最大為137ms。雖然系統(tǒng)處理時(shí)間會在不同圖像中有所波動，但在可接受的時(shí)間范圍內(nèi)，系統(tǒng)實(shí)時(shí)處理圖像的能力滿足人臉識別任務(wù)需求。而在資源占用方面，整個(gè)系統(tǒng)平均只消耗了6.95MB的內(nèi)存，占用內(nèi)存量很少，在一般機(jī)器配置環(huán)境下也不會占用了系統(tǒng)資源，系統(tǒng)運(yùn)行時(shí)不會出現(xiàn)明顯下降的現(xiàn)象。如下面的圖表所示。圖5.1人臉檢測與預(yù)處理時(shí)間系統(tǒng)完成不同測試圖像的處理時(shí)間如圖5.1所示。在一些測試圖像中，系統(tǒng)的處理時(shí)間較長，在圖像復(fù)雜度較高時(shí)，最大處理時(shí)間達(dá)到137ms。圖5.2內(nèi)存使用情況圖5.2展示了系統(tǒng)在檢測人臉、預(yù)處理人臉的過程中的內(nèi)存占用，總體內(nèi)存占用非常低，平均僅有6.95MB，系統(tǒng)在資源利用上表現(xiàn)良好。5.3訓(xùn)練結(jié)果與性能評估系統(tǒng)在訓(xùn)練過程中利用CNN來學(xué)習(xí)人臉數(shù)據(jù)并不斷地提高識別準(zhǔn)確率，隨著輪次的不斷增加，系統(tǒng)的準(zhǔn)確率也呈現(xiàn)出了不斷上升的趨勢，在訓(xùn)練過程中主要趨勢如圖5.3所示，左上角的藍(lán)色部分表示系統(tǒng)準(zhǔn)確率的訓(xùn)練過程不斷上升的趨勢，并逐漸穩(wěn)定在一個(gè)較高的水平，其中訓(xùn)練到500輪之后驗(yàn)證集的準(zhǔn)確率達(dá)到了85.37%，說明系統(tǒng)不斷地學(xué)習(xí)數(shù)據(jù)特征并逐漸找到了識別任務(wù)的有效模式。圖5.3訓(xùn)練進(jìn)程曲線圖圖5.3中下方的（橙色）曲線表示損失函數(shù)，訓(xùn)練初始階段，損失函數(shù)下降迅速，表明模型在訓(xùn)練早期識別誤差在迅速減小，訓(xùn)練后期損失函數(shù)趨于平穩(wěn)，說明模型已經(jīng)趨近于最優(yōu)解，網(wǎng)絡(luò)在訓(xùn)練后期，加深了網(wǎng)絡(luò)的提取特征能力，誤差繼續(xù)減小，精度得到提高。由此可以判斷網(wǎng)絡(luò)優(yōu)化過程是否順利成功。訓(xùn)練曲線圖可以看出，在訓(xùn)練過程中準(zhǔn)確率能夠迅速提高，損失值在訓(xùn)練過程中不斷下降，這表示網(wǎng)絡(luò)不斷進(jìn)行優(yōu)化并提高其識別精度，每一次訓(xùn)練，網(wǎng)絡(luò)都能對自身的不足進(jìn)行修正，識別精度得以提升。測試結(jié)果驗(yàn)證了整個(gè)訓(xùn)練過程的訓(xùn)練效果，庫內(nèi)人臉識別準(zhǔn)確率高，速度快。庫外人臉的識別結(jié)果準(zhǔn)確率穩(wěn)定，能夠給出及時(shí)的警告，系統(tǒng)有較強(qiáng)的泛化能力，可以準(zhǔn)確給出識別結(jié)果，并給出相應(yīng)的反應(yīng)。

6總結(jié)與展望6.1總結(jié)系統(tǒng)主要以基于MATLAB，深度學(xué)習(xí)和圖像處理技術(shù)為支撐，在人臉檢測、卷積神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練和人臉識別等環(huán)節(jié)都取得了良好的效果。測試結(jié)果顯示，系統(tǒng)在庫內(nèi)人臉的識別結(jié)果準(zhǔn)確且穩(wěn)定。系統(tǒng)對庫內(nèi)員工的身份識別和考勤系統(tǒng)的信息能夠準(zhǔn)確地識別和更新。但是，當(dāng)測試對象是庫外人臉時(shí)，容易出現(xiàn)誤識別的情況。非庫內(nèi)人臉經(jīng)常被誤認(rèn)為庫內(nèi)人臉；而在一些光照變化較大的場景下，識別的準(zhǔn)確率會有所降低。不同光照條件下，系統(tǒng)識別的效果也不盡如人意，一些圖像對比度低，光源不均勻，識別效果就會比較差。面對上述問題，本文采取了數(shù)據(jù)增強(qiáng)的措施，多樣化圖像豐富度，提升網(wǎng)絡(luò)的泛化能力。經(jīng)過數(shù)據(jù)增強(qiáng)和CNN結(jié)構(gòu)改進(jìn)，本系統(tǒng)具有較強(qiáng)的環(huán)境適用能力，在靜態(tài)和動態(tài)圖像識別場景下，可以快速提取圖像特征，并與人臉數(shù)據(jù)庫數(shù)據(jù)進(jìn)行比對，實(shí)現(xiàn)考勤數(shù)據(jù)的精準(zhǔn)記錄。雖然目前的庫內(nèi)人臉識別系統(tǒng)已經(jīng)能夠?qū)崿F(xiàn)非常高的準(zhǔn)確度，但是在庫外人臉的識別方面還需要進(jìn)一步提高。在未來可以通過增加訓(xùn)練集，提高算法的性能來優(yōu)化非庫內(nèi)人臉的識別準(zhǔn)確度。提升系統(tǒng)對光照差異的魯棒性，在復(fù)雜的環(huán)境下能夠有更好的表現(xiàn)，進(jìn)一步提高系統(tǒng)識別的準(zhǔn)確度和魯棒性。通過提升系統(tǒng)的魯棒性，在面對不同的環(huán)境的情況下能夠有更好的表現(xiàn)，系統(tǒng)的魯棒性越高，識別的準(zhǔn)確度就越高。6.2展望盡管本系統(tǒng)在實(shí)驗(yàn)過程中達(dá)到了較好的性能，但在一定范圍內(nèi)，本系統(tǒng)還存在一些改進(jìn)的空間，特別是在非庫內(nèi)人臉識別的準(zhǔn)確率和系統(tǒng)跨場景的泛化能力方面，在今后的工作中，計(jì)劃針對上述幾個(gè)方面做更深一步的探索和研究，從而提高系統(tǒng)的綜合性能，拓展系統(tǒng)的應(yīng)用場合。人臉識別技術(shù)中的數(shù)據(jù)集中，人臉識別模型對數(shù)據(jù)庫中不存在的人臉識別精度降低，特別是在光照度低或者背景比較復(fù)雜的環(huán)境下，對于識別精度有更高的要求。后續(xù)可以通過加入不同光照、角度、背景等特征的數(shù)據(jù)集訓(xùn)練以提高模型的泛化能力，提高對人臉識別錯(cuò)誤識別的情況。在照明變化較大的情況下，本系統(tǒng)的識別準(zhǔn)確率有所下降。這表明本系統(tǒng)在識別精確度方面還有待提高。后期可考慮采用更先進(jìn)的圖像處理方法，如動態(tài)光照處理、圖像增強(qiáng)，甚至可以考慮采用基于GAN的圖像合成方法，以確保系統(tǒng)在不同光照條件下的表現(xiàn)不被光照的變化所影響。此外，在圖像處理階段，采用更先進(jìn)的圖像去噪和對比度增強(qiáng)方法，也能提高系統(tǒng)對環(huán)境的魯棒性。系統(tǒng)在未來的優(yōu)化上必然朝向更快的實(shí)時(shí)性。系統(tǒng)的正常處理速度在一般的操作下有著非?？斓姆磻?yīng)。在面對大量并發(fā)圖像信息時(shí)，系統(tǒng)識別處理速度有較大的提升空間，系統(tǒng)對數(shù)據(jù)處理的提升將體現(xiàn)在網(wǎng)絡(luò)的搭建，更有效的計(jì)算方法，以及GPU加速或者其他加速手段。以更快的速度處理實(shí)時(shí)數(shù)據(jù)，保證系統(tǒng)的及時(shí)性，即使在系統(tǒng)任務(wù)繁重的情況下也能保證對事件的及時(shí)響應(yīng)?？紤]到系統(tǒng)的現(xiàn)實(shí)需要，云平臺與IoT的有機(jī)結(jié)合是未來發(fā)展的必然趨勢。通過系統(tǒng)部署云端，可以充分利用云計(jì)算的數(shù)據(jù)處理能力來實(shí)現(xiàn)人員管理和考勤數(shù)據(jù)的存儲。同時(shí)，利用物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)多個(gè)設(shè)備的數(shù)據(jù)共享和協(xié)同操作，進(jìn)一步提升考勤管理的智能化水平，也為該技術(shù)在其他領(lǐng)域的應(yīng)用提供了可能。參考文獻(xiàn)陳秀端.Gabor與PCA融合算法的人臉識別技術(shù)[J].南方農(nóng)機(jī),2021,52(18):139-142.費(fèi)弘.一種基于人臉識別的幼教大數(shù)據(jù)綜合系統(tǒng)設(shè)計(jì)[J].中國科技信息,2022,(08):112-114.邵燚,侯益明,李和雨.基于Matlab的人臉識別系統(tǒng)設(shè)計(jì)[J].無線互聯(lián)科技,2022,19(08):62-63.王慧,黃睿,劉林慧,等.基于MATLAB的人臉識別算法研究[J].自動化應(yīng)用,2022,(09):69-71.DOI:10.19769/j.zdhy.2022.09.021.AbdullahiMI,MalikiD,Abub