寫在前面：本文是本科階段參加的第三次科創比賽項目，當時只有一個人做，能力精力有限，很多預期的功能都沒有實現。最後的可展示程度不高，沒有走得很遠。本文是申報書部分，可以爲除此參加科創的同學提供思路，可以繼續做下去，也可以參考某部分功能完善自己的作品。個人水平有限，僅供參考，如果有好的建議也希望能在本文評論區或者私信提出，謝謝。
相關代碼已經在去年的一篇文章中發佈了，具體請訪問：點擊此處
文章目錄
立項依據
一．研究意義
課堂是學生學習的主要場所,課堂學習是學生獲取知識、培養能力、提高素質的主要渠道。系統科學的課堂考勤是保證各項教學計劃有效落實和順利執行的重要條件。有效的課堂考勤是創造良好學習氛圍,形成良好班風、學風及增強學生的組織性和紀律性的必要條件,同時也是保證學校教學秩序的穩定、提高教學質量的重要措施。
研究基於人臉識別的課堂考勤系統,藉助信息技術,以人臉識別爲手段,徹底摒棄傳統課堂考勤中人工統計管理的落後方式,克服不規範的考勤行爲,解決學校以往考勤管理工作中出現的問題,爲學校的考勤制度實施提供科學的依據。
大學課堂出勤率低，一直是各大高校面臨的問題。相比各行各業陸續出現的各類考勤系統，高校課堂目前比較多的仍然是傳統的點名方式，而近年來，也曾有一些新興方式在某些高校出現：如手機APP簽到、指紋識別、校園一卡通刷卡等。雖然這些新的方式較傳統點名來說，是一種進步且日趨成熟，但是仍然有不少人爲漏洞。比如手機或者校園卡有遺失與忘帶的情況，學生也可以攜帶同學的手機與校園卡幫忙考勤；另外有少部分人羣指紋較淺極難識別，甚至還有指紋膜作假的情況出現。針對這些現象，首先建立人臉數據庫，其次通過深度學習技術訓練一個自動提取人臉特徵關鍵點並生成面紋編碼的模型。之後，利用攝像工具獲取當前人員的面部圖像，接着進行幾何校正與圖像預處理，通過多種算法排除掉光線、背景、色調、表情、眼鏡及神態等的干擾，再通過模型進行特徵提取以及數據庫人臉圖像比對，並進行活體檢測防止作弊，最終精確辨認出個體。這種人臉識別考勤系統更加能夠適應高校課堂，易於被大衆接受，且快速響應提高了時間效率。
二．現狀分析
1.人臉識別發展歷程
早在 20 世紀 50 年代，認知科學家就已着手對人臉識別展開研究。20 世紀 60 年代，人臉識別工程化應用研究正式開啓。當時的方法主要利用了人臉的幾何結構，通過分析人臉器官特徵點及其之間的拓撲關係進行辨識。這種方法簡單直觀，但是一旦人臉姿態、表情發生變化，精度則嚴重下降。
20世紀90年代
1991 年，著名的“特徵臉”（Eigenface）方法第一次將主成分分析和統計特徵技術引入人臉識別，在實用效果上取得了長足的進步。這一思路也在後續研究中得到進一步發揚光大，例如，Belhumer 成功將Fisher判別準則應用於人臉分類，提出了基於線性判別分析的Fisherface方法。
2000-2012年
21 世紀的前十年，隨着機器學習理論的發展，學者們相繼探索出了基於遺傳算法、支持向量機（Support Vector Machine，SVM）、boosting、流形學習以及核方法等進行人臉識別。2009 年至 2012 年，稀疏表達（Sparse Representation）因爲其優美的理論和對遮擋因素的魯棒性成爲當時的研究熱點。與此同時，業界也基本達成共識：基於人工精心設計的局部描述子進行特徵提取和子空間方法進行特徵選擇能夠取得最好的識別效果。
2013年
2013年，微軟亞洲研究院的研究者首度嘗試了10萬規模的大訓練數據，並基於高維LBP特徵和Joint Bayesian方法在LFW上獲得了95.17%的精度。這一結果表明：大訓練數據集對於有效提升非受限環境下的人臉識別很重要。然而，以上所有這些經典方法，都難以處理大規模數據集的訓練場景。
2014年
2014 年前後，隨着大數據和深度學習的發展，神經網絡重受矚目，並在圖像分類、手寫體識別、語音識別等應用中獲得了遠超經典方法的結果。香港中文大學的Sun Yi等人提出將卷積神經網絡應用到人臉識別上，用20萬訓練數據，在LFW上第一次得到超過人類水平的識別精度，這是人臉識別發展歷史上的一座里程碑。自此之後，研究者們不斷改進網絡結構，同時擴大訓練樣本規模，將LFW上的識別精度推到99.5%以上。人臉識別發展過程中一些經典的方法及其在LFW上的精度，都有一個基本的趨勢：訓練數據規模越來越大，識別精度越來越高。
2.人臉識別行業發展特點分析
隨着人臉識別技術的不斷改進，其應用領域從最開始的門禁/考勤領域，到目前應用於金融、安防反恐、教育、社交娛樂、設備、門禁/考勤、交通、智能商業等領域，應用範圍逐漸擴大。起初，人臉識別技術僅限於2D識別，但由於2D人臉識別容易受到姿態、光照、表情等因素影響，識別率不夠理想，因此3D人臉識別應運而生。相比較而言，3D人臉識別技術不僅識別率高，且在使用方便性上也遠遠高於2D人臉識別。
3.人臉識別行業市場規模分析
根據中國報告網發佈《2018年中國生物識別市場分析報告-行業深度分析與發展前景預測》中內容，2017年生物識別技術全球市場規模上升到了172億美元，到2020年，預計全世界的生物識別市場規模有可能達到 240億美元。自2015年到2020年，人臉識別市場規模增長了166.6%， 在衆多生物識別技術中增幅居於首位，預計到2020年人臉識別技術市場規模將上升至24億美元。
4.人臉識別行業主要應用分析
目前，國內的人臉識別技術已經相對發展成熟，主要應用於三大範圍；1）實名制驗證，證明人與系統證件信息是否統一；2）進行身份判斷，即判斷某個人是否爲特定羣體中的一員，用於人員出入管理和城市安防等，有利於治安維護；3）是用戶意願確認，確保是真人在操作業務，進而做賬戶許可授權，涉及資產類行業運用較多。
5.人臉識別行業前景預測
從技術發展趨勢來看，越來越多研究機構開始對人臉識別技術進行更深入的研究，以尋求更好、更新的人臉識別技術。其中，遠距離人臉識別技術與3D人臉識別技術是研究的主要方向之一，雖然現在這些技術在實際運用過程中還存在一定的難度，但是，隨着研究的深入，遠距離人臉識別技術與3D人臉識別技術的應用將是未來一段時間的發展方向。
從市場趨勢來看，隨着高科技信息技術的快速發展，未來人臉識別技術將逐漸向市場化、產品化的方向發展。此外，人臉識別技術的產品類型也將越來越多，例如基於膚色的人臉識別技術、基於點位的人臉識別技術、基於幾何特徵的人臉識別技術等。可以預見，隨着人臉識別技術應用範圍的擴大，具有針對性的人臉識別產品將越來越多。
6.課堂考勤常用手段分析
常見的考勤方式主要採用以下幾種手段來完成：
- 1）人工簽到方式考勤
這是最早的考勤方法，在信息技術及計算機還沒有被廣泛運用時，考勤管理工作主要依靠工人點名或簽到的方式來完成。人工簽到方式考勤最大的缺點是必須採用人工完成，效率低，特別是學生課堂考勤，如果學生人數多，會佔據很大一部分的教學時間，影響了正常的教學計劃。 - 2）鍵盤輸入密碼方式考勤
通過鍵盤輸入每個人對應的密碼，達到考勤的目的。但常常因忘記密碼而發生人已到卻無法完成考勤的情形。 - 3）卡式考勤
卡式考勤系統按卡介質類型不同可分爲磁碼卡、鐵碼卡、IC 卡等。卡式考勤管理系統最大的優勢是，考勤工作不再需要過多的人爲干預，一般只需工作開始時（或工作結束時）刷卡完成考勤操作，卡式考勤結合了計算機相關技術，把形成的刷卡數據保存到數據庫中，然後由計算機進行統計分析，解決了採用人工方式中效率比較低的弊端。卡式考勤系統具有使用非常方便、快捷、不易損壞的特點，使其成爲應用最廣泛的考勤方式。但卡式考勤系統採用“物”代替“人”進行考勤，不能解決非本“人”進行考勤的本質問題。這也是卡式考勤系統存在的最大弊端，此外由於磁卡一般很容易被複制，壽命不長，磁卡丟失的情況時有發生，這些也都限制了卡式考勤的推廣。 - 4）人臉識別考勤
隨着科技的發展，出現了一種新的考勤方式，即生物識別考勤。它是通過計算機，利用人的生理特性進行考勤，包括人臉識別考勤、虹膜考勤、指紋考勤等。通過利用人身體的部位特徵來實現信息的登記。在衆多的生物識別考勤系統當中，最能體現考勤本身實際意義的應該是基於人臉識別考勤方式。與傳統人工考勤方式和卡式考勤系統相比，人臉識別考勤系統基於人的生理特徵，驗證具有唯一性，並且實用性更好。
7.人臉識別考勤的技術手段分析
人臉考勤主要有三種應用形式：
- 1）移動考勤：將考勤服務內置於手機或pad的APP中，無需單獨購買攝像頭、抓拍機，以較低的成本實現刷臉考勤。員工隨時、隨地打卡，無需排隊等待。同時有活體檢測功能。有效抵禦視頻、彩照、3D模型等活體作弊手段。
- 2）攝像頭無感知考勤：將網絡攝像頭或人臉抓拍攝像頭，安裝在學生、員工進出的必經之路，即可輕鬆實現無感知考勤。由於無需用戶主動簽到，因此減少了排隊的過程；且攝像頭可以同時抓拍多張人臉，實現多人同時考勤，顯著提高考勤效率。
- 3）一體機考勤：將攝像頭、人臉比對SDK集成至考勤一體機中，學生、員工只需到前臺進行刷臉，即可快速完成考勤，且可有效防止替考勤等作弊行爲。
三．主要參考文獻及出處
[1] 前瞻研究院.2018-2023年中國生物識別技術行業投資預測分析報告.2017
[2] 清華大學.人臉識別研究報告.2018
[3] 潘芬蘭.基於人臉識別技術的職能考勤系統研究.浙江大學,2014
[4] 楊高波,李實英.計算機視覺特徵提取與圖像處理[M]. 北京: 電子工業出版社,2014
[5] 孫雅琪.基於人臉識別的課堂考勤系統設計與實現[碩士學位論文].桂林:桂林理工大學,2013
[6] 林逸峯.基於計算機視覺的人體檢測和人臉識別[博士學位論文].吉林:吉林大學,2012
[7] 齊禮成.基於人臉識別考勤系統的設計與實現[碩士學位論文].西安:西安電子科技大學,2012
[8] 蘇秀梅.基於人臉識別的考勤系統設計實現[碩士學位論文].廈門:廈門大學,2015
[9] 趙偉彬.基於人臉識別的考勤系統設計實現[碩士學位論文].廣東:廣東工業大學,2016
[10] 黃偉前.基於人臉識別的考勤軟件系統研究與設計[碩士學位論文].南京:南京理工大學，2015
[11] 焦李成,趙進,楊淑媛,劉芳. 深度學習、優化與識別. 北京:清華大學出版社,2017
項目實施方案及實施計劃
一． 實施方案
1.系統的物理結構
系統的前臺硬件包括1080P攝像頭、電腦，後臺硬件包括應用服務器和數據庫服務器，前後臺之間通過無線wifi或者以太網連接，系統內的數據通過以太網傳輸。通過1080P攝像頭進行人臉圖像的採集，通過網絡傳送至應用服務器上，應用服務器通過圖像處理後和數據庫服務器交互進行比對，比對的結果會通過網絡顯示到客戶端上提供查詢和統計。系統物理結構如圖3-1所示。
2.系統的功能模塊
本作品劃分爲四個主要模塊:基本信息管理模塊、考勤管理模塊、班級管理模塊、系統管理模塊。爲了保證系統的可用性和穩定性，還設置了綜合查詢、報表生成和設備管理等功能。本文主要針對系統的四個主要功能模塊進行分析和介紹。系統功能模塊劃分如圖3-2所示。
3.數據庫設計
本作品的數據表包括學生信息表、教師信息表、樣本圖像信息表、班級信息表、課程信息表、考勤記錄表。根據以上對數據庫的分析，基於人臉識別的課堂考勤系統數據庫中表的設計結果如下:
- 1）學生信息表
此表通過系統管理員添加或導入學生基本信息，記錄學生的基本信息如學號、姓名、年齡、班級等情況。 - 2）圖像信息表
此表通過人臉圖像收集，記錄收集圖象樣本、大小和在存儲中保存路徑等。 - 3）教師信息表
此表通過教師自行添加教師基本信息，記錄教師的基本信息如工號、姓名、年齡、部門等情況。 - 4）班級信息表
對班級信息的記錄，不同專業、不同年級的班級對應不同的班級編號，由管理員設置。 - 5）課程信息表
此表記錄班級課程基本情況，學生考勤安排與它相關聯。 - 6）考勤記錄表
此表是對考勤情況的詳細記錄，包含學生個人基本信息、考勤時間、考勤課程。
4.系統功能設計
課堂考勤系統主要功能爲兩個部分。第一部分是通過移動終端採集學生人臉圖像樣本，第二部分是通過後臺管理考勤記錄。具體應用時，對學生人臉進行註冊，採集樣本人臉信息保存於數據庫，使用深度學習算法，對數據庫中註冊學生的人臉數據集進行訓練，其次在考勤管理過程中使用訓練好的模型識別個人的人臉信息，確認身份，將識別結果生成考勤結果儲存到數據庫中。
進行考勤記錄的過程是：教師在電腦客戶端，選擇當前課程，進入考勤界面，點擊開始考勤進行人臉識別，不管失敗和成功都會有語音提醒；如果未錄入信息，則提醒同學進行信息的錄入；如果考勤成功則會寫入數據庫；如果考勤失敗則可以向老師申請，手動添加。考勤管理模塊主要是針對學生考勤進行等級，統計班級學生出勤情況。其中包括，考勤設置，考勤記錄統計和出勤狀況調整。
(1)學生信息採集
該功能是指，按照相關要求採集學生個人的人臉圖像，進行註冊，在不同環境、不同角度下采集15張圖片樣本，作爲個人信息庫，系統會對這些圖像首先進行人臉對齊，光照歸一等預處理，之後使用深度學習算法進行訓練，得到的模型用於提取特徵。
(2)考勤管理
該功能主要是針對考勤記錄進行審覈，針對考勤規定，通過考勤記錄生成統計報表。具體流程是由教師設置考勤模式，默認爲固定考勤模式，比如上課前10分鐘完成考勤；另一種是隨機考勤，比如課後60分鐘，臨下課前10分鐘考勤。考勤結束後，教師可以通過電腦端應用查看考勤結果，其中沒有考勤的同學會顯示出來，教師可以根據實際情況調整（其中考勤異常、請假、曠課）的學生，最後教師可以通過考勤結果生成報表，查看班級學生考勤情況。
(3)人臉識別技術流程
人臉識別技術原理簡單來講主要是三大步驟：一是建立一個包含大批量人臉圖像的數據庫；二是通過各種方式來獲得當前要進行識別的目標人臉圖像；三是將目標人臉圖像與數據庫中既有的人臉圖像進行比對和篩選。 根據人臉識別技術原理具體實施起來的技術流程則主要包含以下四個部分，即人臉圖像的採集與預處理、人臉檢測、人臉特徵提取、人臉識別和活體鑑別。人臉識別技術流程如圖3-3所示。
(4) 考勤結果申報
在檢測和識別了人臉特徵信息獲取了考勤記錄後，系統對考勤結果進行記錄。系統內的考勤結果由正常、請假、缺勤、異常。其中請假需要覈實情況後，由教師手動添加。如果有學生來到教室，卻考勤異常，需要由教師手動調整，以保證考勤結果的公平性。
二． 實施辦法
1.系統界面
（1）基本信息管理
系統管理員可以實現班級管理，人員管理和課程管理，數據查詢統計和數據庫備份等功能，系統管理具有最高的權限。
在選擇人員管理中有添加人員、刪除人員和人員權限設置三個功能。如果發現添加的人員信息有誤，可以直接進行修改學生信息。
（2）課程管理
在選擇需要考勤的班級後，進入課程添加頁面，在該頁面可以添加課程名稱和上課時間，並可以再次頁面上設定固定的考勤時間段。
（3）學生考勤管理
教師到教室後打開電腦端應用，學生進行人臉識別簽到，可以單人次可以多人次同時進行考勤。初次使用時，可以先查詢個人信息是否錄入錯誤，如果錯誤可以聯繫老師修改。考勤時段限制在課前，上課之後，自動退出考勤系統，並生成考勤結果，輸出簽到、遲到、未到的同學名單。待老師確認情況後（如果有同學請假或者特殊情況，說明原因後，由老師修改考勤記錄），生成考勤結果，提交到數據庫服務器保存。
（4）教師考勤管理
教師通過工號及密碼登陸系統，系統會根據錄入的信息，顯示當前時段的上課情況。開始考勤之後，系統會根據老師之前設置的考勤方式進行考勤。教師可以實時查看考勤結果，如果有漏考勤或人臉識別不通過的同學，教師可以手動調整考勤結果，並可以通過學號或名字添加請假同學。
管理員或教師可以使用自己的賬號登陸系統，在固定週期的每個考勤統計日期，系統會自動將上月的考勤記錄進統計和分析，按照班級和課程等將考勤記錄統計出來，統計內容包括班級、考勤記錄、考勤結果、請假、缺勤信息等。管理員或教師也可以查詢某一位同學的出勤記錄。
2.系統調試
（1）測試管理員和教師的各項功能是否完善，例如：添加刪除功能，以及系統是否正常運轉。
（2）監測系統錄入的信息是否與學生信息匹配，是否可進行人臉識別，查看自己的考勤記錄。
（3）測試人臉識別模型在實際應用過程中是否準確，比如識別人數達到一千人。
（4）測試在windows10系統下的應用是否運行穩定，運行流暢，比如是否存在卡死的情況。
（5）系統的各項功能是否完善，是否可以實現後臺的管理，數據庫的讀寫是否存在問題。
3.人臉識別算法的部署和實施：
1.人臉圖像的採集與預處理
（1）人臉圖像的採集
採集人臉圖像通常情況下有兩種途徑，分別是既有人臉圖像的批量導入和人臉圖像的實時採集。我們首先使用1080P攝像頭集中採集每個人20張在不同角度、不同光照條件下的照片，構建人臉數據庫。之後在進行人臉識別過程中，保存每次識別的照片。並過濾掉不符合人臉識別質量要求或者是清晰度質量較低的人臉圖像，儘可能的做到清晰精準的採集。
（2）人臉圖像的預處理
人臉圖像的預處理的目的是在系統對人臉圖像的檢測基礎之上，對人臉圖像做出進一步的處理以利於人臉圖像的特徵提取。 人臉圖像的預處理具體而言是指對系統採集到的人臉圖像進行光線、旋轉、切割、過濾、 降噪、放大縮小等一系列的複雜處理過程來使得該人臉圖像無論是從光線、角度、距離、大小等任何方面來看，均能夠符合人臉圖像的特徵提取的標準要求。 在現實環境下采集圖像，由於圖像受到光線明暗不同、臉部表情變化、陰影遮擋等衆多外在因素的干擾，導致採集圖像質量不理想，那就需要先對採集到的圖像預處理，如果圖像預處理不好，將會嚴重影響後續的人臉檢測與識別。本作品使用了三種圖像預處理手段，即灰度調整、圖像濾波、圖像尺寸歸一化。
2.人臉檢測
一張包含人臉圖像的圖片通常情況下可能還會包含其他內容，這時候就需要進行必要的人臉檢測。也就是在一張人臉圖像之中，系統會精準的定位出人臉的位置和大小，在挑選出有用的圖像信息的同時，自動剔除掉其他多餘的圖像信息來進一步的保證人臉圖像的精準採集。人臉檢測是人臉識別中的重要組成部分。本作品使用基於Harr特徵的級聯分類器在進行人臉的檢測，它把弱分類器串聯成強分類器，這樣就能做到速度和精度的雙提高。
3.人臉特徵提取
目前主流的人臉識別系統可支持使用的特徵通常可分爲人臉視覺特徵、人臉圖像像素統計特徵等，而人臉圖像的特徵提取就是針對人臉上的一些具體特徵來提取的。特徵簡單，匹配算法則簡單，適用於大規模的建庫；反之，則適用於小規模庫。特徵提取的方法一般包括基於知識的提取方法或者基於代數特徵的提取方法。 以基於知識的人臉識別提取方法中的一種爲例，因爲人臉主要是由眼睛、額頭、鼻子、 耳朵、下巴、嘴巴等部位組成，對這些部位以及它們之間的結構關係都是可以用幾何形狀特徵來進行描述的，也就是說每一個人的人臉圖像都可以有一個對應的幾何形狀特徵，它可以幫助我們作爲識別人臉的重要差異特徵。
4.人臉識別
我們可以在人臉識別系統中設定一個人臉的相似程度的數值，再將對應的人臉圖像與系統數據庫中的所有人臉圖像進行比對，若超過了預設的相似數值，那麼系統將會把超過的人臉圖像逐個輸出，此時我們就需要根據人臉圖像的相似程度高低和人臉本身的身份信息來進行精確篩選，這一精確篩選的過程又可以分爲兩類：其一是一對一的篩選，即對人臉身份進行確認過程；其二是一對多的篩選，即根據人臉相似程度進行匹配比對的過程。本作品是一對多的識別過程，基於ResNet-34網絡架構進行訓練，但層數較少，濾波器減少一半；它包含一個triplet訓練步驟。triplet包含三種不同的臉，其中兩張是一個人。該神經網絡爲人臉圖像生成128維向量。如果是同一個人的臉，就調整神經網絡權重，讓矢量距離更接近。網絡量化人臉，爲每張人臉構建了128維嵌入（量化）。之後調整神經網絡的權重，以使兩個相同人臉的128維的度量更接近，並遠離不同的人臉。
5.活體鑑別
生物特徵識別的共同問題之一就是要區別該信號是否來自於真正的生物體，比如，指紋識別系統需要區別帶識別的指紋是來自於人的手指還是指紋手套，人臉識別系統所採集到的人臉圖像，是來自於真實的人臉還是含有人臉的照片。因此，實際的人臉識別系統一般需要增加活體鑑別環節，例如，要求人左右轉頭，眨眼睛，開開口說句話等。本作品將綜合使用這三種方法進行活體鑑別。
三．具體實施計劃及可行性分析
1.具體實施計劃
2018年11月—2018年12月，完成小批量人臉圖像的採集，同時編寫人臉識別程序；
2018年12月—2019年1月，研究對比多種人臉識別算法，在業內公認的數據集上進行訓練，從中選取最優算法進行部署測試，同時開始前端應用的設計開發，其中包括數據庫編程、圖像預處理相關程序的編寫；
2019年1月—2019年2月，採集本班人臉圖像，使用選出的最優算法進行訓練，進行測試；開始研究實現活體檢測技術；並開始完善前端應用的功能；
2019年2月—2019年3月，完成人臉識別考勤前端應用的基本功能和其它功能的設計；
2019年3月—2019年4月，進行系統最後的集成，並逐步優化運行速度和模型識別效率，測試整體框架的功能完整性和穩定性，並進行修復和改進。如果再有時間，則擴展其他功能。
2.可行性分析
人臉識別的優勢在於：
- 1）非侵擾性
人臉識別無需干擾人們的正常行爲就能較好地達到識別效果，無需擔心被識別者是否願意將手放在指紋採集設備上，他們的眼睛是否能夠對準虹膜掃描裝置等等。只要在攝像機前自然地停留片刻，用戶的身份就會被正確識別。 - 2）便捷性
採集設備簡單，使用快捷。一般來說，常見的攝像頭就可以用來進行人臉圖像的採集，不需特別複雜的專用設備。圖像採集在數秒內即可完成。 - 3）友好性
通過人臉識別身份的方法與人類的習慣一致，人和機器都可以使用人臉圖片進行識別。 而指紋，虹膜等方法沒有這個特點，一個沒有經過特殊訓練的人，無法利用指紋和虹膜圖像對其他人進行身份識別。 - 4）非接觸性
人臉圖像信息的採集不同於指紋信息的採集，利用指紋採集信息需要用手指接觸到採集設備，既不衛生，也容易引起使用者的反感，而人臉圖像採集，用戶不需要與設備直接接觸。 - 5）可擴展性
在人臉識別後，下一步數據的處理和應用，決定着人臉識別設備的實際應用，如應用在出入門禁控制、人臉圖片搜索、上下班刷卡、恐怖分子識別等各個領域，可擴展性強。正是因爲人臉識別擁有這些良好的特性，使其具有非常廣泛的應用前景，也正引起學術界和商業界越來越多的關注。人臉識別已經廣泛應用於身份識別、活體檢測、脣語識別、創意相機、人臉美化、社交平臺等場景中。
經過以上的優勢可以看出，人臉識別應用在課堂考勤中，是當前最佳的考勤方式。
預期成果
本作品最終的成果展示形式是包含攝像頭和電腦端的應用程序。它具有以下四個指標：
- 1）模型可識別人臉數量達到1000位以上；
- 2）2秒內完成單人身份的確認和簽到，支持多人同時簽到；
- 3）具有活體檢測功能，防止照片、視頻作弊；
- 4）數據庫可以成功讀取寫入，整個系統的功能運行流暢。
本項目的特點與創新之處
本作品的特點是使用2D成像攝像頭，輔以數據庫編程、電腦端程序開發、深度學習人臉識別、活體檢測等技術手段，設計了功能完善的電腦應用程序，來完成身份信息的錄入和身份的驗證，當完成人臉識別後，會將考勤信息自動統計出來，並將考勤結果寫入數據庫，方便管理員和老師的查詢。本作品的創新之處是：
- 1）使用人臉識別代替傳統點名方式，提高點名效率，高效快速便捷；
- 2）使用深度學習人臉識別技術，識別準確率和可識別數量大大提升；
- 3）設計編寫了功能完善的電腦端的應用程序，具有自動統計出勤率，自動輸出考勤信息，考勤結果一目瞭然；
- 4）將個人信息、考勤記錄等數據儲存到MySQL數據庫中，方便管理者管理。
研究基礎
- 1）指導教師在新能源科學與工程專業任教，負責《自動控制理論》、《動力工程計算機控制》等課程的教學，研究方向爲無人駕駛車輛相關技術，在軟硬件開發方面有較豐富的實際經驗，多次指導學生參加各類科技創新競賽並取得了良好成績。
- 2）負責人從2017年8月開始學習機器學習相關知識，作品一參加國家級創新創業訓練計劃；作品二獲得學校第四屆科技創新大賽三等獎；作品三參加SRT和科技立項並順利結題，並獲得學校節能減排大賽二等獎；作品四還在開發中；經過一年多的學習和研究，對深度學習中的目標檢測算法具有濃厚興趣，有比較深的理解。獲得校三好學生、校優秀團員，二等獎學金。
- 3）目前實驗室已經具備可供本作品使用的深度學習算法訓練的主機GTX1080主機兩臺，GTX1060主機一臺。已購置OpenCV、機器學習、深度學習、Python編程的相關書籍數本，爲項目研究打下堅實的基礎。