AttenFace一个基于人脸识别的实时考勤验证系统算法研究

2024-05-31 21:20

本文主要是介绍AttenFace一个基于人脸识别的实时考勤验证系统算法研究,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

0 、引言

论文提出了一个使用面部识别、允许实时监控考勤的考勤系统, 可以检查由于欺骗和遗漏造成的欺诈。
论文地址:https://arxiv.org/abs/2211.07582v1

1. 概述

在大学和其他机构的课堂上,通常会进行考勤。然而,这种方式往往很原始,有改进的余地。实行叫学生的名字或在考勤本上写下他们的名字,但这很费时间和精力。这些方法也容易出现作弊行为,如替代出勤或在核实出勤后离开教室。和学生不必手动回复出勤情况。由于摄像头一直在记录,因此也很容易确定学生在课堂上停留的时间,只有超过负责该班的教授确定的阈值的学生才能最终得到考勤。此外,该系统还提供了一个管理屏幕,学生可以在这里检查他们的课堂出勤情况,教授们可以为他们的班级设置出勤门槛。这是使用面部识别的一个例子。

因此,本文提出了AttenFace,一个使用面部识别的系统,以节省检查出勤率的时间和精力并防止欺诈。用相机拍摄课堂,通过面部识别从定期拍摄的快照中识别学生,并存储在数据库中。教师

2.AttenFace系统概述

AttenFace可以利用面部识别自动处理学生考勤。一般过程如下:首先,当一堂课开始时,摄像机开始记录,每10分钟拍摄一张快照。接下来,对获得的快照进行面部识别,以识别学生;每10分钟,确定学生是否在场。最后,对于所有的快照,如果有一定数量的快照被认为是在场的,那么该班级就被认为是出席了。请注意,这个 "一定数量 "是一个规范,可以由班级的教授来设定。每10分钟的出席人数被称为bu “锁定数”。

3. AttenFace系统要求

列出了功能和非功能的要求。四个功能要求是:(1)与学生/教授/管理员机构的登录信息相联系的登录门户(2)显示学生/教授所选课程出勤情况的管理屏幕(3)教授能够改变课程的出勤标准(4)管理员能够手动推翻错误的出勤结果。非功能要求是:(1)系统能从其机构的数据库中获取必要的学生/班级信息(2)显示出勤情况的管理屏幕是跨平台的,强调移动的兼容性,以方便用户(3)面部识别算法有一个计算开销(4) 面部识别算法可以在多个实例上并行运行,以便在多个班级进行平行处理。

4. AttenFace的使用案例

该文件列出了以下十个用例。
(1)学生/教授/管理员使用他/她的时期登录信息登录管理屏幕
(2)学生显示他/她参加的所有课程的出勤率
(3)学生在一节课结束后立即显示出勤率(0或1)
(4)学生每10分钟参加的课程的出勤率,这由教授设定检查是否超过了教授设定的阈值
(5)到目前为止,学生参加的课程总数,显示他/她可以缺席的课程数量,直到该课程要求的总缺勤数
(6)该课程的总缺勤数,在教授结束课程后立即进行
(7)教授设定的作为出勤标准的块数,每堂课/改变(教授可以在某些日子里宽松地或随意地出勤,不需要大学管理部门)
(8)教授在开课前改变上课的房间号,以确保在新的房间里启动摄像头,在发生突发事件时进行考勤
(9)管理员在必要时,可以(10) 允许管理员改变上课本身的房间号,以防与另一门课重合
(10)允许管理员改变上课本身的房间号,以防与另一门课重合。

下图是论文中提出的UML用例图。

5. AttenFace系统配置。

系统配置包括四个(前端、后端服务器、人脸识别服务器和数据库),如下图所示。

首先,用户(User)通过管理屏幕(Frontend)进入系统。下图是显示给学生的屏幕样本。在这里,用户可以查看某个班级的出勤、缺勤和可能缺勤的人数,以及每10分钟的出勤决定状态。

此外,下图显示了显示给教师的一个样本屏幕。在这里,教师可以看到他/她所负责的班级的听课人数和听课名单(总听课人数),以及确定听课的阈值(所需的最小块数)。请注意,阈值是可以编辑的。

后端(Backend Server)通过数据库处理,如访问图像进行面部识别,在管理屏幕上显示数据和基本的CRUD操作。它还根据逐个区块的信息来确定班级的出勤率。它还充当向人脸识别服务器发送数据的桥梁,该服务器不能直接访问数据库(数据库)。人脸识别服务器执行人脸识别的高负荷计算处理。在上课期间,它直接从安装在每个教室的摄像头中获取实时画面,并与后端(Backend Server)进行通信以确定出勤率,每个线程都有其相关的独立计算。人脸识别服务器(Face Recognition Server)的每个线程都从后端(Backend Server)接收 “所有上课学生的图像”、“上课时间”、"下课时间 "和 “该教室对应的摄像头ID”。下图是人脸识别服务器(Face Recognition Server)、后端服务器(Backend Server)和摄像头(Camera)的顺序图。

与现有的解决方案相比,后台(后台服务器)和摄像机(照相机)之间的直接通信是一个独立的、完全自动化的系统的重要组成部分。最后,数据库存储有关学生(如用于识别的图像和注册的班级)、班级(如房间号和相应的摄像机ID)和教授(如教授的课程)的信息。下图显示了数据库的简化模式。

6. 在大学教学中的具体用途

要在大学课堂上使用AttenFace,系统首先在课堂开始前5分钟与摄像机建立连接。接下来,教授按要求登录管理屏幕,并更改目标班级的出勤要求。从上课到下课,教室的快照被发送到后台,然后每10分钟发送到面部识别服务器。然后,每隔10分钟,学生被识别并记录为一个区块。最后,在课堂结束时,学生可以登录管理屏幕,立即看到他们在该班的出勤情况。

7. AttenFace的可扩展性和易集成性

AttenFace系统是模块化的。特别是,面部识别服务器(Face Recognition Server)是一个独立的模块。给出学生的照片作为输入,在人脸识别模块中进行计算,并将每个学生的识别结果(无论在该时间段是否在场)返回到后端(后台服务器)。后端(Backend Server)使用这些数据来计算出勤率。 由于其模块化的性质,AttenFace系统可以很容易地集成到现有的大学门户中。例如,很容易将AttenFace实时考勤系统整合到Moodle(*1)中。在本文的案例研究中,管理屏幕(Frontend)、登录机构和与机构数据库的互动都由Moodle处理。需要整合的组件是与人脸识别服务器互动并进行必要计算的后端(后端服务器)脚本,以及人脸识别服务器本身。集成后,考勤数据可以提供给Moodle并显示在前端。(*1) Moodle是一个开源的电子学习平台。它是免费的学习支持软件,可以在课堂上使用,也可以在互联网在线环境下随时随地使用。它允许教授在网上发布教学大纲和讲课材料,学生提交作业,教授对提交的作业进行评分。

8、总结

本文提出了一个名为AttenFace的系统,它使用面部识别来实时统计出勤率。到目前为止,检查课堂出勤率是一个费时费力的过程,但AttenFace成功地实现了这一过程的自动化。此外,AttenFace以区块为单位,每10分钟确定一个学生是否在场,依据的是区块整体的百分比是多少。因此,学生不能在上课时离开教室,必须在教室里停留一定的时间。可以自动确定出勤率,同时排除不正常的情况。本文没有提到所使用的面部识别算法或面部识别的准确性,但在实践中,曾出现过无法检测到学生或无法准确识别学生的情况。各种因素,如教室的照明环境,学生脸部的位置、方向和大小,以及图像质量,都可能影响到人脸识别的准确性。未来需要研究更加稳健并能适应不同情况的人脸识别算法。研究由于各种因素,如照明环境、学生脸部的位置、方向、大小和图像质量,以及由于人脸识别算法造成的准确性和偏差的差异,可能是很有意思的。然而,正如本文所述,人脸识别/认证的有用性和便利性可能会从班级考勤管理等休闲应用中实现,而社会实施可能会取得进展。

这篇关于AttenFace一个基于人脸识别的实时考勤验证系统算法研究的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1019086

相关文章

Spring Security基于数据库验证流程详解

Spring Security 校验流程图 相关解释说明(认真看哦) AbstractAuthenticationProcessingFilter 抽象类 /*** 调用 #requiresAuthentication(HttpServletRequest, HttpServletResponse) 决定是否需要进行验证操作。* 如果需要验证,则会调用 #attemptAuthentica

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

水位雨量在线监测系统概述及应用介绍

在当今社会,随着科技的飞速发展,各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中,水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术,其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成,形成了一个完整的闭环系统。 数据采集单元:这是系统的“眼睛”,

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

嵌入式QT开发:构建高效智能的嵌入式系统

摘要: 本文深入探讨了嵌入式 QT 相关的各个方面。从 QT 框架的基础架构和核心概念出发,详细阐述了其在嵌入式环境中的优势与特点。文中分析了嵌入式 QT 的开发环境搭建过程,包括交叉编译工具链的配置等关键步骤。进一步探讨了嵌入式 QT 的界面设计与开发,涵盖了从基本控件的使用到复杂界面布局的构建。同时也深入研究了信号与槽机制在嵌入式系统中的应用,以及嵌入式 QT 与硬件设备的交互,包括输入输出设

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟&nbsp;开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚&nbsp;第一站:海量资源,应有尽有 走进“智听

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig