基于PCA的人脸识别算法在课堂考勤中的应用研究

本文主要对基于PCA的人脸识别算法展开研究，首先采集图片进行预处理，然后基于AdaBoost算法进行人脸检测，采用PCA算法进行人脸识别与匹配，最终将人脸识别算法运用到移动课堂考勤平台中。本系统将人脸识别技术与课堂考勤相结合，在Android客户端完成实时考勤和考勤统计的功能。经过实验测文章引用: 吴美香, 邓园园, 裴枫华, 余松森. 基于PCA 的人脸识别算法在课堂考勤中的应用研究[J]. 计算机科学与应用, 2018, 8(3): 366-377.

人脸识别作为生物特征识别技术之一，利用人脸的眉毛、眼睛、口、鼻等特征进行身份认证，是当前一种非常流行的身份认证技术。人脸识别就是从采集到的含有人脸的图像或视频流中提取出人的特征点信息。在当前流行的人脸识别、指纹识别、脉搏识别、虹膜识别、视网膜识别、DNA 识别等众多生物特征识别技术中，人脸识别技术与其他生物特征识别技术相比，具有非接触性、直接性、便利性、准确率高等优势，从而得到了广泛的研究与应用。目前，人脸识别在门禁系统、网络身份识别、摄影摄像领域都有着极其广泛的应用，随着人脸识别技术的不断成熟，其识别的可靠性和准确率会得到进一步的提升，未来作为身份识别的关键技术手段，其必将会应用于更多的领域[1]。

2. 现有研究成果对比分析 由于人工考勤存在耗时、效率低等弊端，以及人脸识别技术越来越成熟，很多研究者把考勤和人脸识别技术结合起来，开发人脸识别考勤系统，以下将对现有的几种人脸识别考勤系统进行对比分析。文献[2]中介绍了基于PCA 和LDA 算法的人脸识别考勤系统的设计与实现， 该系统采用C/S 服务体系结构， 在客户机通过识别摄像头采集的人脸信息与系统中存在的人脸信息进行对比，但该系统的考勤效率低、硬件设备要求大、成本较高。

文献[3]提出了一种基于SVD 的两步人脸识别的考勤系统， 虽然该系统识别率高，但是算法识别流程复杂，计算复杂度高，识别耗时长。文献[4]提出了基于手机定位的考勤系统， 该系统虽然可以提高考勤管理的效率，但是手机定位具有不稳定性，考勤也具有不确定性。基于以上几种考勤系统的对比，本文提出基于PCA 算法的移动课堂考勤系统，PCA 对比其他人脸识别算法来说，准确率较高以及复杂度低，本系统与以往的单个人脸考勤不同的是，采用一张课堂集体照进行多个人脸识别，考勤效率大大提高。由于安卓手机的普遍性，硬件要求低，大大降低了考勤成本。

3. 人脸检测 人脸检测技术是人脸识别技术的关键步骤，是识别匹配的前提。人脸检测技术是指在一张照片中找出人脸的位置和大小的过程。本作品采用基Haar 分类器的AdaBoost [5]算法来进行人脸检测。AdaBoost算法最早在1995 年由Freund 和Schapire 两人提出，现在多用于计算机视觉，机器学习，人脸检测和数据挖掘上。

3.1. Haar 分类器算法 Opencv 自带了haar 分类器，Haar 分类器算法的要点如下： • 使用Haar-like 特征做检测。