学生考勤管理系统的设计与实现文档格式.docx

学生考勤管理系统的设计与实现文档格式.docx

《学生考勤管理系统的设计与实现文档格式.docx》由会员分享，可在线阅读，更多相关《学生考勤管理系统的设计与实现文档格式.docx（7页珍藏版）》请在冰豆网上搜索。

PCA算法；

分类算法

1绪论

由于其在许多领域中的应用，人脸识别是图像处理的重要应用。

为出勤目的而识别组织中的个人就是这种面部识别的应用。

对出勤记录的维护和监控在分析任何组织的绩效方面起着至关重要的作用。

开发学生考勤管理系统的目的是将传统的学生考勤方式计算机化。

自动出勤管理系统通过减少人为干预来执行出勤标记和分析的日常活动。

用于检测和识别面部的普遍技术和方法未能克服诸如缩放，姿势，照明，变化，旋转和遮挡之类的问题。

所提出的系统旨在克服现有系统的缺陷，并提供诸如面部检测，特征提取，提取特征检测以及学生出勤分析等功能。

该系统集成了图像对比度，积分图像，颜色特征和级联分类器等技术，用于特征检测。

由于使用了面部的大量特征（形状，颜色，LBP，小波，自相关），该系统提供了更高的准确度。

使用欧几里德距离和k近邻算法识别面部。

由于系统考虑了在一段时间内在脸部发生的变化并采用了合适的学习算法，因此在结果中获得了更好的准确性。

系统针对各种用例进行了测试。

为了测试系统的准确性，我们考虑一个特定的区域，如课堂出勤。

考虑的度量是每个被测面部总数的已识别面部的百分比。

该系统在不同的光照条件下，各种面部表情，部分面部的存在（在人口稠密的教室中）以及是否存在胡须和眼镜进行测试。

在所考虑的大多数情况下，获得了更高的准确度（接近100％）。

人们可以根据许多因素区分特定的面部。

计算机视觉的主要目标之一是创建这样的人脸识别系统，该系统可以模拟并最终超越人类的这种能力。

近年来我们可以看到人脸识别技术的研究取得了很大的进展。

部分原因是在可用的生物识别方法中，这是最不引人注目的。

虽然在大型环境中安装人脸识别系统要容易得多，但实际实施起来非常具有挑战性，因为它需要考虑由照明，面部特征，姿势变化，图像分辨率，传感器噪声等因素引起的所有可能的外观变化。

观察距离，遮挡等。

已经开发了许多面部识别算法，每种算法都有自己的优势。

我们几乎每天都会面对认知。

大部分时间我们都会看一张脸，如果我们已经熟悉了脸，就能瞬间识别它。

如果可能的话，这种由机器模仿的自然能力可以被证明是非常宝贵的并且可以在现实生活中应用中提供非常重要的，例如各种访问控制，国家和国际安全和防御等。

目前可用的面部检测方法主要依赖于两种方法。

第一种是局部面部识别系统，其使用面部的面部特征，例如面部特征。

鼻子，嘴巴，眼睛等将脸部与人联系起来。

第二种方法或全局人脸识别系统使用整个面部来识别人。

上述两种方法已经通过各种算法以这种或那种方式实现。

人工神经网络的最新发展及其在人脸识别系统中的可能应用吸引了许多研究人员进入该领域。

面部特征的复杂性源于随着时间的推移而发生的面部特征的不断变化。

无论这些变化如何，我们都能够非常轻松地识别出一个人。

因此，通过机器模仿人类固有的这种技能的想法可能是非常有益的。

虽然开发智能和自学习的想法可能需要向机器提供足够的信息。

考虑到上述所有要点及其含义，我们试图获得一些最常用的人脸识别算法的经验，并比较和对比神经网络在该领域的使用。

2系统所涉及技术

2.1主成分分析法

在高维数据中，该方法被设计用于模拟线性变化。

其目标是找到一组相互正交的基函数，其捕获数据中的最大方差的方向，并且系数是成对去相关的。

对于线性嵌入式歧管，PCA保证能够发现歧管的维数并产生紧凑的表示。

PCA用于根据一组基函数或特征脸来描述面部图像。

特征脸在早期被引入作为主成分分析（PCA）的强大使用来解决人脸识别和检测中的问题。

在我们的特征脸的实现中，我们使用最近邻法来使用欧几里德距离对我们的测试向量进行分类。

多线性主成分分析PCA的一个扩展是将PCA应用于张量或多线性阵列，这导致称为多线性主成分分析（MPCA）的方法。

由于面部图像最自然地是多线性阵列，意味着存在描述面部图像中每个像素的位置的两个维度，因此想法是确定图像的多线性投影，而不是形成一维（1D）从脸部图像矢量，并找到矢量的线性投影。

认为多线性投影将更好地捕获邻域像素之间的相关性，否则在从图像形成1D矢量时会丢失相邻像素。

2.2线性判别分析

Fisherfaces是直接使用（Fisher）线性判别分析（LDA）进行人脸识别。

LDA搜索不同类的数据点彼此远离的投影轴，同时要求相同类的数据点彼此接近。

与在正交线性空间中对信息进行编码的PCA不同，LDA使用不一定正交的基础在线性可分离空间中对鉴别信息进行编码。

通常认为基于LDA的算法优于基于PCA的算法。

然而，当训练数据集很小时，PCA可以胜过LDA，并且PCA对不同的训练数据集也不那么敏感。

当将PCA应用于一组面部图像时，我们使用像素之间关系的低阶统计来找到一组基矢量。

具体而言，我们最大化像素之间的方差以分离像素之间的线性依赖性。

MPCA是PCA的推广，因为它试图识别像素之间的高阶统计关系，以形成更好的基矢量集，其中像素被视为随机变量而面部图像被视为结果。

以与PCA和LDA类似的方式，一旦找到新的基础向量，就将训练和测试数据投影到子空间中，并且使用诸如NN的方法进行分类。

2.3神经网络

通过采用神经网络来模拟我们识别面部的方式有点模仿。

这样做的目的是开发包含人工智能的检测系统，以便提出一个智能系统。

已经证明了神经网络在人脸识别中的应用，并且我们可以看到使用支持向量机进行人脸识别的半监督学习方法的建议。

除了常用技术之外，已经进行了许多努力以实现神经网络。

例如，在提出的系统中，使用了特征脸和神经网络的组合。

首先通过主成分分析（PCA）减少面部图像的维数，然后通过反向传播神经网络（BPNN）进行识别。

3系统分析与设计

3.1系统需求分析

在这里，系统主要涉及的功能需求包括：

图像采集，人脸图像检测，图像预处理，数据库开发，后处理等。

需求分析被定义为关注产品如何满足人类需求的正式流程。

它不是官方的业务开发工具，但被认为是一种有价值的分析技术，可以更好地衡量产品或服务对人类消费者的适销性。

它经常用于许多行业，例如软件开发，汽车，消费产品和银行服务。

需求分析最初用于软件开发人员，他们将系统与需求分析结合使用-研究系统中表示的元素。

简而言之，如果将这两个系统应用于电脑平台.，则需要分析计算机的所有内部内容，以及最终用户隐藏的复杂的硬件和固件;

而需求分析将集中在光滑的软件操作系统界面以及最终用户直接使用的外围设备（如键盘和鼠标）上，这样会影响最终用户对产品的最终认知。

系统需求用例图如下：

图3-1系统需求用例图

3.2系统设计流程

3.2.1图像采集

相机安装在离入口一定距离处，以捕目标的正面图像，并且进一步的过程用于面部检测。

3.2.2人脸图像检测

适当且有效的人脸检测算法总能提高人脸识别系统的性能。

提出了用于面部检测的各种算法，诸如基于面部几何的方法，特征不变量方法，基于机器学习的方法。

在所有这些方法中，Viola和Jones提出了一个框架，它提供了高检测率并且也很快。

Viola-Jones检测算法对于实时应用是有效的，因为它快速且稳健。

因此我们选择了Viola-Jones人脸检测算法，该算法利用积分图像和AdaBoost学习算法作为分类。

我们观察到该算法在不同的光照条件下提供了更好的结果，并且我们组合了多个哈尔分类器以实现高达30度角的更好的检测率。

在公式化每个面部的表示之后，最后一步是识别这些面部的身份。

为了实现自动识别，需要构建面部数据库。

对于每个人，拍摄若干图像并提取它们的特征并将其存储在数据库中。

然后，当输入面部图像进入时，我们执行面部检测和特征提取，并将其特征与存储在数据库中的每个面部类别进行比较。

面部识别有两种常见的应用，一种称为识别，另一种称为验证。

面部识别意味着给出一个面部图像，我们希望系统告诉他/她是谁或最可能的识别;

而在面部验证中，给定面部图像和识别的猜测，我们希望系统说出真或假的猜测。

3.2.3图像预处理

检测到的面部被提取并进行预处理。

该预处理步骤涉及所提取的面部图像的直方图均衡，并且被调整大小为100×

100。

直方图均衡是最常见的直方图归一化技术。

这改善了图像的对比度，因为它通过使图像更清晰来拉伸图像中的强度范围。

3.2.4数据库开发

由于我们选择了基于生物识别的系统，因此需要注册每个人。

这个数据库开发阶段包括每个人的图像捕获和提取生物度量特征，在我们的例子中它是面部，然后使用预处理技术增强并存储在数据库中。

在实际检测人脸图像时，系统会根据当前现存人物图像信息分别进行比较核对，给出一个新的人脸图像的评测结果。

人脸图像数据库的开发、维护至关重要。

3.2.5后处理

在所提出的系统中，在识别学生的面部之后，将名称更新为Excel表。

Excel表由数据库系统中存在的导出机制生成。

该数据库还能够生成每月和每周的学生出勤记录报告。

这些生成的记录可以发送给学生的家长或监护人。

在课程结束时，还包括宣布课堂上所有学生姓名的规定。

这可确保系统无法正确识别面部的学生有机会向员工发送门票。

从而使他们能够纠正系统并使其更加稳定和准确。

通告系统使用文本到语音转换来实现。

许多算法和应用程序可用于将文本转换为逼真的语音。

亚马逊Polly就是这样一种服务，其中包括47种声音，分布在24种语言中。

AmazonPolly提供支持实时交互式对话所需的持续快速响应时间。

提供API以将音频流返回到系统。

该系统还能够向员工和操作员发送通知电子邮件。

该电子邮件将使用AmazonSES等众多WebAPI之一发送。

系统将使用电子邮件API向每个授权人员发送每日报告。

推送通知也可以在系统中实现，通知可以发送给员工和学生。

推送通知是实时的，可以帮助提高所提议系统的准确性。

3.3学生考勤系统实现与测试

学生考勤管理系统简单，工作效率高。

该项目基于Web，需要浏览器才能访问管理系统。

系统在.NetFramework4.6框架平台中实施运行，在发布在本地服务器网站中后，可以直接运行在本地系统中。

在识别功能的基础上，系统操作会涉及基本的学生人员管理，学生考勤统计，打印输出，学生考勤制度约束等操作。

测试方法的单元测试部分是测试组成应用程序或系统的各个软件模块或组件。

这些测试通常由模块的开发人员和测试驱动开发方法编写，它们实际上是在模块作为规范的一部分创建之前编写的。

每个模块功能都由与模块使用相同编程语言编写的特定单元测试夹具进行测试。

系统测试部分测试方法涉及测试整个系统的错误和错误。

该测试通过连接整个系统的硬件和软件组件（先前已经过单元测试和集成测试），然后作为一个整体进行测试来完成。

该测试列在黑盒测试方法下，其中检查软件的用户期望的工作条件以及潜在的异常和边缘条件。

测试方法的验收测试部分是功能软件测试的最后阶段，涉及确保满足所有产品/项目要求，并确保最终用户和客户测试系统以确保其按预期运行满足他们定义的所有要求。

在大多数测试方法中，功能测试涉及根据业务需求测试应用程序。

功能测试使用客户提供的功能规范或使用设计团队提供的设计规范（如用例）完成。

另一方面，非功能性测试涉及针对非功能性需求测试应用程序，这通常涉及根据定义的技术质量测量/测试应用程序，例如：

漏洞，可扩展性，可用性。

用例设计如下：

表3-1学生考勤管理测试用例

用例名称