张帆++龚翠艳++时德才++汪星航

【摘要】高校学生上课出勤率是学风建设的基础，同时也是课堂管理的必要环节。本文利用计算机视觉技术，通过OpenCV开源库设计了一套课堂自动考勤系统。该系统利用数字图像技术、人脸检测技术准确记录教室内学生出勤人数，此系统统计精确，操作简单，能有效防止漏统计和错统计，能有效提高学生出勤率。

【关键词】计算机视觉 课堂自动考勤 人脸检测

【中图分类号】TP391【文献标识码】A 【文章编号】2095-3089(2015)04-0204-01

0.引言

随着计算机技术的飞速发展，计算机视觉技术已被广泛应用于高校课堂的教学、实验中[1]。近年来，随着学生管理水平不断提高，计算机视觉技术在高校的学生管理事务中发挥越来越重要的作用。如今高校的学生课堂出勤统计一般是通过老师课堂点名的方式进行。这样的方式不仅效率低下，同时也不可避免部分学生代为答到的情况。本文所研究的基于计算机视觉的课堂出勤系统通过教室或老师自代的摄像头，自动化采集到课学生的人脸图像。通过对人脸图像的检测，统计本堂课实际到位人数。此系统设备简单，自动化程度高，对课堂管理有着较好的效果。

1.学生课堂出勤情况浅析

学风建设是高校可持续发展的永恒主题，优良的学风是确保和提高教学质量的重要条件，而课堂出勤管理恰恰是学风建设的基础。据不完全统计，在高校中有接近10%的学生是经常逃课，25%左右的学生是偶尔逃课。除此之外，学生出勤率与年级呈负性相关，即年级越高，出勤率往往越低。同时，专业课出勤率高于选修课，小课的出勤率高于大课[2]。由此看来，学生逃课情况在各个年级、各个专业都有不同程度地出现，有效地解决管理课程出勤问题迫在眉睫。

2.系统组成

本文提出的基于计算机视觉技术的课堂自动考勤系统在硬件上只需要一个网络摄像头和一个PC终端。在软件上我们使用OpenCV开源计算机视觉库结合相关的编程软件完成系统的设计。OpenCV的全称为Open Source Computer Vision Library，是一个基于开源的跨平台计算机视觉库。OpenCV提供的视觉处理算法非常丰富，并且它部分以C语言编写，有较高的执行效率，可实现数字图像处理及计算机视觉方向的通用算法。

本系统主要由两个系统组成。第一个系统为学生出勤统计模块，该模块主要由视频采集模块、人脸检测模块以及计数模块组成。该模块主要负责在前端运行时对摄像头实时采集的图像进行人脸检测并计数。视频采集模块无需上课老师开启，只要运行系统即自动启动。而人脸检测模块需要上课老师进行确认操作，同时在人脸检测时需要学生保持一个固定姿势不动，以便取得较为稳定的输入图像予以检测。在人脸检测完毕后，计数模块会自动地根据人脸检测数对学生进行无重复标号，以确定整个图像中学生数目，并自动保存。另一个系统为教师管理系统，该系统由查询模块、管理模块组成。查询模块主要对已查课程的数据进行查询操作，管理模块可进行用户管理、课表管理、查询结果输出等操作。系统模型框图如图1所示。

图1 系统硬件组成框图

3.基于OpenCV的软件算法实现

OpenCV是由Intel微处理器研究实验室(Intels Microprocessor Research Lab)的视觉交互(Visual Interactivity Group)开发的数字图像处理和计算机视觉的函数库，由一系列C函数和少量C++类构成，可在Windows系统以及Linux系统下使用。该库的所有函数都是开源的，可以从相关网站下载获得。OpenCV提供了针对不同功能的各种头文件，为图像、视频以及实时摄像机的视频数据提供了良好的数据获取接口，这些接口都可以直接在开发中得以利用[3]。

本系统利用普通的USB摄像头进行图像的采集，当采集图像完毕后，通过对图像进行预处理达到降噪的目的。在图像预处理阶段首先将采集的图像进行平滑操作，除此之外还需要对图像进行直方图均衡化处理，以增强人脸特征。计算机视觉中人脸检测的算法很多也较为复杂，但利用OpenCV提供的函数和分类器进行人脸检测则比较容易。本系统使用的分类器为OpenCV提供的默认人脸分类器。加载完分类器后，通过使用OpenCV中的目标函数对人脸进行检测[4]。该目标函数包含目标物体的矩形区域，同时将检测到的区域作为序列矩形框返回。函数可以以不同比例大小对图像进行多次搜索，保证了所有的人脸都被检测[5]。系统的算法流程如图2所示。

图2 系统算法流程

4.问题与挑战

基于计算机视觉的课堂自动考勤系统是一种较为前沿的学生考勤办法。该办法虽然可以减少老师上课的点名时间，提高课堂效率，同时也存在一些问题。相对于传统的点名考勤而言，基于计算机视觉的考勤系统受到硬件、环境以及被测对象三个因素的制约。虽然现在多媒体教室已经比较普及，但往往教室内不具体摄像头设备。若没有摄像头设备，则整个系统就像失去了眼睛一般无法运行。若需要上课老师自行携带摄像头，则给上课老师增加对该问题的解决程度关系着人脸识别实用化进程的成败了额外的负担[6]。

另外，整个系统的算法受环境的干扰因素较多，特别是光照。光照变化是影响人脸检测性能的关键因素，对该问题的解决程度关系着人脸检测实用化进程的成败。同样的教室因为光照强度不同故检测的效果也不同。不同的人脸在不同的光照强度下呈现的图像是不同的，如何使系统在不同光照的条件下对人脸都有较好的检测率是一个值得深入研究的问题。

最后，被检测者学生的姿态对人脸检测也是检测中需要特别注意的问题。理想状态的检测为学生的脸都正对摄像头，但由于学生分布在教室空间的各个位置，不可能完全将人脸正面面向摄像头，故在检测中必须考虑侧面检测人脸的情况。但若人脸在三维坐标系垂直于图像平面的两个方向作深度旋转会造成人脸面部信息部分丢失，导致人脸检测不准或无法检测。故在人脸检测时，需要任课老师统一提醒学生注意不要侧脸面向摄像头。

参考文献：

[1]张辉，数字图像处理课程的教学建设与改革研究[J].中国校外教育(下旬刊)，2013(10)：72-73.

[2]方明，高职院校学生课堂出勤现状分析及管理模式探究[J].教育教学论坛，2013(45)：11-12.

[3]Intel Corporation， Intel Open Source Computer Vision“library Reference Manual[R].2001.

[4]武勃.黄畅等，基于连续Adaboost算法的多视角人脸检测[J].计算机研究与发展，2005，42(9)：1612-1621.

[5]雷蕴奇.柳秀霞.宋晓冰等，视频中运动人脸的检测与特征定位方法[J].华南理工大学学报(自然科学版)，2009.37(5)：31-37.

[6]陈鑫铭.吴锐，我国高校信息系统集成度评价体系[J].情报杂志，2009，28(3)：93-96.endprint