Система учета посещаемости студентов на основе распознавания лиц

Система учета посещаемости студентов на основе распознавания лиц

Автор: Иванова Елена Владимировна, Струева Анастасия Юрьевна

Журнал: Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика @vestnik-susu-cmi

Статья в выпуске: 4 т.10, 2021 года.

Бесплатный доступ

В настоящее время одним из значимых факторов для повышения качества подготовки специалистов является учет посещаемости студентов. Данный процесс может быть автоматизирован. В статье предлагается подход к построению системы учета посещаемости студентов на основе технологии распознаваниялиц, которая позволяет идентифицировать множество людей одновременно без прямого контакта с ними ибез использования дорогостоящего оборудования. Данный подход основан на сверточных нейронных сетях RetinaFace и ResNet, выбранных на основе обзора современных методов распознавания лиц, представленного в статье. Архитектура нашей системы учета посещаемости дополнена процедурами предобработкиизображений, которые по предложенной нами методике, основанной на мере BREN, проверяют качествоизображения и при необходимости применяют к изображению алгоритмы для уменьшения шума, повышения резкости, увеличения яркости и выравнивания цветов. Представлены результаты вычислительныхэкспериментов, показавшие более высокую эффективность предложенного подхода по сравнению с аналогами.

Еще

Распознавание лиц, система учета посещаемости, сверточная нейронная сеть, retinaface, facenet, предобработка изображений

Короткий адрес: https://sciup.org/147236490

IDR: 147236490   |   DOI: 10.14529/cmse210404

Список литературы Система учета посещаемости студентов на основе распознавания лиц

  • Зарубин В.И., Бибалова С.А. Посещаемость занятий в вузе как фактор эффективности подготовки современных специалистов / / Вестник Майкопского государственного технологического университета. 2017. № 2. С. 3-6.
  • Старовойтов В.В., Старовойтов В.Ф. Сравнительный анализ безэталонных мер оценки качества цифровых изображений / / Системный анализ и прикладная информатика. 2017. № 1. С. 24-32. DOI: 10.21122/2309-4923-2017-1-24-32.
  • Струева А.Ю., Иванова Е.В. Свидетельство о регистрации программы для ЭВМ «Библиотека подпрограмм для распознавания лиц в системах контроля деятельности персонала» № RU 2021669594 от 01 декабря 2021 г., правообладатель: ФГАОУ ВО «ЮУрГУ
  • Фурашев Д.А., Фаворская М.Н. Методы улучшения качества изображений // Актуальные проблемы авиации и космонавтики. 2010. Т. 1, № 6. С. 383-384.
  • Cortes С., Vapnik V. Support-vector networks // Machine Learning. 1995. No. 20. P. 273-297. DOI: 10.1007/BF00994018.
  • Dalai N., Triggs B. Histograms of oriented gradients for human detection // 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, CVPR’05, San Diego, CA, USA, June 20-25, 2005. P. 1-8. DOI: 10.1109/CVPR.2005.177.
  • Deng J., Zafeririou S. Arcface for disguised face recognition // 17th IEEE/CVF International Conference on Computer Vision Workshop, ICCVW 2019, Seoul, October 27-28, 2019. P. 485-493. DOI: 10.1109/ICCVW.2019.00061.
  • Dlib C++ Library. Documentation. URL: http://dlib.net/ (дата обращения: 21.08.2021).
  • Indyk P., Wagner T. Near-optimal (euclidean) metric compression // Proceedings of the Twenty-Eighth Annual ACM-SIAM Symposium on Discrete Algorithms, SODA’17, Barcelona, Spain, January 16-19, 2017. P. 710-723. DOI: 10.1137/1.9781611974782.45.
  • He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // 2016 IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2016, Las Vegas, NV, USA, June 27-30, 2016. P. 770-778. DOI: 10.1109/CVPR.2016.90.
  • Kalinovsky I., Spitsyn V. Review and Testing of Frontal Face Detectors // Computer Optics. 2016. Vol. 40, no. 1. P. 99-111. DOI: 10.18287/2412-6179-2016-40-1-99-111.
  • Keras. Documentation. URL: https://keras.io/guides/ (дата обращения: 21.08.2021).
  • Khan S., Akram A., Usman N. Real Time Automatic Attendance System for Face Recognition Using Face API and OpenCV // Wireless Personal Communications. 2020. Vol. 113. P. 469-480. DOI: 10.1007/sll277-020-07224-2.
  • Kortli Y., Jridi M., Atri M. Face Recognition Systems: A Survey // Sensors. 2020. Vol. 20, no. 2. P. 1-36. DOI: 10.3390/s20020342.
  • Li H., Lin Z., Brandt J., Shen X., Hua G. Efficient boosted exemplar-based face detection // IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH, USA, June 23-28, 2014. P. 1843-1850. DOI: 10.1109/CVPR.2014.238.
  • Microsoft Azure face. Documentation. URL: https://docs.microsoft.com/en-us/azure/cognitive-services/face/ (дата обращения: 01.09.2021)
  • Mothwa L., Tapamo J.-R., Mapayi T. Conceptual Model of the Smart Attendance Monitoring System Using Computer Vision // The 14th International Conference on Signal Image Technology & Internet Based Systems, SITIS 2019, Las Palmas de Gran Canaria, Spain, November 26-29, 2018. P. 229-234. DOI: 10.1109/SITIS.2018.00042.
  • Nurkhamid N., Setialana P., Jati H., Wardani R. Intelligent Attendance System with Face Recognition using the Deep Convolutional Neural Network Method //Journal of Physics: Conference Series. 2021. Vol. 1737, no. 1. P. 1-9. DOI: 10.1088/1742-6596/1737/1/012031.
  • OpenCV. Documentation. URL: https://docs.opencv.org/ (дата обращения: 01.09.2021).
  • Patel S., Kumar R. Face Recognition based smart attendance system using IOT // International Journal of Computer Sciences and Engineering. 2018. Vol. 6, no. 5. P. 871-877. DOI: 10.26438/ijcse/v6i5.871877.
  • Pertuz S., Puig D., Garcia M.A. Analysis of focus measure operators for shape-from-focus // Pattern Recognition. 2013. Vol. 46, no. 5. P. 1415-1432. DOI: 10.1016/j.patcog.2012.11.0117.
  • Redmon J., Farhadi A. YOLOv3: An Incremental Improvement // CoRR. 2018. Vol. abs/1804.02767. URL: http://arxiv.org/abs/1804.02767
  • Samal D.B., Starovoitov V.V. A geometric approach to face recognition // Proceedings of the IEEE-EURASIP Workshop on Nonlinear Signal and Image Processing, NSIP’99, Antalya, Turkey, June 20-23, 1999. P. 1-5.
  • Son N.T., Anh B.N., Ban T.Q. et al. Implementing CCTV-Based Attendance Taking Support System Using Deep Face Recognition: A Case Study at FPT Polytechnic College // Symmetry. 2020. Vol. 12, no. 307. DOI: 10.3390/syml2020307.
  • TensorFlow. URL: https://www.tensorflow.org/ (дата обращения: 01.09.2021).
  • Viola P., Jones M.J. Robust Real-Time Face Detection // International Journal of Computer Vision. 2004. Vol. 57, no. 2. P. 137-154. DOI: 10.1023/B:VISI.0000013087.49260.fb.
  • Wang M., Deng W. Deep Face Recognition: A Survey // Neurocomputing. 2021. Vol. 429. P. 215-244. DOI: 10.1016/j.neucom.2020.10.081.
  • Winarno E., Hadikurniawati W., Nirwanto A.A. Multi-View Faces Detection Using Viola-Jones Method // Journal of Physics Conf. Series. 2018. Vol. 1114, no. 1. DOI: 10.1088/1742-6596/1114/1/012068.
  • Wu H., Cao Y., Wei H., Tian Z. Face Recognition Based on Haar Like and Euclidean Distance // Journal of Physics: Conference Series. 2021. Vol. 1813. P. 1-7. DOI: 10.1088/1742-6596/1813/1/012036.
  • Yang S., Luo P., Loy C.C., Tang X. WIDER FACE: A Face Detection Benchmark // 2016 IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2016, Las Vegas, NV, USA, June 27-30, 2016. P. 5525-5533. DOI: 10.1109/CVPR.2016.596.
  • Zhu X., Ramanan D. Face detection, pose estimation, and landmark localization in the wild // IEEE Conference on Computer Vision and Pattern Recognition, Providence, RI, USA, June 16-21, 2012. P. 2879-2886. DOI: 10.1109/CVPR.2012.6248014.
  • Zhang K., Zhang Z., Li Z., Qiao Y. Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks // IEEE Signal Processing Letters. 2016. Vol. 3, no. 10. P. 1499-1503. DOI: 10.1109/LSP.2016.2603342.
Еще
Статья научная
SciUp 2024 © 2024 ©