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   |   УДК: 004.93,   |   DOI: 10.14529/cmse210404

The student attendance control system based on face recognition

Currently, one of the significant factors for improving the quality of training of specialists is the control of student attendance. This process can be automated. The paper suggests an approach to building a studentattendance control system based on face recognition technology, which allows you to identify many people at thesame time without direct contact with them and without using expensive equipment. This approach is based onthe convolutional neural networks RetinaFace and ResNet, selected based on the review of modern methods offacial recognition presented in the paper. The architecture of our attendance control system is complemented byimage preprocessing procedures, which, according to our proposed method based on the BREN measure, checkthe image quality and, if necessary, apply algorithms to the image to reduce noise, sharpen, increase brightnessand align colors. The results of computational experiments are presented, which have shown a higher efficiency ofthe proposed approach compared with analogues.

Еще

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
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp