【人脸识别】人脸识别宿舍考勤【含GUI Matlab源码 2372期】

?博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
??座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

?一、正则化图像去噪简介

宿舍是学生学习、生活的场所, 学生晚上住在宿舍是确保学生人身、财产安全的重要保障。目前大多数高校依然采用管理员对宿舍进行考勤管理, 这种方式效率低、耗时长、成本高, 且准确度较低、不能自动化统计[1]。信息科技技术的迅速发展带动了学校管理工作的高效运作, 高校宿舍管理人员不断追求学生宿舍信息管理自动化和信息化[2]。高校各个方面的建设都在促进智慧校园的发展, 方便在校师生的学习、生活。指纹识别技术[3]、语音识别技术、RFID卡都应用在宿舍的考勤系统中。指纹识别和RFID卡识别方式容易出现一人刷多个指纹套、刷多卡的现象, 而且在早、中、晚宿舍集中进出时间段, 容易造成学生排队等待刷卡, 造成时间上的浪费与管理上的混乱[1]。

随着身份识别需求的不断深化, 人脸识别技术在实际应用中的高准确率使其成为主流的研究方向[4]。人脸识别[5]是生物识别技术的一个重要分支, 识别过程首先捕获人脸信息, 然后通过图像处理提取脸部特征, 建立深度学习模型, 以此完成人脸识别[4]。本文提出通过人脸识别对宿舍人员进行考勤, 在指定的时间内, 只要在宿舍区域内有摄像头的地方就可以进行人脸识别进行考勤, 不需要限定楼层和宿舍。

1 需求分析
1.1 功能需求
高校宿舍管理系统的作用是使高校学生通过智能化、自动化的管理带来学习和生活上的便捷[6]。考勤时间定在宿舍关门前的20分钟, 在这个时间段内, 只要学生在宿舍区域, 任何一个摄像头都可以进行人脸图像的采集进行识别。识别过程不需要限定大家一定在宿舍内, 不受拍摄角度和着装的影响。

考勤结束后, 系统根据识别情况按照宿舍、学院分组统计, 将统计结果发送给宿舍管理员和辅导员, 辅导员根据考勤人数和请假人员信息确定不在宿舍住宿的学生信息。

1.2 性能需求
安全性:系统通过内部独立网络传输信息, 通过接口实现统计结果的查询, 然后通过互联网进行信息的发送, 具有较好的安全性, 保障系统内部的数据信息不丢失或者泄漏, 保障学生的数据信息不被盗用。

时效性:经过训练后的模型, 在识别过程中可快速、高效地进行识别。

迁移性:通过训练之后得到的模型和相关参数, 在所有的宿舍考勤识别过程中具有较好的识别效果。

实用性:系统要以经济实用为目的, 在系统使用过程中, 应该把关键的方面直接提供给系统维护人员, 有助于形成即时管控对策, 确保系统的有效运转[4]。

2 系统设计
系统设计过程包括数据预处理、训练模型和识别三个部分组成。系统总体流程图如图1所示:

图1 系统总体流程图

图1中编号 (1) 部分完成模型的训练。在训练集中进行多次卷积和池化操作后, 通过全连接输出, 结合反向传播算法, 调整训练过程中的参数, 直到满足训练条件或者达到最大训练次数。训练结束后, 满足训练条件后生成训练好的模型;在编号 (2) 部分, 首先进行系统的初始化操作, 利用摄像头进行图像采集, 结合编号 (1) 部分训练好的模型进行人脸识别的操作, 如果识别成功, 则完成考勤, 否则, 需要系统重新拍照。

2.1 数据预处理
通过组织学生在摄像头前完成数据采集后, 需要对采集的数据进行相应的处理才可以进行训练;图像预处理的主要目的是消除拍摄图像中和脸部特征无关的信息, 保留有用的特征值区域, 方便训练以及在识别过程中抽取有效的特征值进行运算和识别。

2.2 训练模型
系统模型采用三层卷积神经网络, 经过预处理的数据集作为训练模型的输入层, 首先对输入层进行卷积运算, 然后对卷积结果进行池化处理, 池化后对池化结果进行卷积运算, 然后再对卷积结果进行池化处理, 以此类推;三个卷积和池化层后是一个全连接层, 直接输出预测的结果值[7], 具体模型如图2所示:

图2 三层卷积神经网络
图中输入层即数据预处理后的数据集, C1是第一个卷积层, S1是第一个池化层, F1是全连接层, 输出层输出预测的值。

根据预测值和真实值之间的误差, 结合反向传播算法和随机梯度下降算法进行权值的调整, 直到达到设定的迭代次数, 完成模型的训练。

?二、部分源代码

function varargout = MainGUI(varargin)
% MAINGUI MATLAB code for MainGUI.fig
% MAINGUI, by itself, creates a new MAINGUI or raises the existing
% singleton*.
%
% H = MAINGUI returns the handle to a new MAINGUI or the handle to
% the existing singleton*.
%
% MAINGUI(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in MAINGUI.M with the given input arguments.
%
% MAINGUI(‘Property’,‘Value’,…) creates a new MAINGUI or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before MainGUI_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to MainGUI_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help MainGUI

% Last Modified by GUIDE v2.5 11-Feb-2023 14:25:07

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @MainGUI_OpeningFcn, …
‘gui_OutputFcn’, @MainGUI_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT

% — Executes just before MainGUI is made visible.
function MainGUI_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to MainGUI (see VARARGIN)

% Choose default command line output for MainGUI
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);

% 鍒濆璇? UI
set(handles.edit1,‘string’,‘001’);
set(handles.edit2,‘string’,‘002’);
set(handles.edit3,‘string’,‘003’);
set(handles.edit4,‘string’,‘004’);
set(handles.edit5,‘string’,‘005’);
set(handles.edit6,‘string’,‘006’);
set(handles.edit7,‘string’,‘007’);
set(handles.edit8,‘string’,‘008’);

set(handles.edit11,‘string’,‘学生1’);
set(handles.edit12,‘string’,‘学生2’);
set(handles.edit13,‘string’,‘学生3’);
set(handles.edit14,‘string’,‘学生4’);
set(handles.edit15,‘string’,‘学生5’);
set(handles.edit16,‘string’,‘学生6’);
set(handles.edit17,‘string’,‘学生7’);
set(handles.edit18,‘string’,‘学生8’);

%鍒濆璇濇暟鎹?
[cv,V,m,v]= initData();
save(‘tempData/tempData’,‘cv’,‘V’,‘m’,‘v’)

?三、运行结果

?四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]卢喜利,周月鹏.基于人脸识别的智能宿舍考勤系统设计[J].电脑知识与技术. 2018,14(35)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合