基于Android的人脸识别考勤系统在沙特国王大学的应用

沙特国王大学学报基于Android的人脸识别考勤系统Dwi Sunaryonoa，Joko Siswantorob，Sunda，Radityo Anggoroaa信息学系，Institut Teknologi Sepuluh Nopalan，泗水，泗水b泗水大学信息工程系。Kali Rungkut，泗水60293，印度尼西亚阿提奇莱因福奥文章历史记录：2018年9月11日收到2018年11月28日修订2019年1月12日接受在线提供2019年1月18日保留字：考勤系统人脸识别基于Android的A B S T R A C T学生出勤率是衡量学生参与课程的重要指标。基于生物识别、条形码、QR码和近场通信移动终端的自动考勤系统已经被提出。然而，先前的系统在处理时间和精度方面效率低。本文旨在提出一种基于Android的人脸识别考勤系统。为了确保学生参加课程，生成包含课程信息的QR码并显示在教室前面。学生只需要使用他/她的智能手机捕捉他/她的面部图像并显示QR码。然后将图像发送到服务器进行考勤处理。实验结果表明，该考勤系统采用线性判别分析方法，人脸识别准确率达到97.29，在服务器端识别一张人脸图像仅需0.000096s。©2019作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍学生出勤率是影响学生学习成绩的重要因素。在某所大学，学生出席课程也被用作学生参加考试的要求之一（Islam等人，2017年）。记录学生出勤率的传统方法是要求每个学生在在讲座开始时发给所有学生的出席名单。然而，这种方法在时间方面是低效的，并且可能潜在地导致欺诈，特别是在大班中，其中学生可以在出勤列表上为不在班上的其他学生签名。为了避免舞弊的发生，有时讲师会一个一个地叫出在签到表上签名的学生的名字。这种方法将占用讲座时间，并将对讲座的有效性产生影响（Mohamed和Raghu，2012）。一个现代的方法来记录考勤是通过使用自动考勤系统。几个自动化考勤系统已提出由雇主-*通讯作者。电子邮件地址：dwis@if.its.ac.id（D.Sunaryono），joko_siswantoro@staff.ubaya. ac.id （ J. Siswantoro ） ， onggo@if.its.ac.id （ R.Anggoro）。沙特国王大学负责同行审查制作和主办：Elsevier生物识别，如指纹识别（Mohamed和Raghu，2012; Rao和Satoa，2013; Soewito等人，2015; Zainal等人，2016; Zainal等人，2014）、面部识别（Chintalapati和Raghunadh，2013; Fuzail等人，2014;Mehta 和 Tomar ， 2016; Raghuwanshi 和 Swami ， 2017; Sayeed 等人，2017; Wagh等人，2015年; Wati Mohamad Yusof等人，2018）和手掌静脉识别（Bayoumi等人，2015年），以承认谁是出席的学生，并记录他们的出勤率。其他提出的考勤系统使用条形码（Noor等人，2015）、QR码（Rahni等人，2015）、RFID（Arulogun等人，2013;Bhalla等人，2013; Hussain等人，2014; Rjeib等人，2018年）和近场通信（NFC）移动终端（Mohandes，2017年），以获得学生ID进行考勤。一些考勤系统是在便携式设备中开发的（Mohamed和Raghu，2012; Zainal 等 人 ， 2016 ， 2014 ） 和 智 能 手 机 （ Islam 等 人 ，2017;Mohandes ， 2017; Noor 等 人 ，2015; Rahni 等 人 ，2015;Soewito等人， 2015年）。Rao和Satoa（2013）提出了一种使用指纹识别的员工考勤管理系统每次入住和退房时，员工都需要扫描指纹以记录出勤情况。该考勤系统采用基于细节点匹配和基于贪婪匹配相结合的方法对扫描指纹进行识别尽管作者报告了所提出的系统易于使用并且成本低，但是所提出的系统不适合于上课系统，因为如果同时存在大量的班级，则系统需要大量的指纹记录设备。此外，如果有大量的学生，https://doi.org/10.1016/j.jksuci.2019.01.0061319-1578/©2019作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comD. Sunaryono等人/沙特国王大学学报305在一个过程中的凹痕，那么系统将导致一个长的和耗时的队列。Rao和Satoa（2013），Zainal等人（2016，2014）提出了一种基于指纹识别的学生考勤系统便携式设备。提议的系统要求学生将他/她的指纹扫描到设备上，以进行考勤。考勤数据只存储在设备上。设备没有直接连接到服务器，因此讲师需要在课后手动将数据备份到服务器此外，如果同时有许多类，则需要许多设备Soewito等人（2015年）提出了一种在Android智能手机上使用指纹和GPS与支付系统集成的员工考勤系统从用户的智能手机，系统记录指纹，考勤时间，并通过GPS定位的位置坐标，在智能手机上提供，以避免长时间排队和假考勤。然而，并非所有的Android智能手机都配备了指纹扫描仪。此外，通过Android智能手机上的GPS记录用户位置是不准确的。根据Bauer（2013）的说法，Android智能手机上的GPS与实际位置的偏差约为10因此，在办公室外但仍然离办公室足够近的员工几乎所有提出的基于指纹识别的考勤系统都没有报告识别准确性，除了Zainal等人提出的系统（2016），该系统为85%，27名学生的总识别时间约为7-9分钟。此外，基于指纹识别的考勤系统正如Zainal等人所报告的那样。（2016），如果指纹是湿的、脏的或破损的，系统就无法识别。Chintalapati 和 Raghunadh （ 2013 年 ） ; Fuzail 等 人 （ 2014年）;Mehta和Tomar（2016）; Raghuwanshi和Swami（2017）; Sayeed et al.（2017）; Wagh等人（2015）; Wati Mohamad Yusof等人，2018年提出了基于人脸识别的自动学生考勤系统。所提出的系统使用相机来一次捕获所有学生的面部（Fuzail等人，2014; Mehta和Tomar，2016;Raghuwanshi和Swami，2017; Wagh等人，2015）或一个接一个（Chintalapati和Raghunadh，2013; Sayeed等人，2017年; WatiMohamad Yusof 等 人 ， 2018 年 ） 。 Chintalapati 和 Raghunadh（2013）使用主成分分析（PCA）和局部二进制模式（LBP）结合一些分类器来执行人脸识别，并通过使用LBP和欧氏距离对80名学生实现了78%Sayeed等人（2017）提出了一种使用PCA和欧几里得距离的实时人脸识别方法。Wati MohamadYusof等人（2018）提出了一种使用人脸识别的基于互联网的实时atten- dance系统。该系统采用Haar级联人脸检测结合LBP人脸识别。Chintalapati和Raghunadh（2013年）;Sayeed等人（2017年）; Wati Mohamad Yusof等人（2018年）提出的系统效率不高，因为它们只使用相机逐个捕捉学生的面部图像。Fuzail等人（2014）; Wagh等人Mehta和Tomar（2016）以及Raghuwanshi和Swami（2017）使用摄像机一次性捕捉教室中所有学生的脸。该策略可以避免考勤过程中排队现象的发生。然而，Raghuwanshi和Swami（2017）报告说，使用这种策略的考勤系统在人脸识别方面的准确率较低，使用主成分分析（PCA）和欧氏距离和线性判别分析（LDA）分别为53.33%和60%。条形码的使用（Noor等人， 2015）、QR码（Rahni等人，2015 ） 、 RFID （ Arulogun 等 人 ， 2013; Bhalla 等 人 ， 2013 年 ;Hussain例如，2014; Rjeib等人，NFC（Mohandes，2017）是在考勤系统中记录学生身份的另一种选择。Arulogun等人（2013）; Bhalla等人（2013）; Hussain等人（2014）; Noor等人（2015）; Rahni等人（2015）; Rjeib等人（2018）提出的系统中的考勤过程非常简单，学生只需扫描包含条形码的学生卡码、QR码或RFID使用系统来记录出勤。在基于NFC的考勤系统中（Mohandes，2017），学生在进入教室时将他们的NFC手机放在演讲的NFC手机附近。这个过程可能会导致在出勤过程中的长队。假出勤也可能发生，因为学生卡包含条形码，QR码，或RFID和NFC手机很容易从一个学生转移到另一个。此外，并非所有智能手机都配备NFC系统。为了克服这个问题，可以考虑使用手掌静脉识别学生在考勤系统中提出的Bayoumi等人。（2015年）。然而，并不是所有的相机都可以用来捕捉手掌静脉的图像。此外，在（Bayoumi等人，2015年，仅为78%。因此，从目前自动考勤系统的发展状况可以发现，人脸识别是考勤系统中识别学生目前，Android智能手机的数量正在迅速增长。几乎所有的学生都有一个配备摄像头的Android智能手机。根据Pratama（2017）的数据，2016年印度尼西亚95.24%的大学生拥有自己的智能手机。这种现象可以用于开发一个考勤系统，通过Android智能手机使用人脸识别通过实现该系统，可以避免以往自动考勤过程然而，有必要建立一种机制，以确保每个学生真正参加课程。此外，人脸识别的准确率也需要提高，以保证系统可以实现多个课程，大量的学生。提出了一种基于人脸识别的考勤系统，该系统采用Android智能手机采集学生的人脸信息。 然后将图像发送到服务器进行考勤处理。在所提出的系统中进行了一些创新。首先，每个学生只需要使用他/她的Android智能手机捕捉他/她的面部图像，以避免排长队。其次，在学生没有智能手机的情况下，所提出的系统被设计成使得没有智能手机的学生可以使用其他学生的智能手机来处理他/她的出勤。第三，该系统采用了一个简单的分类器来识别学生的脸。最后，为了提高人脸识别的准确率，该系统只在一定的过程中使用一个分类器。论文的其余部分组织如下。第2节描述了在建议的护理系统中使用的所需材料和方法。第三给出了实验结果及其分析.最后在第四中得出结论。2. 材料和方法2.1. 材料用于开发拟议的考勤系统的材料包括硬件，软件和人脸图像数据集。硬件是Android智能手机、树莓派、显示器和计算机服务器。拟议的考勤系统需要一个Android智能手机4.3（果冻豆）或更高版本的摄像头和互联网连接，以打开考勤系统的讲师和处理学生考勤。使用 四 核 1.2 GHz Broad-com BCM 2837 64 位 和 1 GB RAMRaspberry Pi 3 Model B从服务器获取课程信息，并将其显示在教室前面的显示器上。使用具有Ubuntu Linux版本4.15.0-24-通用操作系统的3.60 GHz Intel（R）Core（TM）i7-7700和16 GB RAM计算机作为服务器。两个Android应用程序开发的考勤系统，一个讲师和一个学生。这些应用程序是在Android Studio中开发的。这些应用程序采用了Volley（Developers，2018），一个Android的HTTP库306D. Sunaryono等人/沙特国王大学学报×和OpenCV（Bradski，2000），一个计算机视觉库，分别用于与服务器和图像处理的网络工作。 用PHP语言开发了一个Web客户端应用程序，通过Raspberry Pi向服务器请求开放的考勤系统的信息，并将信息显示在教室前面的显示器上。在服务器端，还使用PHP语言开发了一个应用程序，用于与Android智能手机和Raspberry Pi进行通信。此外，为了在服务器中执行面部识别和考勤处理任务，通过采用OpenCV（Bradski，2000）和Scikit-learn（Pedregosa等人，2011）分别用于图像处理和面部图像分类的库。在拟议的考勤系统中使用的所有数据都在服务器上使用MySQL进行管理。建议的考勤系统使用两种连接类型，Wi-Fi连接，连接Android智能手机和服务器，LAN连接，连接树莓派到服务器。2.2. 学籍每一位参加课程的学生都需要在考勤系统中登记他/她的面部图像和学生注册号。每个学生的面部图像在垂直于智能手机摄像头的方向上被捕获10次，具有不同的表情，包括正常、微笑、大笑和悲伤，使用Android学生应用程序中的菜单，如图1所示。在捕捉他/她的面部图像之前，学生需要确保他/她的面部已经被考勤系统检测到。所提出的考勤系统采用Viola Jones算法（Violaand Jones，2004）来检测图像中的人脸区域。一旦他/她的脸检测到学生被要求捕捉他/她的脸的图像。图像在RGB颜色空间中捕获并裁剪成224 224像素，使得整个面部包含在图像中。裁剪后的图像以PNG格式存储，并具有与学生注册号相关的唯一文件名。然后将图像上传到服务器以构建面部图像数据集。服务器位于校园内。该过程由建议的系统自动执行，无需系统管理员的任何干预。 服务器位于校园内，除系统外，没有其他人可以访问人脸图像数据库和系统管理员。因此，人脸图像数据库的机密性得到了真正的维护。一些学生在非常低的光照强度下捕捉他/她的面部图像。因此，一些人脸图像具有非常低的强度。因此，将这些图像从面部图像数据集最后，建立了由4209张人脸图像组成的人脸图像数据集，并将其用于构建人脸识别分类器这些图像来自21门课程的423名学生。一门课程的学生人数和人脸图像分别在19 - 30和186 - 300之间。 图2示出了数据集中的面部图像的示例。作者已经得到了学生的许可，他们的面部图像被用在了他的论文中。2.3. 出席过程所提出的考勤系统的考勤过程包括从系统打开开始的几个步骤，然后是QR码生成、人脸捕获、人脸识别和考勤处理。所提出的考勤系统的架构和全局步骤如图3所示，详细说明如下。2.3.1. 系统开口要打开课程的考勤系统，课程的讲师需要通过他/她的Android智能手机选择服务器提供的适当课程来启用系统。选定的课程数据通过http协议发送到服务器。开发了一个Android应用程序，以方便讲师采取这一步骤。从应用程序讲师也可以取消类，更改课程表，并获得学生出勤报告。该应用程序的用户界面可以在图中看到。 四、2.3.2. 二维码生成一旦服务器接收到关于某个课程的考勤系统打开的信息，服务器使用简单的QR码（https：//www. simplesoftware.io/docs/simple-qrcode）上提供。每一分钟位于教室里的Rasp- berry Pi都在请求将在教室里进行的课程的atten- dance系统的状态。如果考勤系统已被讲师打开，则Raspberry Pi从服务器下载生成的QR码，并将其显示到位于教室前面的监视器上。图5示出了所显示的QR码的示例。2.3.3. 人脸捕捉要进入开放课程考勤系统，学生需要使用考勤系统捕获显示的QR码图1.一、学生注册申请表D. Sunaryono等人/沙特国王大学学报307×图二. 数据集中人脸图像的例子。图三. 所提出的考勤系统的架构和全局步骤。tem应用程序安装在他/她自己的Android智能手机。该过程用于获取开放课程的信息，并确保学生参加课程。为了最大限度地减少学生在出勤过程中作弊的可能性，例如使用其他学生捕获的QR码，该系统使用校园内联网连接，该连接分为几个Wi-Fi段，用于智能手机和服务器之间的通信因此，不在校园的学生将无法处理他们的出勤。该系统使用QRCodeScanner（ https://github.com/blikoon/QRCodeScanner ） ， 一 个 用 于Android的QR扫描库，扫描显示的QR码。然后要求学生输入他/她的学生注册号，并使用考勤系统应用程序捕捉他/她的脸。图像在RGB颜色空间中捕获并以PNG格式存储如果捕获的图像包含脸部，则将图像裁剪成224× 224像素的图像，使得包含整个脸部in the cropped裁剪image图像.为了执行裁剪过程，还使用Viola Jones算法（Viola和Jones，2004）来检测图像中的面部区域。图6示出了捕获和裁剪的图像的示例。裁剪后的图像，课程信息和学生注册号然后上传到服务器进行人脸识别和考勤处理。2.3.4. 人脸识别在服务器端，将裁剪后的图像转换为灰度图像，并调整为9696像素图像。的灰度值将灰度图像中的每个像素的灰度值转换为9216维向量，如图7所示。该向量被用作人脸识别分类器的输入特征。在这一步中，学生注册号被用作类标签或分类器的目标变量。建议的考勤系统使用一些简单的分类器进行人脸识别，包括逻辑回归308D. Sunaryono等人/沙特国王大学学报ð j;;iðÞX.100-y¼Pn=2¼我 2我我X1X见图4。讲师的申请将未知样本分配给具有最高类别概率分布PCijx;w;b的类别Ci，如等式所示。P C x wb11张e-yx其中，x1;x2;：;xnn是输入特征，1双氯联苯重量和y2 f-1; 1g是类标号。所提出的系统使用信赖域牛顿法的实现来估计权重w ; b（Lin等人， 2007）在LIBLINEAR文库中（Fan等人， 2008年，A在等式中定义的成本函数。f/bL最大值2½w;b]½w;b]最大值1log2图五. 显示QR码的示例。1/1其中，C>0是惩罚参数，yi2 f-1; 1g是类标签，xi;i1; 2;：;l是训练示例的特征向量，l是训练示例的数量。2.3.4.2.线性判别分析（LDA）。LDA通过确定最大化类间离散度和最小化类内离散度的线性决策边界来进行分类。LDA假设输入特征的类条件密度类Ci中的xx1;x2;：;xn是均值为li的正态多变量和所有i1; 2;：;k的协方差矩阵，如等式中所示。PxjCi1P 1个= 2个 e-1=2x-li0Px-li32012年12月J J见图6。 捕获和裁剪图像的示例。通过使用该假设，如果未知样本具有最大线性判别值，则LDA将其分配给类别C i（Hastie等人，2009年）。使用方程计算Ci类的线性判别函数(LR)、线性判别分析（LDA）和k-最近邻（k-NN）。选择这样的分类器是因为它不需要很高的计算成本和高计算机资源。因此-1- 1dix¼x0l-l0l双对数pi4无论是在分类器训练过程中，还是在多个学生同时访问时，服务器的负载都不太重。2.3.4.1. Logistic回归逻辑回归是一个简单的二元分类器，可以通过实现一个对其余的策略扩展到多类分类器。Logistic回归其中li是Ci的先验概率。2.3.4.3. k-最近邻（k-NN）。k-NN分类器将一个未知样本分配给一个类，该类在k个邻居中具有最大数量的接近样本的样本（Alpaydin，2014）。在实验中，所提出的系统使用k1，并且使用Eucli- dean距离测量样本与其邻居之间的距离，如等式中所示。D. Sunaryono等人/沙特国王大学学报309.Σ¼-¼图7.第一次会议。（a）从裁剪图像到灰度图像的变换和（b）从灰度图像（96x96）到灰度矢量（9216× 1）的变换的vuX。ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiΣffiffi2ffiffi应用程序安装在他/她的Android智能手机，如图所示dx;xit第1页xj-xij5图8.第八条。2.4.实验装置其中，x1;x2;：;x n= 1，xj1; xj1;xj2;：;xj n是特征向量。分别为未知样本和第j个邻居j1; 2;：;k的特征向量，并且n是特征向量的维数。2.3.5. 考勤处理如果第4步中的学生注册号与第3步中学生输入的学生注册号相匹配，则学生会收到考勤系统的通知，表示他/她的考勤已被记录。否则，学生被要求再次捕捉他/她的脸。考勤结果通过考勤系统报告给讲师在实验室中进行了一个实验，在两个训练场景中找到最好的分类器第一种方案是在所有课程的考勤系统中使用一个分类器在这种情况下，来自所有课程注册的所有学生的所有面部图像样本都用于训练分类器。第二种情况，一个分类器只用于考勤系统中的某一门课程。因此，如果有n个课程，则根据课程参与者列表将人脸图像样本划分为n个子样本每个子样本在相应的课程中被用来训练考勤系统的分类器。此步骤的结果是与识别图像相关的学生为了验证人脸识别分类器的准确性，所提出的考勤系统在训练和测试过程中使用分层k折交叉验证（Alpaydin，2014）。将人脸图像数据集随机分成大小相等的k个互斥子集，使得每个类中人脸图像的数量对于所有子集具有相同的比例一个子集被用作测试数据，并且剩余的k1个子集被用于训练分类器。训练和测试过程被重复k次，使得每个子集在恰好一次迭代中用作测试数据图9描绘了交叉验证过程。对于每一个测试数据，分类器的准确率用公式计算。ACCCCIi¼Ni× 百分之六其中，Acci、cci和Ni分别是分类器的准确度、正确分类的样本的数量以及第i个测试数据上的样本的数量。计算Acci;i1; 2;：：;k的平均值以获得分类器的最终准确度在此验证中，本文提出的3. 结果和讨论3.1. 第一个实验场景见图8。讲师申请表中的出勤报告。如第2节所述，在第一个实验场景中，所有人脸图像数据都用于训练人脸识别过程的分类器。每个分类器的分类结果与第一310D. Sunaryono等人/沙特国王大学学报见图9。 k折交叉验证过程。实验方案列于表1中。从表1中可以看出，LR产生了更高的分类准确率，与LDA（93.17%和93.36%）和k-NN（86.06%和88.37%）相比，对于2倍和5倍交叉验证，LR分别为93.22%和95.21%。在2折交叉验证中，50%的图像数据集被用作训练数据，而在5折交叉验证中，使用80%的图像数据集。从表1中可以看出，通过增加30%的训练数据，k-NN实现了分类准确度的最显著提高（2.31%），其次是LR（1.99%）和LDA（0.19%）。因此，可以推断，增加训练数据的数量将显着提高k-NN和LR的分类精度。虽然LR取得了最好的分类精度，它是不是有效的计算时间。从表1中可以看出，在2-fod和5-fold交叉验证中，LR在服务器中分别需要1339.89 s和5143.99 s进行训练，而LDA仅需要27.80 s和201.67 s。另一方面，LR的分类准确率与LDA没有显著差异，其仅为0.05%。在这种情况下，服务器分别需要大约0.000190 s、0.000179 s和0.033409 s来使用LR、LDA和k-NN识别人脸图像。3.2. 第二个实验场景在第二个实验场景中，根据21门课程中的课程参与者列表，将人脸图像数据集划分为21个子数据集。所有课程的学生和面部图像的分布如图10所示。对于分类任务，有21个分类器（一个分类器用于一个课程）由所提出的考勤系统来执行人脸识别。每个分类器使用相应的子数据集进行训练。表2总结了LR、LDA和k-NN的分类结果。从表2可以看出，平均而言，LR产生了更高的分类准确度，与LDA（95.24%和97.29%）和k-NN（91.86%和93.05%）相比，2倍和5倍交叉验证分别为96.53%和97.48%。该结果优于考勤系统中的识别准确性，350300250200150300186200199190194190190189200186201189196200200199198198198200100501920 20192019 19 192019201920 20 20 20 20 20 20 20300一BCDEFGH我JKLM OPQRS不U V当然学生人数人脸图像见图10。 所有课程的学生分布和人脸图像。提 出 （ Mohandes ， 2017; Raghuwanshi 和 Swami ， 2017;Zainal 等人，2016年）。在2折交叉验证中，在第一个实验场景中，LR、LDA和k-NN的分类器的数量分别为20、16和21。另一方面，在5倍交叉验证中，LR、LDA和k-NN分别有15、18和14个。此外，从表2中可以看出，通过增加30%的训练数据，平均LDA实现了分类准确度的最显著提高（2.05%），其次是k-NN（1.19%）和LR（0.95%）。因此，可以得出结论，通过使用第二种实验方案，在2倍和5倍交叉验证中，分类精度可以提高约2.07%至5.80%。在计算时间方面，第二个实验方案可以减少训练时间约65.51%，直到96.46%，在2倍和5倍交叉验证中，如表2所示。然而，LR仍然需要更多的训练时间（48.98 s和181.92 s），而LDA（9.59 s和42.52 s）和k-NN（5.36 s和181.92 s）7.42 s）在2倍和5倍交叉验证中。在这个场景中，服务器需要大约0.000042秒、0.000096秒和0.001683秒分别使用LR、LDA和k-NN来识别人脸图像样本。因此，基于分类精度和训练表1第一个实验场景的分类结果分类器2-倍交叉验证5-倍交叉验证准确度（%）培训时间准确度（%）培训时间LR93.221339.8995.215143.99LDA93.1727.8093.36201.67k-NN86.0660.9688.3752.599D. Sunaryono等人/沙特国王大学学报311表2第二个实验场景的分类结果分类器分类器数量2-倍交叉验证5-倍交叉验证平均准确度（%）培训总时间平均准确度（%）培训总时间LR2196.5348.9897.48181.92LDA2195.249.5997.2942.52k-NN2191.865.3693.057.42表3在第二个实验场景中，LDA的TPR、FNR、TNR和FPR当然TPR（%）FNR（%）TNR（%）FPR（%）一95.164.8499.730.27B98.002.0099.890.11C98.991.0199.950.05D97.372.6399.850.15E96.393.6199.810.19F97.892.1199.880.12G94.745.2699.710.29H97.352.6599.850.15我98.501.5099.920.08J95.704.3099.760.24K97.512.4999.870.13L97.882.1299.880.12M99.650.3599.980.02O97.502.5099.870.13P96.503.5099.820.18Q95.984.0299.790.21R98.481.5299.920.08S100.000.00100.000.00不98.991.0199.950.05U98.002.0099.890.11V95.674.3399.850.15平均97.442.5699.870.13时间，所提出的考勤系统采用LDA从第二个实验方案的人脸识别步骤。为了进一步分析，将第二个实验场景中LDA的分类结果分为真阳性率（ TPR ） 、 假 阴 性 率 （ FNR ） 、 真 阴 性 率 （ TNR ） 和 假 阳 性 率（FPR），如表3所示。从表3中可以看出，LDA产生的TPR和TNR平均分别为97.44%和99.87%从表3中还可以看出，平均LDA分别实现了2.56%和0.13%的低FNR和FPR。实验结果表明，LDA可以识别出每个学生的脸，具有良好的性能。根据这些结果，该系统已实施，以处理21门课程的出席三个学期没有任何重大问题。4. 结论本文提出了一种基于Android的人脸识别考勤系统。该系统要求每个注册的学生使用他/她的智能手机拍摄他/她的面部图像和显示在教室前面的QR码。然后将捕获的图像上传到服务器进行面部识别和处理。为了达到良好的人脸识别精度和有效的处理时间，分类器只在一定的过程中进行人脸识别。实验结果表明，该考勤系统采用LDA技术，人脸识别率达到97.29%，服务器端人脸识别时间仅为0.000096 s。对于未来的工作，将考虑使用蓝牙设备测量学生的智能手机与位于教室的RaspberryPi之间的距离尽量减少学生在出勤过程中作弊的可能性。确认作 者 感 谢 Intitut Technologi Sepuluh Nopember Surabaya 根 据 第1206/PKS/ITS/2018号拨款提供的设施和财政支持。利益申报一个也没有。引用Alpaydin，E.，2014年。机器学习入门 MIT Press.阿鲁洛贡岛，Olatunbosun，A.，Fakolujo，O. Olaniyi，O.，2013.基于RFID的学生考勤管理系统。国际科学杂志Eng.Res.4，1-9.鲍尔角2013.在智能手机的GPS测量的（中）准确性：运行跟踪应用程序的研究。在：移动计算多媒体进展国际会议论文集。pp.第335章：ACMBayoumi ， S. ， Aldayel ， A. ， Alotaibi ， M. ， Aldraihem ， M. ， 阿 尔 拉 希 德 ， S. ，Alzahrahi，S.，2015年。以手掌静脉为生物辨识资讯之上课考勤系统。 J. 理论应用信息技术人员： 77巴拉，五，Singla，T.，Gahlot，A.，古普塔，V.，2013.基于蓝牙的考勤管理系统. Int. J.创新。Eng. Technol. （IJIET）3，227-233。Bradski ， G. 2000. Open CV Library 。 Dr. Dobb's Journal ： Software Tools for theProfessional Programmer，25，pp. 120-123.Chintalapati，S.，Raghunadh，M. 2013.基于人脸识别算法的自动考勤管理系统。在：计算智能和计算研究（ICCIC），2013年IEEE国际会议，IEEE。pp. 1-5.Developers，A.2018年使用Volley传输网络数据In.范河，巴西-地E、张，K.- W.，Hsieh，C.- J.，王X- R.，林角，英-地J.，2008. Liblinear：一个大型线性分类库。J. 马赫学习. Res. 9，1871-1874.Fuzail，M.，Nouman，H.M.F.，Mushtaq，作案手法，拉扎，B.，Tayyab，A.，M.W.，2014. 面向班级学生考勤的人脸检测系统。国际多学科杂志 Sci. 工程师：5哈斯蒂，T.，Tibshirani河，Friedman，J.，2009年纽约统计学习要素。Springer，NY.Hussain，E.，Dugar，P.，Deka，V.，汉南A. 2014. RFID学生考勤系统在：全国会议暨生物信息学和计算生物学研讨会。Citeseer。pp. 30比32伊斯兰，M。M.，哈桑，M。K.，Billah，M. M.，Uddin，M. M. 2017.基于智能手机的学生考勤系统开发。2017年IEEE地区10人道主义技术会议（R10-HTC）。pp.230-233林角，英-地J.，翁，R.C.，Keerthi，S.S.2007年大规模逻辑回归的信赖域牛顿法第24届机器学习国际会议论文集。ACM pp. 561-568Mehta，P.，Tomar，P.，2016.基于Matlab和Raspberry Pi 2的人脸识别考勤管理系统.国际工程技术科学杂志结果：3穆罕默德湾。K. P.，拉古角诉2012年。教室指纹考勤系统需求2012年IEEE印度年会（Indicon）。pp. 第433-438页。Mohandes，文学硕士，2017.使用NFC移动设备的班级考勤管理系统。内特尔自动化软计算23，251-259.Noor，S.A.M.，Zaini，N.，M.F.A.，Hamzah，N. 2015.基于android的考勤管理系统。2015 IEEE Conference on Systems，Process and Control（ICSPC）118-122）。佩德雷戈萨，F.，瓦罗科湾，格兰福特，A.，米歇尔，V.，Thirion，B.，格里塞尔，澳，布朗德尔，M.，普雷滕霍费尔，P.，韦斯河，巴西-地杜堡，V.，2011. Scikit-learn：Python中的机器学习J. 马赫学习. Res. 12，2825-2830。Pratama ， A.R. ， 2017. 探 索 印 度 尼 西 亚 大 学 生 的 个 人 计 算 设 备 所 有 权 。 SpringerInternational Publishing，Cham，pp. 835- 841Raghuwanshi，A.，斯瓦米警局2017.一个基于视频的人脸识别的自动教室考勤系统。在：电子，信息通信技术（RTEICT）的最新趋势，2017年第二届IEEE国际会议上：IEEE。pp. 719-724312D. Sunaryono等人/沙特国王大学学报Rahni，A.，Zainal，N.，Adna，M.Z.，奥斯曼，N.，Bukhori，M.，2015.基于QR码和移动设备的在线学生考勤监控系统（SAMSTM）的 开发 。 J. Eng. Sci. Technol.10，28-40。Rao，S.，Satoa ，K. ，2013.一种使用生物认证的考勤监控系统 。Int.J. Adv. Res.Comput. Sci. 软件。工程师：3Rjeib，H.D.，阿里，N.S.，Al Farawn，A.，Al-Sadawi，B.，Alsharqi，H.，2018年 考勤和信息系统使用RFID和基于网络的应用学术部门。 Int. J. Adv. Comput. Sci.（IJACSA），9.Sayeed，S.，Hossen，J.，Kalaiarasi，S.，Jayakumar，V.，尤索夫岛Samraj，A.，2017.实时人脸识别在考勤监控系统中的应用。 J. Theoret. Appl. 通知。Technol. 九十五。Soewito，B.，Gaol，F. L.，Simanjuntak，E.，Gunawan，F. E. 2015. Android智能手机上的考勤系统2015年控制，电子，可再生能源和通信国际会议（ICCEREC）208-211Viola，P.，琼斯，M.J.，2004.鲁棒的实时人脸检测。国际计算机Vision 57，137-154.Wagh，P.，Thakare河，Chaudhari，J.，帕蒂尔，S。2015.基于特征脸和PCA算法的人脸识别考勤系统。在：绿色计算和物联网（ICGCIoT），2015年国际会议上：IEEE pp。303- 308Wati Mohamad Yusof，Y.，Asyraf Mohd Nasir，M. ，Azura Othman ，K. ，IzwanSuliman，S.，Shahbudin，S.，穆罕默德河，巴西-地2018.使用人脸识别系统的实时互联网考勤。Int. J. Eng. Technol. 7（3.15）。第15章.Zainal，N.I.，Sidek，K.A.，Gunawan，T.S.，