论文部分内容阅读
人脸识别技术是近年来人工智能领域的主流研究方向之一。人脸的唯一性、识别过程的友好性、准率的不断提升等等条件都赋予了人脸识别技术强大的生命力。本文试图通过设计一种基于人脸识别技术,使用在高并发人脸比对场景中的系统来进一步提升人脸应用的价值。人脸识别技术目前主要落地在安防领域,因为这个领域要管控的人员多、时效要求高、场景丰富多样,市场前景极为广阔。而考勤场景是安防场景之一。这种场景存在以下要求:严肃性,考勤与薪酬挂钩,考勤系统发生问题会严重影响客户日常工作;时效性,大量员工会集中在某一时间段内考勤,比如临近迟到的时间;真实性,需要确保是员工本人考勤。考勤系统是公司保证正常日常工作的必要组成部分,传统的手账考勤因为其失效性差、管理困难等原因已经退出历史舞台。目前比较常用的打卡考勤无法避免代考勤的漏洞。比较新兴的技术诸如指纹考勤、虹膜考勤因为采集设备昂贵、设备损耗率高导致成本居高不下。除此之外这些技术都无法很好地解决时效性问题,当大量员工集中在某一时段参与考勤时必然会发生拥堵、等待。唯一的解决方案是增加考勤终端数量,这又导致了成本投入的增加。因此本文设计了一种基于人脸识别的移动终端考勤系统,通过APP的形式将每一位员工拥有的手机变成考勤终端,解决了考勤终端少的问题,并通过人脸识别技术保证考勤的真实性。同时本文创新性地使用了 GPU人脸模型比对技术来进一步增加系统的并发能力。整体保证了考勤的严肃性、时效性和真实性。GPU相比于CPU拥有更多的逻辑处理单元,在处理人脸模型比对任务上具备很好的优势。除此之外本文在系统中设计了活体检测流程,保证考勤的人脸是真人而非图片,进一步保证系统的安全性。系统主要由移动终端和数据中心两部分组成,运行流程大致如下:首先以无线AP(AccessPoint)的形式规定了考勤范围,要求移动终端必须连接到特定无线AP才可以开始考勤。若考勤者不连入规定无线AP,则认为他不在考勤范围内,无法考勤。接着在前置了人脸检测、活体检测算法的移动终端中完成活体检测和人脸图片获取,保证正在考勤的是真人而非照片或视频,并上传图片到数据中心。同时算法前置也有利于缓解数据中心的压力、减少数据中心设备的投入。最后在数据中心采用GPU技术,使用EigenfacesFaces方法进行高并发的人脸识别,将人脸识别的结果作为考勤结果记录到数据库中。