CN106940905B - 基于wifi和智能手机的课堂自动点名系统 - Google Patents

Abstract

本发明提供了基于WIFI和智能手机的课堂自动点名系统，包括智能手机点名控制终端、WIFI无线路由器、基于人脸识别的签名子系统，智能手机点名控制终端通过WIFI无线路由器与基于人脸识别的签名子系统连接，所述基于人脸识别的签名子系统用于对基于智能手机点名控制终端发送的点名指令现场采集学生的学生人脸图像，完成学生人脸图像的识别，并向智能手机点名控制终端发送人脸识别成功所对应的学生身份认证信息。本发明能够让老师使用智能手机点名控制终端快速地采集所有学生的签到信息，在课堂上实现自动多次点名，提高点名效率，节省教学时间。

Description

基于WIFI和智能手机的课堂自动点名系统

技术领域

本发明涉及物联网智能控制技术领域，具体涉及基于WIFI和智能手机的课堂自动点名系统。

背景技术

在教学过程中，通过课堂点名能够防止学生逃课，确保学生的上课学习时间，能够在一定程度上保证教学效果。但传统的人工点名方式存在花费时间较长的缺陷，而且也不能每节课都花费大量的时间去点名，因此，也会导致定名的效果被大打折扣。

发明内容

针对上述问题，本发明提供基于WIFI和智能手机的课堂自动点名系统。

本发明的目的采用以下技术方案来实现：

提供了基于WIFI和智能手机的课堂自动点名系统，包括智能手机点名控制终端、WIFI无线路由器、基于人脸识别的签名子系统，智能手机点名控制终端通过WIFI无线路由器与基于人脸识别的签名子系统连接，所述基于人脸识别的签名子系统用于对基于智能手机点名控制终端发送的点名指令现场采集学生的学生人脸图像，完成学生人脸图像的识别，并向智能手机点名控制终端发送人脸识别成功所对应的学生身份认证信息。

本发明的有益效果为：能够让老师使用智能手机点名控制终端快速地采集所有学生的签到信息，在课堂上实现自动多次点名，提高点名效率，节省教学时间。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1本发明的结构连接框图；

图2是本发明基于人脸识别的签名子系统的结构连接框图。

附图标记：

智能手机点名控制终端1、WIFI无线路由器2、基于人脸识别的签名子系统3、数据库10、学生人脸图像采集模块20、学生人脸图像识别模块30。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本实施例提供了基于WIFI和智能手机的课堂自动点名系统，该系统包括智能手机点名控制终端1、WIFI无线路由器2、基于人脸识别的签名子系统3，智能手机点名控制终端1通过WIFI无线路由器2与基于人脸识别的签名子系统3连接，所述基于人脸识别的签名子系统3用于对基于智能手机点名控制终端1发送的点名指令现场采集学生的学生人脸图像，完成学生人脸图像的识别，并向智能手机点名控制终端1发送人脸识别成功所对应的学生身份认证信息。

优选地，所述基于人脸识别的签名子系统3包括存储有学生身份认证信息的数据库10。

优选地，所述学生身份认证信息包括学生人脸标准图像、学号、姓名。

本发明上述实施例，能够让老师使用智能手机点名控制终端1快速地采集所有学生的签到信息，在课堂上实现自动多次点名，提高点名效率，节省教学时间。

优选地，所述数据库10在存储学生人脸标准图像时，预先采集该学生的多张人脸图像，对采集的人脸图像进行筛选，从中筛选出图像质量度大于设定图像质量度阈值的人脸图像作为该学生的学生人脸标准图像，将该学生的学生人脸标准图像存入数据库10，其中定义图像质量度的计算公式为：

式中，A_i为某学生第i张学生人脸图像的图像质量度，g_i为第i张学生人脸图像的设定区域的平均灰度值，g为根据实际情况设定的灰度值阈值，h_i为多张学生人脸图像中第i张学生人脸图像的边缘锐度，h为根据实际情况设定的边缘锐度阈值，m为从摄像系统采集的多张学生人脸图像的数量；f_i为第i张学生人脸图像中人脸所占该张学生人脸图像的比例，f为设定的比例阈值，当f_i-f≥0时，W(f_i-f)＝1，f_i-f<0时，W(f_i-f)＝0。

本优选实施例中，按照自定义的图像质量度计算公式筛选出最合适的学生人脸图像作为该学生的学生人脸标准图像，考虑了人脸图像所占比例、边缘锐度和灰度值因素，避免通过单一特征进行图像质量评价的局限性，能够较为准确地筛选出质量最高的图像，从而为学生人脸图像的识别奠定了良好的基础，相对提高了人脸识别的精度。

优选地，如图2所示，所述基于人脸识别的签名子系统3还包括相连接的学生人脸图像采集模块20和学生人脸图像识别模块30；所述学生人脸图像采集模块20用于采集参与点名的学生的待识别的学生人脸图像；所述学生人脸图像识别模块30用于对待识别的学生人脸图像进行识别，并输出人脸识别结果；其中，

优选地，所述对待识别的学生人脸图像进行识别，包括：

(1)在数据库10中选取N张学生人脸标准图像构建训练样本集X＝[X₁，X₂,…,X_N]，将待识别的学生人脸图像作为测试样本Y，对训练样本集进行过滤预处理，保留对测试样本的表示及分类影响较大的训练样本，并利用保留的训练样本构建最优训练样本集；

(2)将最优训练样本集中的每副学生人脸图像平均分割成R个块，则该最优训练样本集被分割成R个子样本集Z_q,q＝1,…,R，每个子样本集由每副学生人脸图像的第q个块构成；

(3)将测试样本平均分成R个块，即Y＝[Y_q,q＝1,…,R]，对最优训练样本集和测试样本按照下述公式进行块加权：

式中，B_q为最优训练样本集中所有学生人脸图像的第q个块的稀疏残差均值，B₁、B₂为设定的残差阈值，B₁＜B₂，W(B_q)为判定函数，当B_q＜B₁时，W(B_q)＝1，当B_q＞B₂时，W(B_q)＝0；μ_q为最优训练样本集中的类间距离方差和类内距离方差的比值，μ₁、μ₂为设定的判别度阈值，μ₁＜μ₂，W(μ_q)为判定函数，当μ_q＜μ₂时，W(μ_q)＝0，当μ_q＞μ₁时，W(μ_q)＝1；

其中，B_q的求取过程为：对于最优训练样本集中的任意一副学生人脸图像，用该学生人脸图像以外的剩余图像对该样本进行稀疏表示，得到该学生人脸图像的各块的稀疏残差，然后计算出所有学生人脸图像的第q个块的稀疏残差均值；

(4)用加权后的最优训练样本集对加权后的测试样本进行稀疏表示，计算其中每个类的重构残差，最终将测试样本分类为最小重构残差对应的类。

本优选实施例中，一方面，将测试样本和最优训练样本集中的学生人脸图像分割成相同大小的块，可以更好地在识别检测过程中捕捉到更具判别性的信息；

另一方面对最优训练样本集和测试样本按照上述公式进行块加权，能够更准确地选择出遮挡块和判别性块，降低遮挡部位对人脸识别性能的影响，从而能够提高学生人脸图像的识别率，提高课堂自动点名系统的精度。

优选地，所述学生人脸图像识别模块30对训练样本集进行过滤预处理，保留对测试样本的表示及分类影响较大的训练样本，并利用保留的训练样本构建最优训练样本集，具体包括：

(1)利用训练样本集X对测试样本Y进行线性表示，计算训练样本集X中各训练样本向量的表示系数P＝[P₁，P₂,…,P_N]^T，其中，表示系数P的计算公式为：

P＝(X^TX+ξI)^-1X^TY

式中，I为单位矩阵，ξ为设定的系数；

(2)设训练样本集X中共有M个类，第j个类中有n_j个训练样本，计算每个类的重构残差为：

式中，U_j为第j个类的重构残差，X_j表示第j个类的训练样本集，P_k表示第j个类中第k个训练样本对应的表示系数；

(3)选取前m个最小重构残差对应的类作为备选类，用该m个备选类构建近邻字典Z＝[Z₁，Z₂,…,Z_m]，Z_j(j＝1,…,m)表示备选类中第j个类的训练样本集，用该备选类对测试样本Y进行线性表示，计算近邻字典Z中各备选类对应的表示系数：

P′＝(Z^TZ+ξI)^-1Z^TY

式中，P′表示备选类对应的表示系数，P′＝[P₁′,P₂′,…,P_m′]，P_j(j＝1,…,m)表示备选类中第j个类对应的表示系数；

(4)利用保留的训练样本构建最优训练样本集为：

式中，表示第j个类的训练样本集中的第k个训练样本。

本优选实施例，采用备选类对应的表示系数对该备选类的训练样本进行加权，权值越大则对应训练样本对测试样本的表示能力越强，因此构建的最优训练样本集能够更好地近似测试样本；另外采用上述方式保留对测试样本的表示及分类影响较大的训练样本，减少了训练样本量，降低了计算复杂度，从而缩短了学生人脸图像识别的时间，提高了课堂自动点名系统的效率。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (3)

1.基于WIFI和智能手机的课堂自动点名系统，其特征是，包括智能手机点名控制终端、WIFI无线路由器、基于人脸识别的签名子系统，智能手机点名控制终端通过WIFI无线路由器与基于人脸识别的签名子系统连接，所述基于人脸识别的签名子系统用于对基于智能手机点名控制终端发送的点名指令现场采集学生的学生人脸图像，完成学生人脸图像的识别，并向智能手机点名控制终端发送人脸识别成功所对应的学生身份认证信息；所述基于人脸识别的签名子系统包括存储有学生身份认证信息的数据库；所述学生身份认证信息包括学生人脸标准图像、学号、姓名；所述基于人脸识别的签名子系统包括相连接的学生人脸图像采集模块和学生人脸图像识别模块；所述数据库在存储学生人脸标准图像时，预先采集该学生的多张人脸图像，对采集的人脸图像进行筛选，从中筛选出图像质量度大于设定图像质量度阈值的人脸图像作为该学生的学生人脸标准图像，将该学生的学生人脸标准图像存入数据库，其中定义图像质量度的计算公式为：

式中，A_i为某学生第i张学生人脸图像的图像质量度，g_i为第i张学生人脸图像的设定区域的平均灰度值，g为根据实际情况设定的灰度值阈值，h_i为多张学生人脸图像中第i张学生人脸图像的边缘锐度，h为根据实际情况设定的边缘锐度阈值，m为从摄像系统采集的多张学生人脸图像的数量；f_i为第i张学生人脸图像中人脸所占该张学生人脸图像的比例，f为设定的比例阈值，当f_i-f≥0时，W(f_i-f)＝1，f_i-f<0时，W(f_i-f)＝0。

2.根据权利要求1所述的基于WIFI和智能手机的课堂自动点名系统，其特征是，所述基于人脸识别的签名子系统包括相连接的学生人脸图像采集模块和学生人脸图像识别模块；所述学生人脸图像采集模块用于采集多张待识别的学生人脸图像，并从采集的学生人脸图像中筛选出图像质量度最大的学生人脸图像作为用于人脸识别的待识别的学生人脸图像；所述学生人脸图像识别模块用于对待识别的学生人脸图像进行识别，并向输出人脸识别结果。

3.根据权利要求2所述的基于WIFI和智能手机的课堂自动点名系统，其特征是，所述对待识别的学生人脸图像进行识别，包括：

(1)在数据库中选取N张学生人脸标准图像构建训练样本集X＝[X₁,X₂,…,X_N]，将待识别的学生人脸图像作为测试样本Y，对训练样本集进行过滤预处理，保留对测试样本的表示及分类影响较大的训练样本，并利用保留的训练样本构建最优训练样本集；

(2)将最优训练样本集中的每副学生人脸图像平均分割成R个块，则该最优训练样本集被分割成R个子样本集Z_q,q＝1,…,R，每个子样本集由每副学生人脸图像的第q个块构成；

(3)将测试样本平均分成R个块，即Y＝[Y_q,q＝1,…,R]，对最优训练样本集和测试样本按照下述公式进行块加权：

式中，B_q为最优训练样本集中所有学生人脸图像的第q个块的稀疏残差均值，B₁、B₂为设定的残差阈值，B₁<B₂，W(B_q)为判定函数，当B_q<B₁时，W(B_q)＝1，当B_q>B₂时，W(B_q)＝0；μ_q为最优训练样本集中的类间距离方差和类内距离方差的比值，μ₁、μ₂为设定的判别度阈值，μ₁<μ₂，W(μ_q)为判定函数，当μ_q<μ₂时，W(μ_q)＝0，当μ_q>μ₁时，W(μ_q)＝1；

其中，B_q的求取过程为：对于最优训练样本集中的任意一副学生人脸图像，用该学生人脸图像以外的剩余图像对该样本进行稀疏表示，得到该学生人脸图像的各块的稀疏残差，然后计算出所有学生人脸图像的第q个块的稀疏残差均值；

(4)用加权后的最优训练样本集对加权后的测试样本进行稀疏表示，计算其中每个类的重构残差，最终将测试样本分类为最小重构残差对应的类。