FaceNet based Attendance System

基於面部的出勤系統

基於深度學習的Web應用程序，可通過從教室的監視錄像中識別學生的面孔來標記學生的出勤率。

入門

Python的Web應用程序是通過監視視頻中的教室中識別學生面孔的，並在Excel表中標記出席。 MTCNN和FACENET等深度學習算法分別用於面部檢測和識別。並使用燒瓶框架，創建了Web應用程序。

使用的算法

• MTCNN（多任務級聯卷積神經網絡）
• 面部

先決條件

以下內容需要正確安裝在計算機中。

• 張量
• Python
• 燒瓶
• Scipy
• OPENCV
• H5PY
• matplotlib
• 枕頭
• 請求
• psutil

用於安裝軟件包，請使用pip install命令。

如何使用

步驟1：準備數據集

每個學生的所需圖像數（至少10）應收集並存儲在單獨的文件夾中。這些文件夾應在各自的學生名稱中命名。通往文件夾的路徑可以是Root_folder/attendance/facenet/dataset/raw/

步驟2：檢測和對齊面孔

這裡使用MTCNN面部檢測算法。它將Root_folder/attendance/facenet/dataset/raw/作為輸入，返回Root_folder/attendance/facenet/dataset/aligned/作為輸出。基本上，它檢測到面部，對齊每個圖像的面部區域並將其存儲在對齊目錄中。

在命令提示符中運行以下命令。

$ python attendance/facenet/src/align/align_dataset_mtcnn.py 
attendance/facenet/dataset/raw attendance/facenet/dataset/aligned 
--image_size 160 --margin 32

步驟3：訓練面孔

步驟2的輸出數據集被饋入支持向量機分類器，該分類器生成了每個學生面孔的512維嵌入向量，並在生成的向量上訓練分類器。

在命令提示符中運行以下命令。

$ python attendance/facenet/src/classifier.py TRAIN 
attendance/facenet/dataset/aligned attendance/facenet/src/20180402-114759/  
attendance/facenet/src/20180402-114759/my_classifier.pkl 
--batch_size 1000 --min_nrof_images_per_class 10  --nrof_train_images_per_class 10 --use_split_dataset

步驟4：報告文件夾

創建一個名為報告的空文件夾。這是為了存儲出席的Excel床單報告，該報告將在FaceNet算法識別學生時自動生成。這是使用XLSXWriter Python模塊實現的。

步驟5：運行Web應用程序

現在，通過$ python run.py運行Web應用程序，它將顯示一個Localhost地址，例如http://127.0.0.1:5000/ ，這將是Web應用程序的URL。

步驟6：存儲數據

在運行應用程序時，它將重定向到主頁。在該頁面上，有一個添加類詳細信息超鏈接。基本上，它要求用戶輸入學生的詳細信息。提供的詳細信息存儲在SQLite數據庫中。

注意：輸入的每個學生的名稱應與步驟1中創建的學生數據集的名稱相同。

步驟7：上傳圖像

按下參加參加的超鏈接時，它將您重定向到用戶需要上傳課堂圖像的頁面。

注意：圖像應該是一個良好的分辨率，還包含所有學生的清晰面孔。

結果

上傳圖像後，將需要一些時間來處理。您可以在命令提示符中查看運行的背景詳細信息。然後，它在報告文件夾中創建一個Excel表，其中包含出席細節。

參考

• https://github.com/davidsandberg/facenet
• https://github.com/aisangam/facenet-real time-face-rencognition-usin-deep-learning-tensorflow
• https://github.com/abhijeet3922/face_id