中图分类号：TP311 文献标识码：A 文章编号：2096-4706（2025）08-0126-06
Abstract：In responseto the existing issues of proxy signing and long check-in time of traditional attendance check-in， combined with the wireless network infrastructure situationofourschooland thecurent advancements in facialrecognition technology，this paper proposes astudent attendance check-in system based on wireless network positioning and facial recognition.The systemconfirms theclasroomlocationofstudents throughwirelessnetwork positioning and verifies the dentity of the students using facialrecognition，achievingthegoal ofaccurate attendancecheck-in.The necessaryfunctionsof the attendancecheck-insstemaredsignedndimplementedbasedonirelespositionngandfacialrecoitio，andexpeental resultsdemonstratethattissystemefectivelyaddreestexistigpainpointsoftrditionalatendanecheck-inetsthe dailyattendancecck-ineedsofsdents，andimroves theeencyccuracyndrelibilityftedancekin.
Keywords： wireless network positioning; facial recognition; attendance check-in; system design
0 引言
考勤可以促使学生保持良好的上课习惯，增强学生的学习积极性和主动性，减少逃课现象；教师可以根据学生的出勤情况调整教学方法和内容，关注缺勤学生的学习状态；学校可以了解学生的出勤情况，从而更好地管理学业。传统的考勤方式有点名考勤、签到表考勤、打卡考勤等，这种方式效率低下，在学生人数较多的课堂会占用大量的课堂时间，影响教学进度。随着信息化的发展，主流的考勤方式为学生一卡通考勤，这种考勤方式同样存在效率低下的排队打卡和代签的弊端。本文基于西安交通大学当前已经建成的校园无线网络条件和相关人脸识别技术设计并实现了一种基于无线网络定位结合人脸识别的学生考勤签到系统。通过人脸识别技术能够有效减少代签到的情况，确保考勤数据的准确性；与此同时，通过无线网络定位可以进一步验证学生的实际到课情况，增强考勤系统的可靠性。
1 相关技术分析
1. 1 无线网络定位
无线网络定位技术利用无线信号（如Wi-Fi、蓝牙、Zigbee等）来确定设备或用户的位置。随着智能手机和物联网设备的普及，无线网络定位在室内外定位、导航、资产追踪等领域得到了广泛应用。
主要应用的方法有：1）信号强度指纹定位[1]。通过测量不同位置的信号强度，建立指纹数据库，进行位置估计。2）三角测量[2。利用多个已知位置的信号源，通过信号强度或到达时间差计算目标位置。3）基于时间的定位[3]。使用信号传播时间来计算距离，从而确定位置。
这些方法存在的问题有：1）信号干扰和多路径传播对定位精度的影响。2）室内环境的复杂性导致定位精度下降。3）数据隐私和安全性问题。
1.2 人脸检测
人脸检测[4是计算机视觉领域的重要研究方向，旨在从图像或视频中自动识别和定位人脸。它是人脸识别、情感分析和人机交互等应用的基础。
人脸检测的主要方法有：传统特征分类器方法如Haar 特征[5]、AAM（Active Appearance Model） 特征[6]，通过构造基于这些特征的级联分类器，能够快速检测人脸；深度学习方法[7-8]，使用卷积神经网络（CNN）等深度学习模型进行人脸检测，具有更高的准确性和鲁棒性。
这些方法存在的问题有：在复杂背景、不同光照和姿态下的检测准确性；处理遮挡和部分人脸的情况；实时检测的计算效率。
1.3 人脸识别
人脸识别是指通过分析人脸特征来识别或验证个体身份。它在安全监控、身份验证、社交媒体等领域得到广泛应用。人脸识别的主要方法有：特征提取。使用传统方法（如LBPH、Eigenfaces、Fisherfaces）提取人脸特征[；深度学习。利用深度学习模型[]（如FaceNet、VGG-Face）进行特征学习和人脸匹配，具有更高的识别率。
2 系统设计与实现
2.1系统技术架构与选型
本系统采用客户端-服务器架构，系统技术架构如图1所示。
在技术架构方面，考勤服务器端采用Tornado框架，Tornado是一个用Python编写的高性能Web服务器和Web应用框架，它具有非阻塞I/O模型，适合需要高并发和实时通信的应用；简单易用的API能够快速构建高性能的Web应用。客户端基于Android平台，通过HTTP协议与考勤服务器进行通信，通信接口采用基于RESTfuI架构风格的接口。
在技术选型方面，无线网络定位技术选型：由于西安交通大学每个教室都有独立AP，本文中通过对每个教室的AP的MAC地址及该AP所在的教室做映射，学生在进行签到时只需打开手机Wi-Fi接入校园无线网络，通过该手机与考勤服务器的信息交互即可获得该学生进行签到打卡的教室位置，从而完成无线网络定位。
在人脸识别技术选型方面，人脸识别有两大主流方法：一是传统特征提取识别方法，二是深度学习方法。由于在学生进行识别时，基于视频流的人脸识别对实时性有较高要求，深度学习方法具有较高的识别正确率但其识别时间较长训练样本规模较大，本文选取传统特征提取识别方法，即LBPH（Local BinaryPatternsHistograms）局部二进制模式直方图人脸识别方法，它具有对光照变化有一定的鲁棒性，实现简单、计算速度快的特点，可以进行小样本的训练，适合本系统的识别。
在人脸识别框架选型方面，在人脸识别领域比较知名的项目有OpenFace、Dlib、Face_recognition、OpenCV等项目，其中OpenFace对光照变化的鲁棒性较差、Dlib对人脸识别的参数手动调整要求高、Face_recognition实时性能不理想等因素，OpenCV（Open Source ComputerVision Library）是一个广泛使用的计算机视觉库，提供了多种工具和算法用于人脸识别，本文选择OpenCV框架进行人脸识别。OpenCV提供多种语言版本的开源框架，其中 C++ 是OpenCV的原生语言，许多底层实现都是用 C++ 编写的，在性能上通常优于其他语言。同时 
可以直接使用OpenCV的所有功能和最新特性。由于应用在签到时人脸识别的实时性，对识别的效率有较高的要求，本文选择基于 C++ 语言版本的OpenCV框架。
在Android与基于 C+ + 的OpenCV调用选型方面，本文通过Android系统提供的NDK（NativeDevelopmentKit），它允许开发者用 C++ 来开发Android应用，即用于开发和编译本地代码（ （ C+ + ） 的工具。在Android程序调用时通过JNI（JavaNativeInterface）将这些本地方法与Android程序的Java代码连接起来。通过NDK和JNI技术实现在Android平台上重用基于 C++ 版本的OpenCV的人脸识别库。
2.2系统需求分析与设计
基于无线网络定位和人脸识别的学生考勤签到系统在功能需求上主要有以下4点：
1）学生通过人脸识别进行考勤签到。
2）系统能够记录签到的时间和地点。
3）查看考勤记录。
4）系统支持实时数据更新和查询。
基于功能需求主要包括签到软件、考勤服务器及第三方相关业务系统支撑，本系统功能架构设计如图2所示。
图2系统功能架构图基于系统的功能架构，具体功能简述如下：
1）课表查看模块。本模块包含学生登录和课表查看两个子模块，学生登录主要功能是学生通过统一身份认证登录；课表查着的主要功能是获取该学生相关的课表信息并展示。
2）人脸识别模块。本模块包含人脸绑定和人脸识别两个子模块，人脸绑定的主要功能是对学生进行人脸采集、人脸训练并将训练好的模型绑定到其采集的手机终端上；人脸识别的主要功能是通过人脸训练的模型对当前待识别人脸进行识别。
3）无线定位模块。本模块包含无线定位和位置对比两个子模块，无线定位的主要功能是学生通过手机终端连接教室内部Wi-Fi信号定位其教室位置；位置对比的主要功能是对比课表中课程与当前所在教室位置是否一致。
4）考勤签到模块。本模块包含考勤签到和签到流水两个子模块，考勤签到的主要功能是通过人脸识别和无线定位对学生进行考勤；签到流水的主要功能是与考勤服务器对接获取相关学生的考勤签到流水信息。
2.2.1 人脸识别模块设计
人脸绑定的流程图如图3所示，具体步骤如下：
1）学生点击人脸绑定按钮，客户端查询考勤服务器能否进行人脸绑定。
2）若考勤服务器返回不可绑定，则客户端人脸已绑定过不可重复绑定；若返回可以绑定，则客户端切换页面至拍照页面。
3）客户端人脸检测算法在拍照页面检测是否有人脸；若未检测出人脸则继续在拍照页面中进行检测；若检测出人脸，跳转至步骤4）。
4）当前训练集图片数量是否大于5，若小于等于5，则弹框显示是否选择此图片，若不选择跳转至步骤3）；若选择，将此图片保存至训练集；若训练集图片大于5，则跳转至步骤5。
5）对此训练集图片进行人脸识别训练，将训练结果发送至考勤服务器，人脸绑定完成。
图3人脸绑定流程图人脸识别的流程图如图4所示，具体步骤如下：
1）点击人脸识别按钮，客户端查询考勤服务器此手机是否绑定人脸，若返回未绑定，则提示人脸未绑定并跳转至人脸绑定界面；若人脸已绑定，则进入步骤2）。
2）切换至人脸识别页面，此页面有一矩形小框，待识别者需将人脸放置识别小框进行。
3）当识别小框里放入人脸时，客户端程序会进行人脸检测，而后进行人脸识别。
4）由于本客户端采用特征脸方法进行识别，对识别的结果通过一个阈值即人脸相似度（一般取90 % ）进行识别结果判别，当识别阈值大于阈值时则识别成果，小于阈值时则识别失败。
图4人脸识别流程图2.2.2 无线定位模块设计
无线正位的流性图如图5所示，具体步骤如下：1）点击无线定位按钮，客户端检测是否连接校园Wi-Fi，若未连接则跳转至Wi-Fi连接页面；若已连接则跳转至步骤2）。2）客户端根据手机的MAC地址及Wi-Fi信号信息向考勤服务器发送查询无线位置请求。3）考勤服务器收到客户端的请求后，根据手机MAC地址及Wi-Fi名称向无线控制器设备查询该手机所连接的AP信息。4）无线控制器根据纳管的所有AP下的用户终端信息找到终端接入的AP，将其信息发送至考勤服务器。5）考勤服务器查询AP教室位置映射表，找到该AP所对应的教室信息。6）考勤服务器向客户端返回该手机所在的教室地址完成无线定位。
2.2.3考勤签到模块设计
考勤签到的流程图如图6所示，具体步骤如下：
1）点击考勤签到进入无线定位流程，学生进行无线定位功能。
2）根据当前时间段的课程位置及无线定位的位置，若学生不在教室，返回签到失败并结束；若学生在对应教室，则进入步骤3）。
3）进行人脸识别流程，通过对比该手机绑定的人脸与当前待识别人脸，若人脸识别失败，返回签到失败并结束；若识别成功，则进入步骤4）。
4）将学生信息及签到时间、地点、课程发送至考勤服务器，考勤服务器返回客户端签到成功。
图5无线定位流程图
图6考勤签到流程图2.3系统核心功能部分代码实现
本系统核心功能主要为人脸识别功能和无线网络定位功能，下面就这两部分核心功能的实现代码简要说明如下。
2.3.1 人脸识别功能
初始化LBPH（局部二进制模式直方图）人脸识别对象的部分代码如图7所示。
本地人脸训练样本载入的部分代码如图8所示。
人脸模型训练并保存的部分代码如图9所示。
人脸识别的部分代码如图10所示。
2.3.2 无线网络定位功能
进行Wi-Fi权限添加时，在AndroidManifest.xml中添加必要的权限，部分代码如图11所示。
3 系统功能实现
本考勤系统主要功能实现界面如图14所示。
4系统测试
4.1 系统功能性测试
本系统完全实现了基于无线网络定位和人脸识别的考勤签到系统功能，功能测试情况如表1所示。
表1系统功能测试4.2 系统性能测试
结合用户的体验和系统的实用性，我们针对系统的人脸训练时间、识别时间、网络定位时间、签到耗时等方面进行了性能测试，测试结果如表2所示。
表2性能测试表说明：人脸绑定时间主要是由用户手动操作在实时视频流中选取图片进行识别，时间主要消耗在人工选取图片上，人脸绑定只有一次，除非用户需要更换手机的时候需要再次绑定，其他情况无须重复绑定。在其他性能测试结果上用户的体验是流畅、方便、快捷的。
5结论
在基于无线网络和人脸识别的考勤签到系统的设计与实现中，本文首先介绍了该系统的研究意义，其次介绍了关于无线网络定位和人脸识别的相关技术，接着对本系统所需要的功能进行需求分析确定出系统的功能并对每个功能进行了详细设计，再次在技术选型上对系统的客户端和服务器端进行相关的技术选型并实现了该系统。最后系统的测试结果表明，系统在功能上完全满足了学生日常考勤的功能需求，在签到体验上使用流畅、方便、快捷，本系统有效提高了考勤的准确性和效率。
参考文献：
[1]高思远，冯秀芳.基于RSSI信号特征的室内分区指纹定位算法[J].计算机工程与设计，2020，41（4）：1093-1098.
[2]冯文生，高誉.基于WiFi的室内定位算法研究[J].电气传动自动化，2022，44（5）： 5 6 - 5 8 + 5 5
[3]邓俊波.多载波定位系统中的TOA估计技术研究[D].成都：电子科技大学，2013.
[4]郑文秀，赵兴娜.基于SSD算法的人脸检测算法研究[J].现代信息科技，2024，8（19）：17-22.
[5]原晓佩，陈小锋，廉明.基于Haar-like和LBP的多特征融合目标检测算法[J].计算机科学，2021，48（11）：219-225.
[6]贾晓琪.基于AdaBoost和AAM的面部特征点检测技术研究[J].现代信息科技，2024，8（18）：172-175.
[7]林平荣，吴梓华，陈鑫，等.基于深度学习的人脸识别系统[J].软件工程，2023，26（10）：53-57.
[8]季瑞瑞，谢宇辉，骆丰凯，等.改进视觉Transformer的人脸识别方法[J]计算机工程与应用，2023，59（8）：117-126.
[9]宋俊芳，马浩轩，赵海莉，等.基于Haar级联分类器和LBPH算法的人脸识别[J].软件，2021，42（4）：45-47.
[10]李云鹏，席志红.基于RetinaFace与FaceNet的动态人脸识别系统设计[J].电子科技，2024，37（12）：79-86.
作者简介：张哲（1989一），男，汉族，陕西西安人，工程师，硕士，研究方向：计算机网络、智慧校园；折波（1989—），男，汉族，陕西榆林人，高级工程师，硕士，研究方向：计算机网络、机器学习；崔靖茹（1990—），女，汉族，河南三门峡人，工程师，硕士，研究方向：智慧校园、教育信息系统。
