[论文解读] Automating Attendance Management in Human Resources: A Design Science Approach Using Computer Vision and Facial Recognition

Tat-Bao-Thien Nguyen, Minh-Quoc Bui+1 more|arXiv (Cornell University)|May 21, 2024

COVID-19 Pandemic Impacts被引用 4

一句话总结

本文提出了一种低成本、嵌入式的面部识别系统，用于在NVIDIA Jetson Nano上使用Haar Cascade和OpenCV2自动化人力资源考勤管理。通过利用高效的图像处理和边缘检测技术，该系统在极少人工干预的情况下实现了高精度的人脸检测与匹配，为计算资源有限的学校、小型企业和工作场所提供了一种可扩展、经济实惠的解决方案。

ABSTRACT

Haar Cascade is a cost-effective and user-friendly machine learning-based algorithm for detecting objects in images and videos. Unlike Deep Learning algorithms, which typically require significant resources and expensive computing costs, it uses simple image processing techniques like edge detection and Haar features that are easy to comprehend and implement. By combining Haar Cascade with OpenCV2 on an embedded computer like the NVIDIA Jetson Nano, this system can accurately detect and match faces in a database for attendance tracking. This system aims to achieve several specific objectives that set it apart from existing solutions. It leverages Haar Cascade, enriched with carefully selected Haar features, such as Haar-like wavelets, and employs advanced edge detection techniques. These techniques enable precise face detection and matching in both images and videos, contributing to high accuracy and robust performance. By doing so, it minimizes manual intervention and reduces errors, thereby strengthening accountability. Additionally, the integration of OpenCV2 and the NVIDIA Jetson Nano optimizes processing efficiency, making it suitable for resource-constrained environments. This system caters to a diverse range of educational institutions, including schools, colleges, vocational training centers, and various workplace settings such as small businesses, offices, and factories. ... The system's affordability and efficiency democratize attendance management technology, making it accessible to a broader audience. Consequently, it has the potential to transform attendance tracking and management practices, ultimately leading to heightened productivity and accountability. In conclusion, this system represents a groundbreaking approach to attendance tracking and management...

研究动机与目标

• 解决现有基于深度学习的考勤系统在人力资源和教育环境中的高成本与复杂性问题。
• 开发一种资源高效、准确且可扩展的考勤管理解决方案，适用于中小型机构。
• 通过自动面部识别减少人工数据录入和人为错误，提升考勤追踪的准确性。
• 展示在嵌入式硬件上使用Haar Cascade与OpenCV2实现实时人脸检测与匹配的可行性。
• 为计算预算有限的机构提供一种经济实惠、易于获取的商业面部识别系统替代方案。

提出的方法

• 该系统使用Haar Cascade——一种基于机器学习的物体检测算法，通过Haar-like特征和边缘检测技术，在图像和视频中检测人脸。
• 集成OpenCV2进行图像预处理、特征提取，以及与本地存储数据库实时进行人脸检测与匹配。
• 系统运行在NVIDIA Jetson Nano上，该平台是专为低功耗设备端推理优化的嵌入式计算平台。
• 精心选择Haar特征，包括Haar-like小波，以提升在不同光照和姿态条件下的检测精度与鲁棒性。
• 通过相似性度量将检测到的面部特征与本地数据库中的存储模板进行比对，完成人脸匹配。
• 设计强调计算效率和低硬件需求，以实现在资源受限环境中的部署。

实验结果

研究问题

• RQ1 基于Haar Cascade的系统是否能在计算开销极小的情况下，实现高精度的人脸检测与匹配，适用于考勤管理？
• RQ2 OpenCV2与NVIDIA Jetson Nano的集成如何影响嵌入式部署中的处理效率和实时性能？
• RQ3 与传统方法相比，Haar Cascade系统在多大程度上减少了人力资源考勤追踪中的手动干预和人为错误？
• RQ4 该系统在教室、办公室和工厂等不同环境中（光照和背景条件各异）的性能表现如何？
• RQ5 在考勤系统中，使用Haar Cascade与深度学习模型相比，在精度与资源效率之间存在何种权衡？

主要发现

• 该系统仅使用Haar特征和边缘检测，便实现了高精度的人脸检测与匹配，无需大规模数据集或昂贵硬件。
• 通过在NVIDIA Jetson Nano上部署系统，显著提升了处理效率，实现了嵌入式设备上的实时运行。
• 使用Haar Cascade显著降低了计算成本和基础设施需求，使该解决方案对小型机构更具成本效益和可及性。
• 系统在多种环境中表现出色，包括学校、职业培训中心和小型办公室，且仅需极少的手动配置。
• 通过最小化人工数据录入，系统有效减少了人为错误，增强了考勤追踪流程中的责任性。
• 该解决方案被验证为一种可扩展、低成本的商业面部识别系统替代方案，适用于教育机构和小型企业的大范围部署。