怎样创建点名场景？

签到荚的---功能是点名与签到，签到荚支持任何用户自主创建各类考勤场景（包括查寝、查课、查自习、活动、会议等），针对点名人自主创建的考勤场景，签到荚允许用户自主设名时间和地点，由系统定时自动开启点名。接前者的定义是能严谨、明晰地来定位考勤，让它能成为严格的规定，和一种制度体系来衡量考勤的标准，否则考勤就什么都不是了。学生---也能查看到自己权限范围内的考勤统计数据，督促未签到---按时签到。

人脸与人体的其它生物特征（指纹、虹膜等）一样---，它的性和不易被的---特性为身份鉴别提供了---的前提，与其它类型的生物识别比较人脸识别具有如下特点：非强制性：用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”；非接触性：用户不需要和设备直接接触就能获取人脸图像；

并发性：在实际应用场景下可以进行多个人脸的分拣、判断及识别；

除此之外，还符合视觉特性：“以貌识人”的特性，以及操作简单、结果直观、隐蔽性好等特点。

人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。

人脸图像采集及检测人脸图像采集：不同的人脸图像都能通过---镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到---的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。

人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。待学生签到后，辅导员、班主任或学生---可随时查看“谁报到了，谁没报到。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。主流的人脸检测方法基于以上特征采用adaboost学习算法，adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。人脸检测过程中使用adaboost算法挑选出一些代表人脸的矩形特征(弱分类器)，按照加权的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。