基于人臉檢測技術的網絡教學系統設計

李家科

摘 要：文章針對傳統網絡教學系統中存在曠課難以察覺的問題，探索性地設計并提出了一種基于人臉檢測的網絡教學系統模型，解決網絡系統中管理混亂問題的技術手段和方法。該模型以AdaBoost人臉檢測算法為關鍵技術，系統設計從一定程度上解決了網絡教學上課混亂的狀態，補償了網絡教學中的曠課管理，為促進網絡教育的良好發展作出了基礎性的工作。

關鍵詞：網絡教學；人臉檢測；管理；曠課

1 網絡教學系統的需求與瓶頸分析

隨著網絡現代化的迅速發展，網絡的信息資源豐富、傳遞便捷、交互性強的特點應用在教育上的優越性越來越明顯。在生活中發現問題，利用網絡獲取和分析信息，可以培養學生獨立解決問題的能力。網絡龐大的信息資源、優越的多媒體功能和多向交互功能，更有利于開發式和協同式教學，提高學生的創造性思維，為教學質量和教學效率的提高提供了有力的保障[1]。

遠程教育的特點決定了業余進修者的網絡學習只能以自學為主，學生的學習進程是與老師和其他學生的學習進程不同時、不同地發生的，這些獨特的特點，會使得剛剛開始學習的學生產生不真實的感覺，缺乏自律性的學生因而會無法約束自己的行為，從而上課不專心甚至出現逃課等現象?，F行大多的網絡教學系統中，一般都缺乏網絡教學的管理，對學生的曠課無從管理，導致教學資源浪費，學習效果差。

為了提高學習效果，必須解決網絡教學系統的管理，對學生的曠課行為加強監督。本文從文獻[2]中受到啟發，力圖通過人臉檢測技術，識別學生是否有曠課行為，教師根據識別結果給出相應的策略，以推動網絡教育教學的良好發展。

2 人臉檢測技術為網絡教學管理提供支持

人臉檢測指的是在一幅圖像或者是一段視頻中準確地指出所有人臉的坐標、大小的過程。目前國內外的學者們提出了許多行之有效的人臉檢測算法，主要包括基于幾何特征的人臉檢測算法，基于膚色特征的人臉檢測算法和基于統計理論的人臉檢測算法。

在眾多的人臉檢測算法中，AdaBoost算法以其較高的檢測率和較快的檢測速度成為應用最廣泛的人臉檢測算法之一。它是一種迭代算法，通過每輪訓練中改變同一訓練集的樣本權重來實現。樣本權重的改變原則是根據每次訓練集中樣本的分類正確性，以及上次的總體分類的準確率，來確定每個樣本的權值。數據經過修改權值后送給下層分類器再次進行訓練，最后將每次訓練得到的分類器融合起來，作為最后的強分類器。使用AdaBoost分類器可以避免一些不必要的訓練數據特征，而放在關鍵的訓練資料上。該算法可以從根本上解決人臉檢測的速度問題，同時具有很好的檢測效果，適用于實時人臉檢測。

3 基于人臉檢測的網絡教學系統模型

人臉檢測技術應用到網絡教學中，人臉特征提取是第一步。特征信息主要包括輪廓規則、膚色、紋理規則等，通過檢測是否滿足這些規則來檢測人臉。本文使用基于AdaBoost算法進行人臉檢測。該方法采用“積分圖像”的圖像表示方法來快速計算檢測所需特征。AdaBoost算法只需較少的簡單分類器就可以獲得很好的檢測性能，實用于實時人臉檢測。

針對網絡教學中上課混亂問題，文中以遠程教育理論和學習心理學為依據，以人臉檢測技術為關鍵技術，探索性地提出了一種基于人臉檢測的網絡教學系統模型。這個模型和傳統的網絡教學系統模型相比，增加的主要功能就是捕捉學習者的人臉，檢測學習者的狀態，而判斷學習者有無曠課。根據學習者的上課狀態，教師對課堂教學進行管理，并進行有必要的師生互動，以期從根本上解決網絡教學系統中的曠課問題。該系統結構采用B/S，包括多個學生端和一個教師端，每個學生端安裝有攝像頭，根據攝像頭中的畫面提取特征，判斷學習者的狀態[3]。結構如圖1所示。

本系統相對傳統網絡教學系統，增加了人臉檢測接口、人臉檢測界面和人臉檢測模塊。系統由學生視頻接口的視頻輸入設備獲取圖像后送到人臉檢測接口，提取人臉特征，送到人臉檢測模塊，檢測圖像中是否存在人臉，曠課判斷模塊以此判斷學生是否曠課。最后將曠課信息分別提交給學生跟教師，教師可以通過一些辦法加強和學生的溝通，從而使學習者更加有效地利用遠程教育資源，使遠程教育的效益最大化。

人臉檢測可根據檢測對象分為靜態圖像的人臉檢測和動態視頻的人臉檢測。前者計算簡單，檢測速度快，而后者計算復雜，檢測精度高，檢測速度慢。動態視頻的人臉檢測不符合遠程教育的實時性要求。因此，本文選擇基于靜態圖像的人臉檢測，對獲取的學生視頻接口進行人臉關鍵幀檢測，然后進行人臉檢測，檢測的流程如圖2所示。

人臉圖像的尺寸歸一化和灰度歸一化：學生視頻端的圖像采集設備不是固定的，會造成采集的圖像不是規整的，并且采集過程也會隨著光照的變化使所采集的圖像明暗程度不同和對比度不強的問題。為了解決這些問題，在人臉特征提取前對采集圖像進行尺寸歸一化和灰度歸一化。本文使用歸一化割準則和直方圖均衡的方法進行尺寸歸一化和灰度歸一化。

人臉特征提?。壕匦翁卣鲗σ恍┖唵蔚膱D形結構如邊緣、線段比較敏感。例如：通常眼睛要比臉頰顏色更深；鼻梁兩側要比鼻梁顏色要深；嘴巴要比周圍顏色更深。為了取得更好的檢測效率，本文采用3種類型的3種形式的特征。特征值為白色像素和減去黑色像素和。由于訓練樣本較多，并且矩形特征的數量巨大，因此，使用積分圖的方法，只要遍歷一次就可求得所有子窗口的特征值，并通過一定的策略篩選出關鍵特征，將他們組合成強分類器。

AdaBoost算法：算法的核心思想是通過調整樣本分布和弱分類器權值，自動地從弱分類器空間中篩選出若干關鍵的弱分類器，并整合為一個強分類器。理論研究證明，只要每個弱分類器的分類錯誤率稍低于50%，當弱分類器的個數趨向于無窮時，強分類器的錯誤率將趨向于0。

4 結語

本文將人臉檢測技術應用到智能網絡教學系統中，使教師可以實時掌握學生的上課情況，從而使網絡教學管理更加嚴謹，彌補了傳統網絡教學系統中上課管理混亂的現象。人臉檢測是一個富有挑戰性的課題。受到人臉非剛性特點、組成部件的有無、人臉姿勢、遮擋、成像條件等的限制。雖然目前國內外有許多研究者在研究人臉檢測課題，但是還沒有完美的算法來進行人臉檢測。本文提出的模型只是將人臉檢測應用到網絡教學中，還有很多的不足以待完善，只是為網絡教學系統提供了一種新的研究方向和思路。為了對基于人臉檢測的網絡教學系統的進一步研究，還需要進一步對人臉檢測算法進行完善，提高人臉檢測算法的檢測率和檢測效率，提高教師管理的準確性，更好地彌補網絡教學系統中上課管理混亂的現象，為更加有效地利用網絡教學資源提供保障。

[參考文獻]

[1]馮滿堂，馬慶玉，王瑞杰.基于人臉表情識別的智能網絡教學系統研究[J].計算機技術與發展，2011（6）：193-200.

[2]趙美名.人臉識別技術在教學管理中的應用[J].高教學刊，2015（7）：51-52.

[3]BEVILANCQUA V，FILOGRANO G，MASTRONARDI G.Face detection bymeans of skin detection[J].Lecture Notes in Comouter Science，2008（5227）：1210-1220.