基于深度學習人臉識別技術在高校學堂分析設計及實現(xiàn) ?

湯雙霞

摘 要：現(xiàn)代人臉識別以深度學習技術為核心，以卷積神經(jīng)網(wǎng)絡為基礎，通過輸入圖像提取到人臉的特征值計算分析人臉的表情。通過分析當前學生的專注度（表情變化），建立數(shù)據(jù)采集樣本集，通過訓練計算完成課堂專注度分析，形成課堂學生專注度分布結果。結果表明，進行教師的課堂學情分析，有利于進行課程的教育教學改革，提高辦學水平，也有利于教育行業(yè)的技術進步，提高行業(yè)的信息技術教育水平。

關鍵詞：深度學習;卷積神經(jīng)網(wǎng)絡;課堂學情分析;專注度;數(shù)據(jù)采集;信息技術教育水平

中圖分類號：TP315 文獻標識碼：A 文章編號：2095-1302（2019）06-0-02

0 引 言

隨著互聯(lián)網(wǎng)應用和計算機網(wǎng)絡技術的飛快發(fā)展，大數(shù)據(jù)的應用已經(jīng)直接影響到各個領域的信息系統(tǒng)中，大量數(shù)據(jù)的更新?lián)Q代，對不同類型的數(shù)據(jù)庫進行支撐。合理應用相關數(shù)據(jù)信息，就能明確數(shù)據(jù)信息帶來的價值和意義。隨著深度學習技術的發(fā)展，人臉識別技術采用深度學習的算法進行識別。深度學習是當前基于深層次的研究人工智能網(wǎng)絡技術的基礎研究。

1 深度學習的發(fā)展及在教育領域的應用

深度學習的出現(xiàn)打破了神經(jīng)網(wǎng)絡發(fā)展的瓶頸。深度學習神經(jīng)網(wǎng)絡包括輸入層、隱含層和輸出層，通過這種多層的神經(jīng)網(wǎng)絡結構實現(xiàn)復雜函數(shù)的逼近。深度學習具備擬合任何復雜函數(shù)的特點，在教育領域中也有不可估量的作用。深度學習在教育領域中的關系如圖1所示。

2 人臉識別技術的發(fā)展

2.1 傳統(tǒng)的人臉識別

人臉識別最早可以追溯到20世紀80年代，Calton發(fā)表了人臉進行身份識別的文章，拉開了人臉識別理論研究的序幕。Calton對人臉識別進行了潛心研究，但沒有研究到人臉自動識別的地步。人臉識別算法經(jīng)過了最近幾十年的摸索，達到了很好的識別率，能從數(shù)據(jù)集上訓練和測試出算法的識別率。

2.2 以深度學習及神經(jīng)網(wǎng)絡技術應用的人臉識別

深度學習神經(jīng)網(wǎng)絡理論提出后，相關研究人員通過網(wǎng)絡可在圖像中聽到較大的噪聲，發(fā)現(xiàn)遮擋狀況。經(jīng)研究發(fā)現(xiàn)，卷積神經(jīng)網(wǎng)絡對圖像平移、尺度的辨別較弱，但對加強網(wǎng)絡的性能非常有利。神經(jīng)網(wǎng)絡模型類似方法較多，有時滯神經(jīng)網(wǎng)絡、徑向基函數(shù)網(wǎng)絡和Hopfield網(wǎng)絡。神經(jīng)網(wǎng)絡不需要人工特征提取算法設計、研究，自動收集數(shù)據(jù)集即可。

3 基于深度學習的人臉識別系統(tǒng)設計實現(xiàn)方法

3.1 人臉識別過程圖

3.2 基于深度學習人臉識別技術的過程

采用深度學習多任務卷積神經(jīng)網(wǎng)絡（Multi-task Convolutional Neural Network，MTCNN）算法檢測人臉的位置，將原始圖像通過尺度變化為不同尺寸，構建圖像結構，然后通過整體人臉及人臉的各種特征點進行定位。

通過Face++算法對收集到的人臉圖片進行深度訓練，在LFW（Labeled Faces in the Wild）數(shù)據(jù)集上驗證準確率高達90%。訓練出一個9層的人工神經(jīng)網(wǎng)絡來進行人臉特征表達。基于深度學習的Face++算法人臉識別流程圖如圖3所示。

圖中，首先將人臉進行分塊，然后通過訓練好的深度學習網(wǎng)絡提取出特征值，最后對這些特征值進行人臉身份分析。通過結構光技術融合深度圖像信息，提高人臉識別的準確度。人臉的深度圖可以很好地對人臉進行描述，不受光線、化妝等因素的影響。

4 結 語

人臉識別技術是基于人的臉部特征對輸入的人臉圖像或者視頻流進行識別，首先判斷其是否存在人臉 ，如果存在人臉，則進一步給出每個臉的位置、大小和各個主要面部器官的位置信息;依據(jù)這些信息，進一步提取每個人臉中所蘊涵的身份特征，并將其與已知的人臉進行對比，從而識別每個人臉的身份。在人臉圖像中提取特征值，分析當期學生的專注度時，可自定義采樣頻率，建立數(shù)據(jù)采集群體樣本，利用統(tǒng)計學原理完成學生課堂專注度分析，將教學過程分析和專注度分析進行關聯(lián)，形成課堂過程專注度分布結果。

參 考 文 獻

[1] LEE H，GROSSE R，RANGANATH R，et al. Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations [C]// Proc of the 26th International Conference on Machine Learning. New York：ACM Press，2009：609-616.

[2] KRIZHEVSKY A，SUTSKEVER I，HINTON G E. Imagene t classification with deep convolutional neural networks [C]// Advances in neural information processing systems. Cambridge，MA，USA：MIT Press，2012：1097-1105.

[3] SIMONYAN K，ZISSERMAN A. Very deep convolutional networks for large-scale image recognition [J]. arXiv preprint arXiv：1409.1556，2014.

[4] BEBIS G，GEORGIOPOULOS M. Feed-forward neural networks [J]. IEEE Potentials，1994，13（4）：7-31.

[5] RUMELHART D E，HINTON G E，WILLIAMS R J. Learning Internal Representations by Error Propagation [M]// Parallel distributed processing：explorations in the microstructure of cognition，Cambridge，MA，USA：MIT Press，1986：318-362.

[6]劉穎超，張紀元.梯度下降法[J].南京理工大學學報，1993（2）：12-16.

[7] ZUR R M，JIANG Y，PESCE L L，et al. Noise injection for training artificial neural networks：A comparison with weight decay and early stopping [J]. Medical physics，2009，36：4810.

[8] WON Y，GADER P D，COFLIELD P C. Morphological shared-weight networks with applications to automatic target recognition [J]. IEEE transactions on neural networks，1997，8（5）：1195-1203.

[9]韓立權.無線網(wǎng)絡攻擊中保護用戶敏感隱私信息仿真[J].計算機仿真，2017（3）：277-280.

[10]李紅麗，許春香，馬耀鋒.基于多核學習SVM的圖像分類識別算法[J].現(xiàn)代電子技術，2018，41（6）：50-52.