基于人臉識別的課堂專注度設計

舒珩 周麗

摘 ?要：高校的學習生活因科技的高速發展而發生了翻天覆地的變化，順應時代的發展，高校教育信息集成化成為當今關注焦點。決定大學生學習成果和學習效率的基本保障是課堂出勤率及課堂上的專注度，因此大學生的課堂專注度問題一直是高校熱門話題。得益于人臉識別技術的高速發展，文章采用HAAR特征值算法將課堂專注度集成為一個基于人臉識別的系統。該系統將人臉識別考勤加入其中，在大大提高教師上課效率的同時，還可精準監管學生在課堂上的專注度。

關鍵詞：人臉識別;課堂抬頭率;專注度統計

中圖分類號：TP391.4 ? ?文獻標識碼：A 文章編號：2096-4706（2021）12-0029-04

Abstract： The study and life of colleges have undergone earth shaking changes due to the rapid development of science and technology. In line with the development of the times， the integration of educational information in colleges has become today's focus of attention. The basic guarantee of college students' learning achievement and learning efficiency is classroom attendance and classroom concentration. Therefore， college students' classroom concentration has always been a hot topic in colleges. Thanks to the rapid development of face recognition technology， this paper uses HAAR eigenvalue algorithm to integrate classroom concentration into a face recognition based system. The system adds face recognition attendance to it， which can not only greatly improve the efficiency of teachers in class， but also accurately monitor the concentration of students in class.

Keywords： face recognition; classroom rise rate; concentration statistics

0 ?引 ?言

如今，互聯網科技的高速發展加速了這個時代成為一個信息大爆炸的時代，手機作為這個時代最成功的百姓用品，同時也成為學生的一個巨大誘惑。據權威統計，當今大學生的智能手機擁有量幾乎達到100%，任何事情在發展到極致的時候都會顯示出來弊端，分析大學生上課手機使用情況的統計發現，當今大學生面臨著巨大的就業和深造壓力，但仍有相當一部分的同學高校的課堂學習都在極度不專注下度過[1]，這樣會導致學習成績下滑。雖然說學習很重要的是依靠自律，但這并不妨礙在如今的新型科技的出現下順應時代的改變做出相應的監管措施。

我國人臉識別技術的發展時間始于20世紀九十年代末期和21世紀伊始，其中經歷了技術引進、專業市場引進、技術完善、技術應用。2014年是深度學習技術應用于人臉識別的關鍵一年，加速了我國的人臉識別技術的發展。2016年，微信用戶數量激增到8億人，而且現在微信的注冊和使用人數依然是中國社交軟件的佼佼者。現在我國的人臉識別已經廣泛應用于人臉解鎖系統、門禁、課堂考勤、刷臉支付、刑事偵查等，且技術日益成熟和完善。但是早在21世紀初實施的新課改中提出教師要合理應用每一節課的時間，正確引導學生自學能力和自律。基于新課改的大時代下，很多文章描寫了如何提高或改善學生的課堂專注度，但都沒有精準到每一個學生到底專注了多久、以及哪些同學十分專注、哪些同學長期開小差卻未被發現的情況，而且對于專注的情況沒有一個完整的監管過程，全是依靠教師的肉眼判斷。基于人臉識別的課堂專注度統計的出現，使教師可以輕松掌握同學們是否在專注，且可以在同一時間了解班上學生的整體專注度，這樣教師對全班同學上課情況的監管能夠精確到個人，也便于課后的分析和指正。

1 ?基于人臉識別的課堂專注度統計

1.1 ?總體設計流程

其設計的中心思想在于建立大學生的課堂監管系統，這個監管系統必須具有自動分析、自動統計等智能模塊，這也是為了響應教育部對新時代大學日常學習的改進要求，為以后的大學生課堂管理進行優化起到監管支撐。在進行課堂專注度統計時，我們把基于人臉識別考勤系統的模塊也加入進去，應用人臉識別的抬低頭算法，并以這個算法為核心進行框架設計。所以大致分為以下兩個綜合模塊進行：學生人臉采集與預處理模塊，以及學生課堂專注度分析模塊[2]，如圖1所示。

1.2 ?專注度統計系統的基本模塊設計

1.2.1 ?人臉采集

這里的圖像采集采用人臉識別中的模板檢測，我們將采集學生的免冠證件照（也可以直接從教務處導入學生信息），本系統實驗時在光線較好的教室里以白色墻壁為背景對學生進行照片采集，每位學生需要20～30張照片集，將所有照片按照姓名、學號、班級格式命名，并以jpg形式的文件進行分類存儲，如圖2所示。

1.2.2 ?人臉的預處理考勤系統的初步實現

在進行人臉圖片采集后，我們將所有彩色證件照轉為灰度圖進行訓練，為了實現系統中的考勤模塊功能，系統使用計算機視覺庫OpenCV中的Eigenface人臉識別算法以實現對人臉特征向量的計算，在此基礎上再利用機器學習，從訓練圖像中獲取統計的特征構建模型并進行考勤系統的實現，如圖3所示。

這一步是為了去除圖像的噪聲以及將圖片轉為數形信息好進行下一步分析判斷。在特征數據標記好后，使用所采集的數據集進行相關的訓練和保存。

1.2.3 ?考勤系統的實現

在預處理圖片信息后，將訓練完成的系統進行人臉信息的及時采集，以其作為基于人臉識別中的考勤系統的運行實踐，系統在進行圖片采集后，會及時加載所訓練的人臉模型，并將照片與模型進行對比分析，當正確認識到人臉信息之后，及時在連接的數據庫里面將學生的身份信息顯示出來，若未識別成功也將會及時提示人臉簽到失敗，如圖4所示。通過對總人數為52人的班級進行實驗發現，其整個過程用時平均5 min，且在光線較好的情況下，其準確率能夠達到90%以上[3]。

2 ?抬低頭算法的預處理

由于近年來的特殊情況，我們進行人臉識別的時候對臉部的特征值進行定點識別，這樣對于人臉的曝光率要求大大降低，本系統采用Haar-Adaboost算法來完成人臉的實時檢測功能以實現抬頭率監控。根據人臉識別的基本思想，我們將人臉視為一個簡單且穩定的幾何單位，所謂Haar特征值算法就是鼻梁兩側的顏色比鼻梁的顏色要深一些，眼睛、嘴巴等地方的顏色都比周圍面部皮膚的顏色要深。因此，可以用矩素變化來表現顏色深淺。Haar算法模型與深度學習中的貝葉斯算法其實很類似，由于實驗條件限制，本系統采用Adaboost優化算法，簡要步驟為[4]：

（1）建立一個弱分類器集合。

（2）利用Adaboost對集合進行訓練。

（3）構成強分類器。

我們一般選擇將面部分為眼部、鼻腔部、嘴部等標準區域來提供訓練其特征值，通過對比發現，傳統的人臉識別特征值提取方法比優化算法的準確率平均低5%～10%，如圖5所示。

在實現抬低頭預處理之前，使用人臉識別的Haar-Adaboost算法的目的是，應對面對單一窗口的多人臉識別的復雜工況。根據人臉識別的基本思想，我們可以將人臉視為一個簡單且穩定的幾何單位，將采集后的人臉信息使用Haar特征進行特征固定化[5]。經過對圖片特征值進行優化處理后得到預處理后的照片，在光線較差與人臉曝光率較少的情況下，能夠大大提高抬低頭統計的正確率。如圖6所示。

3 ?后臺管理數據庫模塊功能介紹

對學生的人臉采集和預處理后，將訓練和預處理完成的學生人臉照片存入系統之中。本設計的后臺存儲端與管理端采用Mysql數據作為支撐。數據庫的建立目的是讓整個系統成為一個完整的單元表格，并且有助于人臉考勤系統的實現，數據表設計如表1所示。

將所有學生的基本信息按照一定順序進行存儲，數據庫的使用是為了讓整個系統在運行過程中能夠準確快速地調出和存儲數據，并讓整個程序在多線程的支撐下更加高效、穩定、準確地顯示數據。作為專注度統計的來源，數據庫中的數據會高頻率的與外界傳入的實時錄像進行人臉識別對并然后做出統計和顯示，這樣教師端能夠更好地收集學生上課專注度情況。在該模塊中還有如下幾個模塊：信息導入模塊、信息刪除模塊、信息修改模塊，這幾個模塊的設定會大大提高教師管理端的操作便捷性，以實現高效管理學生。

4 ?整體系統的實現

我們對一個教學班整體進行人臉圖像的采集和預處理，并與數據庫中的學生身份信息進行匹配，之后，為測試系統分析檢測準確性，在實現過程之前我們錄取一段視頻按照某一定的幀數進行多次截取圖片，框出人臉位置，然后進行專注度的專項測試。如圖7所示。

經過這個小測試，對上課學生專注度的統計的整體實現。本設計中系統使用到的硬件設施為一個攝像頭，其為基于人臉識別的課堂專注度統計的系統進行錄像和采集照片。在上課開始的時候，由教師在操作界面按下考勤按鈕，然后系統就會記錄到課人數并且以到課人數作為基礎來計算抬頭率，如式（1）所示：

FocusDgree=stuCount/Focusstu ? ? ? ? ? ? ? ? ?（1）

FocusDgree表示當前學生的課堂專注度，stuCount表示當前實到學生的人數，Focusstu表示在本次課程中的專注學生的統計。

學生抬低頭作為判定方法的基本實現是將視頻里的學生作為一個二維圖片，將人臉中左眼、右眼、嘴巴定位為A點、B點、C點，這也是前文使用HAAR特征值提取方法的原因之一。通過測試設定合適的專注的AC/BC的最佳取值范圍K，將這個范圍內的學生定義為專注的人，其余范圍的學生定義為非專注的人，這需要根據所投放教室的面積、座位面積、人數等因素進行最佳范圍的確定。

設定好一定范圍的值后，本系統才算真正意義上的完備與健全，在教師端進行操控讓電腦調用所聯通的攝像頭進行課堂專注度統計，攝像頭會以提前安排好的上課時間進行錄像并按照事先設定好的時間節點進行實時回放和截取圖片，并同時進行課堂專注度的統計。如圖8所示。

5 ?結果與分析

本系統是基于人臉識別中的機器視覺對學生專注度的分析和統計，會涉及單一人臉識別和單一窗口多人臉識別等深度學習的范疇，進行一系列預處理過程后，在應對人臉曝光率較高的情況下，本系統在進行了5組時長為60 S的測試集后，發現其準確率在80%～95%之間，并且成功實現課堂人臉識別的簽到功能和計算出專注與非專注學生的百分比。如圖9所示。

6 ?結 ?論

互聯網的高速發展給我們大學生帶來了高效的學習方式和開闊的技能學習平臺，當一個事務發展到極致的時候往往會變成一個雙刃劍，高校上課學生使用手機瀏覽無關上課學習的情況必須得到改變，本系統旨在實現監管系統的自動化與準確智能化。本系統所需硬件設備較小且實現過程較為便捷，在人臉識別的課堂專注度統計的輔助下，能夠幫助高校教師對學生上課的情況有所掌握和了解，有助于高校學習的信息化監管工作的開展。

參考文獻：

[1] 趙紀河，簡志群.大學生課堂問題行為的表現及其原因分析 [J].新課程學習（中），2011（7）：20.

[2] 牟國棟，譚俏俏，李田來，等.人臉識別技術在智慧校園中的應用 [J].電腦知識與技術，2021，17（16）：190-192.

[3] 陳文兵，李育霖，陳允杰.一種基于CNN-SE-ELM的年齡和性別識別模型 [J].計算機工程與科學，2021，43（5）：872-882.

[4] 段巨力.基于機器視覺的學生上課專注度的分析評測系統 [D].杭州：浙江工商大學，2018.

[5] 孫結冰.基于Adaboost人臉檢測算法的多人標識系統研發[D].哈爾濱：黑龍江大學，2019.

作者簡介：舒珩（1998—），男，漢族，四川廣安人，本科在讀，研究方向：計算機視覺;周麗（1984—），女，漢族，四川廣安人，講師，碩士，研究方向：計算機視覺、圖像處理、目標檢測。