基于人臉識別的課堂教學監控系統分析

何 源

（黃岡師范學院，湖北 黃岡 438000）

近幾年來，人工智能、大數據、云計算、網絡建設等新技術、新產業的迅速發展，給我們的生活帶來了巨大的變化，作為當代中國學生的基本形式，課堂教學對學生知識和技能結構的形成有著深遠的影響，在教學過程中，控制學生的課堂教學，改善教學方法是一個重要問題。傳統課堂控制方法包括現場錄制、課堂教學、課堂教學和課堂教學，而采用普通的手工監控方式，需要大量的人力資源，班級點名系統、智能控制系統等應用于課堂教學質量控制系統的設計與開發，該系統利用教室內的通用攝像設備，采集課時的圖像，分析學生的學習成績，提出學生的綜合學習評價結果[1]。

一、系統架構

本系統利用教室內部署的視頻監控設備，為學生采集視頻數據，識別界面，并統計識別出視頻中的人臉和情緒，系統應用可以更好地跟蹤學生的變化，通過課堂視頻監控滿足學生的需要，限制了部分學生不積極參與課堂或制造騷亂的機會，并通過手機圖像評價教學質量；視頻采集、人臉檢測、人臉識別和統計反饋的子系統。

視頻采集存儲模塊主要用于學生課堂視頻的采集和保存，圖像預處理功能是對圖像進行相應的處理和校正，為了更好地識別圖像中的人臉，人臉檢測子系統由圖像分割、人臉檢測和人臉去重三個要素構成，從而更好地對學生面部表情進行切割、校正，人臉檢測子系統由圖像分割、人臉檢測和人臉權重損失三個要素構成，從而更好地對學生面部表情進行檢測，將人臉檢測結果傳送到子系統，對學生面部進行人臉識別、人臉情感的分析，從而更好地對學生面部表情進行分析、觀察等。

二、系統關鍵技術

1.圖像分割

設計了一個人臉識別系統，能夠更好、更全面地識別所有學生的面部。但是人臉子系統有它的缺點。這一模塊的設計難點在于如何進行回收系數的驗證，即在教學中任何一個學生都不可錯過。由于人臉識別技術在數量龐大的情況下不能保證撤銷率，所以這些方法不能直接應用到課堂上。本文介紹了一種基于遞歸裁剪的人臉識別方法。

根據部分匹配原理，將圖像沿長邊切割成三幅子圖像，保證圖像切割后不破壞長寬平衡，部分重疊保護，剪切后的子空間盡可能完整。剪影過程實際上創建了一棵有三個分支的樹，每個節點代表一幅剪切圖像。樹深表示剪切量，其大小取決于圖片中的數量。對多個面的圖像，n可以設置成較高的值，這樣就可以使原始圖像中較小的人臉在子圖像中以較高比例出現，從而提高了反饋驗證的水平[2]。

2.人臉識別

這套系統采用了交互式人臉識別界面，與其他開放式人臉識別界面相比，可以識別具有高度認同感的人。確認身份前，將所有學生面部資料上傳至開放平臺，建立學生身份數據庫，平臺返回最像人臉的學生ID，以及情緒、焦點等信息，系統將個人信息帶回數據庫，分析學生的學習質量（詳見表1）。資料庫中的每一項都包含個人信息，其中包括人名、三維空間的面部角度、面部表情圖像的采集時間、識別可靠性等。

表1 人臉信息數據表

人臉檢測不僅是人臉識別技術中的第一步，也是最困難的一步，它直接影響到后續人臉檢測過程中人臉檢測中涉及人臉定位、物體防護、光線變化等問題，目前的研究主要是克服這些干擾。以知識為基礎的方法主要是基于人臉鼻、口、眼的數量等形狀特性，用Boost算法對灰度特征進行分類，并結合膚色特征，提高了控制速度和控制效率，減小了不同空間和光線變化對人臉的影響。因為光度影響膚色而非面部行為的性質，使得基于知識的人臉識別方法的有效性有限。

通過建立神經網絡來區分個體區域和非個體區域，對難以表達的規則有很好的處理能力，訓練樣本越多，發現效果越好，但是運行速度卻變慢。應用最廣泛的是AdaBoost模型，它由多個弱分類器組成，其錯誤率低，效率高，且基于SVM方法分辨率高，但在對人臉進行保護時，SVM比神經網絡模型具有更好的泛化能力，能更好地表達復雜特征。

3.課堂教學分析

通過提取課程中所有學生的個人信息，并以網頁和手機應用終端的形式提供統計數據來評估學生的學習狀況。其中包括入學動態、所有學生分布情況和趨勢測試率、每個學生的個人觀點、情緒分布和面部變化趨勢以及無焦慮人群。

對全部學生成績指標進行動態統計，主要用來分析課堂教學中學生的比例。不同年級的及格學生比例各不相同。如果發現，則可以通過面部表情視圖的分布和變化趨勢來分析其面部表情的高低。通過學生的表情分布和變化，分析學生的笑臉，從而確定活動的活躍程度。在此提醒下，教師可以檢查他是否早退或有沒有認真聽講。

4.人臉預處理

由于網絡攝像機等圖像采集工具獲得的圖像中含有人像、背景等信息，影響了網絡面部的識別，增加了識別時間。圖像輸入網絡前需先進行預處理。圖像預處理主要包括光照、直方圖對齊、人臉檢測和人臉比對。本文提出了圖像處理的一個重要環節，有待進一步完善。經過處理的圖像能最大限度地反映出人臉的共有特征，并利用人臉識別圖像中某些區域的特征。但是事實是，聚集在一起的人往往會水平和垂直的移動，導致面部不能持久保持，這就產生了一些困難。利用簡單的圖像中心對人臉圖像進行旋轉，就可以將人臉圖像轉換成人臉圖像，以下是關于人臉識別前圖像的預處理步驟。第一，要對人進行人臉檢測，即對人進行檢測。在此基礎上，通過68點的面形特征檢測點對人臉進行展平，獲得水平旋轉和垂直旋轉的描述，利用旋轉圖像來垂直對齊人臉，利用水平旋轉角度計算出人臉的水平旋轉角度，對訓練和存儲模型進行分類，以實現特征固定，在圖像區域固定一些人臉特征可以加快模型收斂速度。

三、系統性能分析

1.系統運行效果

現在，該系統已經在一些高校的軟件教育機構試用，大多數教室可以容納50名學生，其中每班30-40名學生，視頻采集設備的設置見表2。

表2 攝像頭主要參數

本研究采用人臉反饋系數測驗方法，針對各班座位分配不同的情況，針對學生成績不高且無法核實的特殊情況，對100張圖像進行人臉檢測，如圖1所示。

圖1 不同圖像切割深度時人臉召回率

正如圖1所示，當剪切深度急劇增加時，人臉召回率顯著提高，當剪切深度為5時，反饋分數可達99.8%，完全能滿足課堂控制的要求。

2.系統性能分析

需要檢測人臉的圖像數量隨著圖像裁剪次數的增加呈指數增長。如果切割深度是5時，則需要檢測364個圖像。根結點的尺寸在這些圖像中是最大的。用OpenCV進行人臉識別需要80ms左右，隨著切片深度的增加，圖像尺寸的減小，人臉檢測時間大大減少，第五部分后葉節圖像檢測時間減少到4ms，單圖像人臉識別總時間不到4S。通過人臉檢測，通過使用“百度”軟件中的在線人臉識別界面進行，在帶寬較好的情況下穩定地實現每秒9—10次調用，對于約40人的班級，人臉識別所需的總時間不到6S，時間的消耗完全符合課堂教學控制系統的要求。

結語

伴隨著我國經濟的發展和綜合實力的提高，我國在計算機領域取得了重大突破。本文設計并開發了課堂教學人臉識別監控系統，該系統將作為課堂教學的一部分在將來逐步推廣，由于學生人數眾多，現場人員大量地檢查自己的臉，反饋率較低，這已成為一個主要問題。針對多人場景識別中可見性不強的問題，提出了一種基于圖像的遞歸剪裁與opencv人臉識別方法，通過對學生表情的識別，對課堂情況進行分析。介紹了確定召回率的試驗結果，并對人臉檢測與識別時間進行了分析。經過對系統的檢查，發現了一些有待改進的地方。第一，如何感知學生在課堂上的分布，并對學生多的領域進行更深層次的回歸，是一個值得研究的問題。第二，場地的分布、照明等因素會對環境產生影響。