基于FaceNet的人脸识别算法系统

陶伟 卢彪

【摘 要】本系统在人脸识别的基础上进行识别，并实现了对学生教育质量的监测，并通过了功能测试以及性能测试，在一定程度上可提升学生课堂学习质量以及教师对学生课堂质量的监测。

【关键词】人脸识别;多任务卷积神经网络;FaceNet

一、研究现状

人脸是三维立体图像，但进行识别处理的图像是将三维图像投影为二维图像的过程，在这一过程中许多特征信息丢失。限于现有的人脸图像处理能力，目前对人脸模型的处理主要集中在静态人脸处理，一般涉及到人脸定位、人脸检测等。人脸定位和人脸跟踪主要运用在多媒体图像中，用于查询识别和追踪。人脸检测主要用于对人脸图像的预处理工作中。

二、FaceNet人脸识别算法

人脸识别阶段，本系统采用了FaceNet进行人脸的识别，为了保证准确率与降低训练时间，本系统在使用自己的数据集之前，使用LFW数据集对算法进行了预训练，并使用预训练的model，载入自己的数据集重新训练。在数据集方面，采用了人脸检测阶段得到的数据集。测试数据则是基于人脸检测阶段得到的人脸图片集，该网络第一层卷积层convl，pad是3} 64个特征，7*7步长为2，输出特征为112*112*64，然后进行relu，然后使用最大池化，进行pooling3*3的核，步长为2，池化层完成采样之后，对数据进行归一化，并输入Inception层，，Inception使用1*1， 3*3， 5*5的卷积核进行并联搭建，并使用3*3的池化层进行池化，可以大大简化计算量。在计算完成后，用L2进行归一化L2即f（x}z二1，将所有图像特征映射到一个超球面上;再接入一个embedding层（嵌入函数），嵌入过程可以表达为一个函数f（x） E R d，即把图像x通过函数f映射到d维欧式空间。最后使用在第二章提到的triple loss作为损失函数优化特征，得到需要优化的目标函数 a为两个类别间距的差值。使用mini-batch梯度下降进行函数优化反向更新FaceNet的权值，直到误差收敛。

三、结语

基于人脸识别的智能教育系统是在人工智能结合教育方面做出的新型教育管理系统，本系统利用人脸识别以及表情识别辅助教师管理学生，一方面可以辅助教师实时监测学生上课状态并给予警示，另一方面也可以分析学生上课状态为教师针对学生状态进行课堂针对性改进提出参考方案;系统在课堂考勤模块中使用人脸识别实现了学生无感签到，搭建的改进的MTCNN和FaceNet模型在识别人脸己经做到了95%的准确率，并可在2s内对进入教室的学生进行签到;在课堂状态监测模块，使用人脸识别识别人脸，判断学生专注度;使用表情识别判断学生对于教师的讲课的状态来监测学生以及教师的上课质量;并通过课堂报告的形式分析学生、教师的上课质量，为学校创新性管理教育质量提供了参考。

【参考文献】

[1]王萍，石磊，陈章进.智能虚拟助手：一种新型学习支持系统的分析与设计[J].电化教育研

究，2018，39（02）：67-73.

[2]肖美婷.专家系统在人工智能技术中的应用及工作过程研究[J].计算机产品与流通，2019（01）：104.

[3]陳海涛，潘静.基于Adaboost人脸检测技术浅析[[J].电子世界，2018（12）：91-92.

[4]何俊，蔡建峰，房灵芝，何忠文.基于LBP/VAR与DBN模型的人脸表情识别[J].计算机应用研究，2016，33（08）：2509-25 I 3.