基于人脸识别的课堂教学监控系统分析

何 源

（黄冈师范学院，湖北 黄冈 438000）

近几年来，人工智能、大数据、云计算、网络建设等新技术、新产业的迅速发展，给我们的生活带来了巨大的变化，作为当代中国学生的基本形式，课堂教学对学生知识和技能结构的形成有着深远的影响，在教学过程中，控制学生的课堂教学，改善教学方法是一个重要问题。传统课堂控制方法包括现场录制、课堂教学、课堂教学和课堂教学，而采用普通的手工监控方式，需要大量的人力资源，班级点名系统、智能控制系统等应用于课堂教学质量控制系统的设计与开发，该系统利用教室内的通用摄像设备，采集课时的图像，分析学生的学习成绩，提出学生的综合学习评价结果[1]。

一、系统架构

本系统利用教室内部署的视频监控设备，为学生采集视频数据，识别界面，并统计识别出视频中的人脸和情绪，系统应用可以更好地跟踪学生的变化，通过课堂视频监控满足学生的需要，限制了部分学生不积极参与课堂或制造骚乱的机会，并通过手机图像评价教学质量；视频采集、人脸检测、人脸识别和统计反馈的子系统。

视频采集存储模块主要用于学生课堂视频的采集和保存，图像预处理功能是对图像进行相应的处理和校正，为了更好地识别图像中的人脸，人脸检测子系统由图像分割、人脸检测和人脸去重三个要素构成，从而更好地对学生面部表情进行切割、校正，人脸检测子系统由图像分割、人脸检测和人脸权重损失三个要素构成，从而更好地对学生面部表情进行检测，将人脸检测结果传送到子系统，对学生面部进行人脸识别、人脸情感的分析，从而更好地对学生面部表情进行分析、观察等。

二、系统关键技术

1.图像分割

设计了一个人脸识别系统，能够更好、更全面地识别所有学生的面部。但是人脸子系统有它的缺点。这一模块的设计难点在于如何进行回收系数的验证，即在教学中任何一个学生都不可错过。由于人脸识别技术在数量庞大的情况下不能保证撤销率，所以这些方法不能直接应用到课堂上。本文介绍了一种基于递归裁剪的人脸识别方法。

根据部分匹配原理，将图像沿长边切割成三幅子图像，保证图像切割后不破坏长宽平衡，部分重叠保护，剪切后的子空间尽可能完整。剪影过程实际上创建了一棵有三个分支的树，每个节点代表一幅剪切图像。树深表示剪切量，其大小取决于图片中的数量。对多个面的图像，n可以设置成较高的值，这样就可以使原始图像中较小的人脸在子图像中以较高比例出现，从而提高了反馈验证的水平[2]。

2.人脸识别

这套系统采用了交互式人脸识别界面，与其他开放式人脸识别界面相比，可以识别具有高度认同感的人。确认身份前，将所有学生面部资料上传至开放平台，建立学生身份数据库，平台返回最像人脸的学生ID，以及情绪、焦点等信息，系统将个人信息带回数据库，分析学生的学习质量（详见表1）。资料库中的每一项都包含个人信息，其中包括人名、三维空间的面部角度、面部表情图像的采集时间、识别可靠性等。

表1 人脸信息数据表

人脸检测不仅是人脸识别技术中的第一步，也是最困难的一步，它直接影响到后续人脸检测过程中人脸检测中涉及人脸定位、物体防护、光线变化等问题，目前的研究主要是克服这些干扰。以知识为基础的方法主要是基于人脸鼻、口、眼的数量等形状特性，用Boost算法对灰度特征进行分类，并结合肤色特征，提高了控制速度和控制效率，减小了不同空间和光线变化对人脸的影响。因为光度影响肤色而非面部行为的性质，使得基于知识的人脸识别方法的有效性有限。

通过建立神经网络来区分个体区域和非个体区域，对难以表达的规则有很好的处理能力，训练样本越多，发现效果越好，但是运行速度却变慢。应用最广泛的是AdaBoost模型，它由多个弱分类器组成，其错误率低，效率高，且基于SVM方法分辨率高，但在对人脸进行保护时，SVM比神经网络模型具有更好的泛化能力，能更好地表达复杂特征。

3.课堂教学分析

通过提取课程中所有学生的个人信息，并以网页和手机应用终端的形式提供统计数据来评估学生的学习状况。其中包括入学动态、所有学生分布情况和趋势测试率、每个学生的个人观点、情绪分布和面部变化趋势以及无焦虑人群。

对全部学生成绩指标进行动态统计，主要用来分析课堂教学中学生的比例。不同年级的及格学生比例各不相同。如果发现，则可以通过面部表情视图的分布和变化趋势来分析其面部表情的高低。通过学生的表情分布和变化，分析学生的笑脸，从而确定活动的活跃程度。在此提醒下，教师可以检查他是否早退或有没有认真听讲。

4.人脸预处理

由于网络摄像机等图像采集工具获得的图像中含有人像、背景等信息，影响了网络面部的识别，增加了识别时间。图像输入网络前需先进行预处理。图像预处理主要包括光照、直方图对齐、人脸检测和人脸比对。本文提出了图像处理的一个重要环节，有待进一步完善。经过处理的图像能最大限度地反映出人脸的共有特征，并利用人脸识别图像中某些区域的特征。但是事实是，聚集在一起的人往往会水平和垂直的移动，导致面部不能持久保持，这就产生了一些困难。利用简单的图像中心对人脸图像进行旋转，就可以将人脸图像转换成人脸图像，以下是关于人脸识别前图像的预处理步骤。第一，要对人进行人脸检测，即对人进行检测。在此基础上，通过68点的面形特征检测点对人脸进行展平，获得水平旋转和垂直旋转的描述，利用旋转图像来垂直对齐人脸，利用水平旋转角度计算出人脸的水平旋转角度，对训练和存储模型进行分类，以实现特征固定，在图像区域固定一些人脸特征可以加快模型收敛速度。

三、系统性能分析

1.系统运行效果

现在，该系统已经在一些高校的软件教育机构试用，大多数教室可以容纳50名学生，其中每班30-40名学生，视频采集设备的设置见表2。

表2 摄像头主要参数

本研究采用人脸反馈系数测验方法，针对各班座位分配不同的情况，针对学生成绩不高且无法核实的特殊情况，对100张图像进行人脸检测，如图1所示。

图1 不同图像切割深度时人脸召回率

正如图1所示，当剪切深度急剧增加时，人脸召回率显著提高，当剪切深度为5时，反馈分数可达99.8%，完全能满足课堂控制的要求。

2.系统性能分析

需要检测人脸的图像数量随着图像裁剪次数的增加呈指数增长。如果切割深度是5时，则需要检测364个图像。根结点的尺寸在这些图像中是最大的。用OpenCV进行人脸识别需要80ms左右，随着切片深度的增加，图像尺寸的减小，人脸检测时间大大减少，第五部分后叶节图像检测时间减少到4ms，单图像人脸识别总时间不到4S。通过人脸检测，通过使用“百度”软件中的在线人脸识别界面进行，在带宽较好的情况下稳定地实现每秒9—10次调用，对于约40人的班级，人脸识别所需的总时间不到6S，时间的消耗完全符合课堂教学控制系统的要求。

结语

伴随着我国经济的发展和综合实力的提高，我国在计算机领域取得了重大突破。本文设计并开发了课堂教学人脸识别监控系统，该系统将作为课堂教学的一部分在将来逐步推广，由于学生人数众多，现场人员大量地检查自己的脸，反馈率较低，这已成为一个主要问题。针对多人场景识别中可见性不强的问题，提出了一种基于图像的递归剪裁与opencv人脸识别方法，通过对学生表情的识别，对课堂情况进行分析。介绍了确定召回率的试验结果，并对人脸检测与识别时间进行了分析。经过对系统的检查，发现了一些有待改进的地方。第一，如何感知学生在课堂上的分布，并对学生多的领域进行更深层次的回归，是一个值得研究的问题。第二，场地的分布、照明等因素会对环境产生影响。