基于深度學(xué)習(xí)人臉識(shí)別技術(shù)在高校學(xué)堂分析設(shè)計(jì)及實(shí)現(xiàn) ?

湯雙霞

摘 要：現(xiàn)代人臉識(shí)別以深度學(xué)習(xí)技術(shù)為核心，以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，通過輸入圖像提取到人臉的特征值計(jì)算分析人臉的表情。通過分析當(dāng)前學(xué)生的專注度（表情變化），建立數(shù)據(jù)采集樣本集，通過訓(xùn)練計(jì)算完成課堂專注度分析，形成課堂學(xué)生專注度分布結(jié)果。結(jié)果表明，進(jìn)行教師的課堂學(xué)情分析，有利于進(jìn)行課程的教育教學(xué)改革，提高辦學(xué)水平，也有利于教育行業(yè)的技術(shù)進(jìn)步，提高行業(yè)的信息技術(shù)教育水平。

關(guān)鍵詞：深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);課堂學(xué)情分析;專注度;數(shù)據(jù)采集;信息技術(shù)教育水平

中圖分類號(hào)：TP315 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2019）06-0-02

0 引 言

隨著互聯(lián)網(wǎng)應(yīng)用和計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的飛快發(fā)展，大數(shù)據(jù)的應(yīng)用已經(jīng)直接影響到各個(gè)領(lǐng)域的信息系統(tǒng)中，大量數(shù)據(jù)的更新?lián)Q代，對(duì)不同類型的數(shù)據(jù)庫(kù)進(jìn)行支撐。合理應(yīng)用相關(guān)數(shù)據(jù)信息，就能明確數(shù)據(jù)信息帶來的價(jià)值和意義。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，人臉識(shí)別技術(shù)采用深度學(xué)習(xí)的算法進(jìn)行識(shí)別。深度學(xué)習(xí)是當(dāng)前基于深層次的研究人工智能網(wǎng)絡(luò)技術(shù)的基礎(chǔ)研究。

1 深度學(xué)習(xí)的發(fā)展及在教育領(lǐng)域的應(yīng)用

深度學(xué)習(xí)的出現(xiàn)打破了神經(jīng)網(wǎng)絡(luò)發(fā)展的瓶頸。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)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(luò)結(jié)構(gòu)實(shí)現(xiàn)復(fù)雜函數(shù)的逼近。深度學(xué)習(xí)具備擬合任何復(fù)雜函數(shù)的特點(diǎn)，在教育領(lǐng)域中也有不可估量的作用。深度學(xué)習(xí)在教育領(lǐng)域中的關(guān)系如圖1所示。

2 人臉識(shí)別技術(shù)的發(fā)展

2.1 傳統(tǒng)的人臉識(shí)別

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

2.2 以深度學(xué)習(xí)及神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用的人臉識(shí)別

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)理論提出后，相關(guān)研究人員通過網(wǎng)絡(luò)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(luò)對(duì)圖像平移、尺度的辨別較弱，但對(duì)加強(qiáng)網(wǎng)絡(luò)的性能非常有利。神經(jīng)網(wǎng)絡(luò)模型類似方法較多，有時(shí)滯神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)不需要人工特征提取算法設(shè)計(jì)、研究，自動(dòng)收集數(shù)據(jù)集即可。

3 基于深度學(xué)習(xí)的人臉識(shí)別系統(tǒng)設(shè)計(jì)實(shí)現(xiàn)方法

3.1 人臉識(shí)別過程圖

3.2 基于深度學(xué)習(xí)人臉識(shí)別技術(shù)的過程

采用深度學(xué)習(xí)多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)（Multi-task Convolutional Neural Network，MTCNN）算法檢測(cè)人臉的位置，將原始圖像通過尺度變化為不同尺寸，構(gòu)建圖像結(jié)構(gòu)，然后通過整體人臉及人臉的各種特征點(diǎn)進(jìn)行定位。

通過Face++算法對(duì)收集到的人臉圖片進(jìn)行深度訓(xùn)練，在LFW（Labeled Faces in the Wild）數(shù)據(jù)集上驗(yàn)證準(zhǔn)確率高達(dá)90%。訓(xùn)練出一個(gè)9層的人工神經(jīng)網(wǎng)絡(luò)來進(jìn)行人臉特征表達(dá)?；谏疃葘W(xué)習(xí)的Face++算法人臉識(shí)別流程圖如圖3所示。

圖中，首先將人臉進(jìn)行分塊，然后通過訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)提取出特征值，最后對(duì)這些特征值進(jìn)行人臉身份分析。通過結(jié)構(gòu)光技術(shù)融合深度圖像信息，提高人臉識(shí)別的準(zhǔn)確度。人臉的深度圖可以很好地對(duì)人臉進(jìn)行描述，不受光線、化妝等因素的影響。

4 結(jié) 語

人臉識(shí)別技術(shù)是基于人的臉部特征對(duì)輸入的人臉圖像或者視頻流進(jìn)行識(shí)別，首先判斷其是否存在人臉 ，如果存在人臉，則進(jìn)一步給出每個(gè)臉的位置、大小和各個(gè)主要面部器官的位置信息;依據(jù)這些信息，進(jìn)一步提取每個(gè)人臉中所蘊(yùn)涵的身份特征，并將其與已知的人臉進(jìn)行對(duì)比，從而識(shí)別每個(gè)人臉的身份。在人臉圖像中提取特征值，分析當(dāng)期學(xué)生的專注度時(shí)，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(jì)學(xué)原理完成學(xué)生課堂專注度分析，將教學(xué)過程分析和專注度分析進(jìn)行關(guān)聯(lián)，形成課堂過程專注度分布結(jié)果。

參 考 文 獻(xiàn)

[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(jì)元.梯度下降法[J].南京理工大學(xué)學(xué)報(bào)，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(quán).無線網(wǎng)絡(luò)攻擊中保護(hù)用戶敏感隱私信息仿真[J].計(jì)算機(jī)仿真，2017（3）：277-280.

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