卷積神經(jīng)網(wǎng)絡(luò)的教師打卡系統(tǒng)設(shè)計探討范文

本站小編為你精心準(zhǔn)備了卷積神經(jīng)網(wǎng)絡(luò)的教師打卡系統(tǒng)設(shè)計探討參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要：借助于大數(shù)據(jù)人臉識別技術(shù)，可方便學(xué)校管理者快速實(shí)現(xiàn)對教師是否準(zhǔn)時上課、準(zhǔn)時監(jiān)考進(jìn)行監(jiān)督管理。對教師打卡系統(tǒng)進(jìn)行了總體設(shè)計，包括硬件設(shè)計和流程設(shè)計，在此基礎(chǔ)上，對人臉識別系統(tǒng)的設(shè)計進(jìn)行了介紹，在對比多種人臉檢測模型的基礎(chǔ)上，選擇利用Dlib的MMOD模型實(shí)現(xiàn)人臉檢測功能，利用卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)教師人臉特征的提取和識別，該模型的訓(xùn)練過程采用不同光照、不同角度和不同距離的多種樣本。結(jié)果證明，該系統(tǒng)很好地完成了人臉識別功能，能夠?qū)崟r地對教師是否準(zhǔn)時上課、準(zhǔn)時監(jiān)考進(jìn)行監(jiān)督。

關(guān)鍵詞：人臉識別；Dlib庫；卷積神經(jīng)網(wǎng)絡(luò)

1概述

教師按時上課、按時監(jiān)考是教學(xué)績效考核的重要環(huán)節(jié)。傳統(tǒng)的依靠巡視的方式來進(jìn)行管理，大大降低了教學(xué)績效考核的力度。依靠人臉識別技術(shù)，實(shí)現(xiàn)教師上課自動化打卡，再將教師打卡信息實(shí)時地傳輸?shù)浇虒W(xué)系統(tǒng)中來，與教學(xué)安排進(jìn)行匹配，生成教師按時上課、監(jiān)考的績效信息，供教學(xué)管理者進(jìn)行監(jiān)督和管控，加強(qiáng)了學(xué)校教學(xué)管理的力度，提高了教學(xué)管理的效率。

2系統(tǒng)架構(gòu)

教師上課打卡系統(tǒng)架構(gòu)如圖1所示，主要包括網(wǎng)絡(luò)攝像頭、互聯(lián)網(wǎng)、云平臺以及終端，其中網(wǎng)絡(luò)攝像頭將圖像以數(shù)據(jù)流的形式通過互聯(lián)網(wǎng)傳輸?shù)皆破脚_，云平臺首先將這些圖像利用Dlib庫進(jìn)行人臉識別，然后利用識別結(jié)果與教學(xué)系統(tǒng)課程數(shù)據(jù)進(jìn)行匹配，生成教師按時上課、監(jiān)考的績效信息，這些績效信息以圖形化報表的形式來展示，管理者通過PC機(jī)或移動終端進(jìn)行信息的查看。系統(tǒng)流程設(shè)計如圖2所示，首先教師走到攝像頭前，攝像頭不停捕捉圖像，當(dāng)進(jìn)入可識別范圍內(nèi)后，抓取人臉并進(jìn)行識別。教師需要在攝像頭前，等待系統(tǒng)傳回的反饋信息，信息包括已識別或識別不成功等，教師平均等待時間為1.32s。

3人臉識別

人臉識別系統(tǒng)主要分為兩部分，（1）圖像檢測，（2）圖像識別。如圖3所示，當(dāng)教師走到網(wǎng)絡(luò)攝像頭前，系統(tǒng)利用Dlib進(jìn)行人臉檢測，當(dāng)檢測到人臉后，利用OpenCV截取人臉圖像，將該圖像轉(zhuǎn)換為64*64*3的數(shù)據(jù)集，再將該數(shù)據(jù)集作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，卷積神經(jīng)網(wǎng)絡(luò)通過卷積層和池化層對數(shù)據(jù)集進(jìn)行操作，得到512維的特征向量，將該特征向量輸入給全連接層，全連接層進(jìn)行分類，得到分類結(jié)果，并將分類結(jié)果標(biāo)注在圖像或視頻上，識別出來的會標(biāo)注名稱，沒有識別出來的會標(biāo)注“其他”。

（1）人臉檢測。人臉檢測并不是人臉識別，它是對任意一幅圖像或視頻幀，確定圖像中是否包含人臉的操作，如果包含，則返回臉的位置、大小等信息。進(jìn)行人臉檢測的開源軟件包有很多，應(yīng)用較廣泛的主要有Arc鄄Face和Dlib，由于Dlib是C++工具箱，除了具有模型多樣化的特點(diǎn)外、在適用場景和適用系統(tǒng)上具有很高的普適性。內(nèi)置的人臉識別算法主要有兩種：HOG+線性SVM的方法和MMOD-CNN的方法，其中HOG+線性SVM的方法的人臉識別度比MMOD-CNN稍低一些，主要體現(xiàn)在不能容忍視角旋轉(zhuǎn)的變化、光照強(qiáng)度的變化上，而MMOD-CNN能夠從不同的視角、光照條件和遮擋條件下檢測人臉，雖然CPU運(yùn)行速度稍遜于HOG+線性SVM，但它可以在NVIDIAGPU上運(yùn)行，速度會變得更快。系統(tǒng)利用Dlib的MMOD-CNN的方法實(shí)現(xiàn)教職工人臉檢測功能。

（2）基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別。卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是不用自己提取具體的特征，避免對圖像進(jìn)行前期的復(fù)雜預(yù)處理，也避免出現(xiàn)特征提取分類效果不好、相關(guān)度高等問題，它可以直接輸入原始圖像，通過卷積等操作，逐步抽象出圖像的特征向量，被廣泛應(yīng)用到圖像識別中。卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括兩部分，一是特征提取，二是分類。

（1）特征提取。卷積神經(jīng)網(wǎng)絡(luò)包含多個卷積層，每個卷積層利用卷積核掃描整個圖像，得到特征圖，前面的卷積層捕捉局部信息，有小的感受野，后面的卷積層感受野逐層加大，用于捕獲更復(fù)雜、更抽象的圖像信息。經(jīng)過多個卷積層的運(yùn)算，最后得到圖像在各個不同尺度的抽象表示。這與人們觀察圖像的方式是一致的，圖像的局部像素聯(lián)系比較緊密，而較遠(yuǎn)的像素相關(guān)性比較弱，所以每個神經(jīng)元沒有必要對全局圖像進(jìn)行感知，只要對局部進(jìn)行感知，而到了更高層次再對局部的信息進(jìn)行綜合操作得出全局信息。由于卷積之后產(chǎn)生大量的參數(shù)，再采用池化層來稀疏參數(shù)，從而降低網(wǎng)絡(luò)的復(fù)雜度。

（2）分類。通過卷積神經(jīng)網(wǎng)絡(luò)的特征提取功能得到了特征向量，再利用卷積神經(jīng)網(wǎng)絡(luò)的全連接層實(shí)現(xiàn)分類的操作。全連接層就相當(dāng)于傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)中的隱含層，它位于卷積神經(jīng)網(wǎng)絡(luò)的最后部分。全連接層的作用是對提取的特征進(jìn)行非線性組合以得到輸出，它利用特征向量完成機(jī)器學(xué)習(xí)的目標(biāo)。系統(tǒng)獲取3247名教師進(jìn)行不同時間段的每人75張人臉圖片，共計243525張人臉圖片，來訓(xùn)練卷積模型，如圖4所示，保存的人臉圖片的大小為64*64，分為R、G、B3個通道，把截取的小圖片送入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸入的圖片64*64*3，網(wǎng)絡(luò)共3層卷積層，卷積核大小為（3，3），卷積步長為[1,1,1,1]。卷積層用來提取特征，增加通道個數(shù)，但是圖片大小沒有變化，采用最大值采樣的池化層采用，把特征圖分割成許多個2*2大小的矩形，取每個矩形的最大值，形成特征圖，輸出的特征圖的長和寬均是輸入特征圖大小的一半。

4結(jié)語

系統(tǒng)采用光照、距離和角度3個維度來制定訓(xùn)練樣本，如圖5所示。其中，光照維度有5種類型，分別是白天4講課和晚上一講課上課時對應(yīng)的不同光照強(qiáng)度，距離維度有5種類型，分別到網(wǎng)絡(luò)攝像頭的距離是10cm、20cm、30cm、40cm和50cm，角度維度主要有3個，分別是正面、左側(cè)面、右側(cè)面。全校3247名上課教師，每名教師收集75張人臉照片，共計243525樣本，做好分類結(jié)果的標(biāo)注，形成3247位老師的人臉特征向量。每位老師進(jìn)行50次識別測試，測試者走進(jìn)網(wǎng)絡(luò)攝像頭，不斷調(diào)整距離和角度，以5s作為識別時間期限，共計162350次識別結(jié)果中，有8次沒有檢測到人臉，有32次識別錯誤，漏報率僅為0.0049%，誤報率為0.0197%，識別效果良好。

作者：張培培 單位：華北理工大學(xué)管理學(xué)院