论文部分内容阅读
随着人工神经网络的迅速发展,其在计算机视觉领域的研究与应用取得了重要突破。人脸识别作为计算机视觉领域一个重要分支,近年来越来越多研究成果采用卷积神经网络的方法来提高人脸识别的准确率,取得了较好的效果。课堂考勤是目前高校教学管理中的重要环节,传统考勤方式耗时长、效率低下,对正常课堂教学有一定影响。对此,本文提出一种基于人脸识别的高效课堂考勤方法,该方法采用基于卷积神经网络的人脸检测与识别技术,对教师在课堂上获取到的若干张图片中的学生人脸进行自动检测与识别,从而达到快速可靠的课堂考勤,有效地弥补了传统方式的不足。主要研究工作如下:1.Faster R-CNN算法进行目标检测的策略是对图像中所有可能的候选区域进行全局搜索,而人脸目标的候选区域有其显著特征,若能获取这些特征并利用其生成高质量的候选区域一方面能够缩小搜索空间,另一方面也能够提高准确率。本文利用K-Means聚类方法从大量标注数据中学习到人脸候选区域的若干典型值,并以此为基础优化Faster R-CNN人脸检测算法的RPN网络候选区域提取策略,极大地提高了Faster R-CNN人脸检测算法的检测速度和准确率。实验数据表明,利用K-Means聚类得到的8个典型锚尺寸包围框能够取得最佳的人脸目标检测效果。2.利用CNN进行人脸识别已有许多研究成果,但这些成果直接应用于课堂考勤时容易受到图像拍摄质量、光线等问题影响而导致识别准确率偏低。对此,本文在已有基于CNN的人脸识别算法基础上,对其网络结构和参数进行有针对性的优化,得到一个该应用场景下的高效人脸识别模型。实验结果显示,本文提出的人脸识别模型识别准确率达到了98.33%。3.基于上述提到的Faster R-CNN人脸检测算法和CNN人脸识别模型搭建的课堂考勤系统具有良好的实用性。系统按照不同用户角色分为三大功能模块,主要包含了对于学生、教师、课程、班级等基本信息的管理、对于考勤信息的查看和管理以及对于考勤情况的统计分析等子功能模块。实验结果表明本文基于人脸识别技术设计实现的课堂考勤系统可以很好地满足课堂考勤需求,具有实际应用价值。