基于FaceNet的人臉識別算法系統(tǒng)

陶偉 盧彪

【摘 要】本系統(tǒng)在人臉識別的基礎(chǔ)上進行識別，并實現(xiàn)了對學(xué)生教育質(zhì)量的監(jiān)測，并通過了功能測試以及性能測試，在一定程度上可提升學(xué)生課堂學(xué)習(xí)質(zhì)量以及教師對學(xué)生課堂質(zhì)量的監(jiān)測。

【關(guān)鍵詞】人臉識別;多任務(wù)卷積神經(jīng)網(wǎng)絡(luò);FaceNet

一、研究現(xiàn)狀

人臉是三維立體圖像，但進行識別處理的圖像是將三維圖像投影為二維圖像的過程，在這一過程中許多特征信息丟失。限于現(xiàn)有的人臉圖像處理能力，目前對人臉模型的處理主要集中在靜態(tài)人臉處理，一般涉及到人臉定位、人臉檢測等。人臉定位和人臉跟蹤主要運用在多媒體圖像中，用于查詢識別和追蹤。人臉檢測主要用于對人臉圖像的預(yù)處理工作中。

二、FaceNet人臉識別算法

人臉識別階段，本系統(tǒng)采用了FaceNet進行人臉的識別，為了保證準(zhǔn)確率與降低訓(xùn)練時間，本系統(tǒng)在使用自己的數(shù)據(jù)集之前，使用LFW數(shù)據(jù)集對算法進行了預(yù)訓(xùn)練，并使用預(yù)訓(xùn)練的model，載入自己的數(shù)據(jù)集重新訓(xùn)練。在數(shù)據(jù)集方面，采用了人臉檢測階段得到的數(shù)據(jù)集。測試數(shù)據(jù)則是基于人臉檢測階段得到的人臉圖片集，該網(wǎng)絡(luò)第一層卷積層convl，pad是3} 64個特征，7*7步長為2，輸出特征為112*112*64，然后進行relu，然后使用最大池化，進行pooling3*3的核，步長為2，池化層完成采樣之后，對數(shù)據(jù)進行歸一化，并輸入Inception層，，Inception使用1*1， 3*3， 5*5的卷積核進行并聯(lián)搭建，并使用3*3的池化層進行池化，可以大大簡化計算量。在計算完成后，用L2進行歸一化L2即f（x}z二1，將所有圖像特征映射到一個超球面上;再接入一個embedding層（嵌入函數(shù)），嵌入過程可以表達為一個函數(shù)f（x） E R d，即把圖像x通過函數(shù)f映射到d維歐式空間。最后使用在第二章提到的triple loss作為損失函數(shù)優(yōu)化特征，得到需要優(yōu)化的目標(biāo)函數(shù) a為兩個類別間距的差值。使用mini-batch梯度下降進行函數(shù)優(yōu)化反向更新FaceNet的權(quán)值，直到誤差收斂。

三、結(jié)語

基于人臉識別的智能教育系統(tǒng)是在人工智能結(jié)合教育方面做出的新型教育管理系統(tǒng)，本系統(tǒng)利用人臉識別以及表情識別輔助教師管理學(xué)生，一方面可以輔助教師實時監(jiān)測學(xué)生上課狀態(tài)并給予警示，另一方面也可以分析學(xué)生上課狀態(tài)為教師針對學(xué)生狀態(tài)進行課堂針對性改進提出參考方案;系統(tǒng)在課堂考勤模塊中使用人臉識別實現(xiàn)了學(xué)生無感簽到，搭建的改進的MTCNN和FaceNet模型在識別人臉己經(jīng)做到了95%的準(zhǔn)確率，并可在2s內(nèi)對進入教室的學(xué)生進行簽到;在課堂狀態(tài)監(jiān)測模塊，使用人臉識別識別人臉，判斷學(xué)生專注度;使用表情識別判斷學(xué)生對于教師的講課的狀態(tài)來監(jiān)測學(xué)生以及教師的上課質(zhì)量;并通過課堂報告的形式分析學(xué)生、教師的上課質(zhì)量，為學(xué)校創(chuàng)新性管理教育質(zhì)量提供了參考。

【參考文獻】

[1]王萍，石磊，陳章進.智能虛擬助手：一種新型學(xué)習(xí)支持系統(tǒng)的分析與設(shè)計[J].電化教育研

究，2018，39（02）：67-73.

[2]肖美婷.專家系統(tǒng)在人工智能技術(shù)中的應(yīng)用及工作過程研究[J].計算機產(chǎn)品與流通，2019（01）：104.

[3]陳海濤，潘靜.基于Adaboost人臉檢測技術(shù)淺析[[J].電子世界，2018（12）：91-92.

[4]何俊，蔡建峰，房靈芝，何忠文.基于LBP/VAR與DBN模型的人臉表情識別[J].計算機應(yīng)用研究，2016，33（08）：2509-25 I 3.