基于视频流人脸识别的课堂考勤系统的设计与实现

发布时间：2020-05-15 14:04

【摘要】：课堂考勤是课堂管理的有效手段之一,可以有效地监督学生按时上课,保证课堂的教学质量。目前学生的考勤是通过教学人员人工唱名、不定时抽查等方式来完成。这种传统的人工唱名方式不仅耗费大量的人力和时间,而且无法实时检测迟到、早退、代课和旷课等现象,无法对学生考勤做到全面监督。近年来,深度学习在静态图像人脸识别方面已经取得较大进展,为实现自动化课堂考勤系统提供了新的思路。但由于教室条件限制,大多数监控摄像机都安装于教室前方(或后方),不同位置的学生距离摄像机的相对位置差异较大,距离较远(后排)的学生人脸图像像素偏低,归一化裁剪后会呈现人脸特征不明显的现象,严重影响识别学生的正确率。在课堂环境下,人体的不停运动和姿态偏移等现象都会导致采样帧中人脸区域图像呈现运动模糊的问题,进而带来人脸特征不明显。上述的图像像素低和运动模糊等问题会严重影响识别算法的性能,从而导致整个课堂点名系统性能的下降。在课堂环境下如何通过控制摄像机保证人脸图像尺寸符合识别算法要求、如何在视频流中选取高质量的人脸区域图像以及如何有效利用采样帧中的单次识别结果统计获得最终识别结果便成为本文研究的三个主要问题。具体解决方法如下:(1)本系统通过多任务级联卷积神经网络(Multi-task convolutional neural networks,MTCNN)人脸检测方法获取人脸绝对位置信息,结合本文提出的课堂场景分割与摄像机控制方法,完成了基于人脸目标搜索的云台控制方法,有效地保证了对人脸区域图像尺寸(像素)的要求。(2)本文在传统人脸识别系统中引入了图像质量评估环节,通过该评估方法自动筛选出采样帧中人脸特征明显的图片,以提高人脸识别系统的有效性和鲁棒性。(3)在保证了人脸图像尺寸及人脸图像质量后,本文通过改进后的FaceNet结构提取人脸特征,并通过预训练完成的SVC(Support Vector Machine Classifier)分类器获得单次识别结果。结合多次有效的单次识别结果,提出了基于多有效帧的概率投票方法,最终提高了识别结果的准确性。
【图文】：

特征模板

现的软硬件平台简介。逡逑图像特征提取方法逡逑特征提取主要是指运用计算机来分析和处理图像信息，以提取图像中进而将提取的特征运用到图像描述、主题提取、图像分类、物体检测中。本文的人脸识R%系统中的人脸特征提取部分采用了基于深度卷积Ｎｓ）提取的人脸特征。本节主要介绍经典的图像特征提取方法。逡逑邋Ｈａａｒ特征提取逡逑？特征又称为Ｈａａｒ－ｌｉｋｅ长方形特征，，最初用于描述人脸。其特征主要灰度变化，对图形结构，如线段、边缘较为敏感。其特征模板是由形相邻组合而成，如下图２．１所示，特征值可通过黑色长方形像素的方形像素的和来获得。根据其特征提取原理可知，通过该特征模板征值与人脸特征值有一定差异，因此有助于将人脸图像特征化，以区脸。逡逑１邋．Ｅｄｇｅ邋ｆｅａｔｕｒｅｓ（边缘特征）逡逑

模型结构,人脸特征

？硕士学位论文逡逑ＭＡＳＴＥＲ＇Ｓ邋ＴＩＩＥＳＴＳ逡逑仅速度快，精确度也较高，同时内存消耗不大，可以进行实时的人脸检测。本文将逡逑采用此方法作为人脸识别的前置工作，在课堂上实时检测学生人脸的位置及数量，逡逑具体实现方法将在４．２节详细介绍。逡逑２．２．２基于ＦａｃｅＮｅｔ的人脸特征提取结构逡逑Ｆａｃｅｎｅｔ［４２］是Ｇｏｏｇｌｅ于２０１５年发表在ＣＶＰＲ上用于提取人脸特征的深度学习型。其模型结构如图２．２所示，网络由批量输入层和深层卷积神经网络（ＣＮＮｓ）成，随后Ｌ２归一化，输出人脸特征。逡逑Ｅ逡逑
【学位授予单位】：华中师范大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;G434

【相似文献】