视频人脸图像质量评估及其在课堂点名系统中的应用

发布时间：2021-04-06 04:13

　　班级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。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。但在课堂环境下的视频流中,课堂环境人脸位置不一、人体不停运动和姿态偏移较大等现象会导致关键帧中检测到的部分人脸区域存在人脸尺寸较小、运动模糊与像素低等问题。在传统人脸识别系统中引入人脸图像质量评估方法。通过该评估方法自动筛选出关键帧中人脸特征明显的图像,以保证人脸识别系统在课堂环境中的有效性和鲁棒性。实验结果表明,该人脸质量评估方法可以准确地过滤人脸特征不明显的关键帧,有效地提高了人脸识别系统的准确率,大大提高了课堂点名的效率。 

【文章来源】：计算机应用与软件. 2018,35(10)北大核心

【文章页数】：8 页

【部分图文】：

inception-resnet-v1模型结构图

盗纺Ｐ吞崛∪?脸图像的128维特征，然后将特征矩阵输入至预训练的SVC分类器，即可得到最终的识别结果。1．2人脸图像质量评估方法文献［23］中提到在课堂环境下拍摄的面部照片大小不一、分辨率不同，甚至还会严重扭曲。因此，为了避免恶劣环境对人脸图像的影响，其提出了基于地理位置推理式的人脸识别方法。该方法有较强的创新意识，但仍旧不能完全摆脱因图像失真造成准确率下降的问题。因此本文采用PTZ摄像机的预置位方式，解决了课堂后排人脸图像尺寸过小的问题。实验结果如图5所示。(a)全景帧(b)调整至预置位后的区域帧图5实验结果图5(a)为覆盖了课堂全场景视频帧，可见后排人脸尺寸偏小，人脸辨识度极低。(b)为摄像机调整至预置位，变焦放大后的图像结果，由图中可看出人脸细节丰满，辨识度较高。虽然基于深度学习的人脸特征提取网络解决了光照、表情、姿态等大部分难题，但在实际的课堂环境下，仍有如下问题:在摄像机所获取的视频流中，被采集的单人脸大多处于非约束状态，单人脸区域图像常常呈现像素低、模糊不清和姿态偏差较大的特点。如图6所示为视频中通过人脸检测方法提取的人脸区域图像。若直接使用这些提取的人脸图像进行人脸识别，会对人脸识别系统的准确率造成较大影响，无法保证系统的正确性和鲁棒性。图6非约束状态人脸图

。(a)全景帧(b)调整至预置位后的区域帧图5实验结果图5(a)为覆盖了课堂全场景视频帧，可见后排人脸尺寸偏小，人脸辨识度极低。(b)为摄像机调整至预置位，变焦放大后的图像结果，由图中可看出人脸细节丰满，辨识度较高。虽然基于深度学习的人脸特征提取网络解决了光照、表情、姿态等大部分难题，但在实际的课堂环境下，仍有如下问题:在摄像机所获取的视频流中，被采集的单人脸大多处于非约束状态，单人脸区域图像常常呈现像素低、模糊不清和姿态偏差较大的特点。如图6所示为视频中通过人脸检测方法提取的人脸区域图像。若直接使用这些提取的人脸图像进行人脸识别，会对人脸识别系统的准确率造成较大影响，无法保证系统的正确性和鲁棒性。图6非约束状态人脸图

【参考文献】：
期刊论文
[1]基于Labwindows/CVI的课堂点名系统设计[J]. 王瑜,闫沫.  自动化与仪器仪表. 2017(06)
[2]基于人脸识别的智能课堂点名系统[J]. 荆洲,权伟,唐杰,晏寒.  软件工程. 2017(05)
[3]基于人脸识别的课堂点名系统[J]. 江泓政,汤军,黄建,向铎,杨玥,王志铖.  微型机与应用. 2016(12)
[4]从校园文化建设分析大学生课堂考勤制度改革[J]. 常俊红.  河南教育(中旬). 2012(08)



本文编号：3120736