深度學習人臉識別算法在課堂考勤中的應用研究

程冠琦

摘要：人臉識別技術作為一種生物識別技術，已經廣泛地應用于各個領域內的身份驗證系統，課堂考勤系統是人臉識別技術應用的重要領域。傳統的人臉識別課堂考勤存在著識別速度慢、準確率低的問題。隨著深度學習的流行，基于深度學習的人臉識別逐漸取代了傳統的人臉識別。

本文利用了基于深度學習的SSD目標檢測算法、FaceNet算法和SENet算法，結合谷歌的深度學習框架平臺TensorFlow，對傳統的人臉識別課堂考勤系統進行了改進和優化，有效地提升了人臉識別考勤的效率和準確度。

關鍵詞：深度學習;人臉識別;課堂考勤

中圖分類號：TP18? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）13-0182-02

Abstract： As a biometric technology， face recognition technology has been widely used in various fields of identity verification system， classroom attendance system is an important application field of face recognition technology. Traditional face recognition classroom attendance has the problems of slow recognition speed and low accuracy. With the popularity of deep learning， face recognition based on deep learning gradually replaces the traditional face recognition.

This paper uses SSD target detection algorithm based on deep learning， facenet algorithm and senet algorithm， combined with Google's deep learning framework platform tensorflow， to improve and optimize the traditional face recognition class attendance system， effectively improving the efficiency and accuracy of face recognition attendance.

Key words：deep learning;face recognition;class attendance

人臉識別技術作為一種高安全性的生物識別技術，近年來已經成為研究的熱點。

人臉識別算法于20世紀60年代開始研究，到目前經過了三個發展歷史階段。第一個階段是早期的人臉識別算法，該階段的算法包括基于幾何特征的算法、基于模板匹配的算法、基于子空間算法等。

第二個階段是基于人工特征和分類器的算法。此階段中，人臉圖像是否能夠進行識別和區分，取決于人工特征的設計質量。有HOG、SIFT、Gabor、LBP等多種方法用于描述圖像的特征，用來設計和解決人臉識別問題。

第三個階段是基于深度學習的人臉識別算法。自2012年深度學習在ILSVRC-2012取得成功之后，基于深度學習的方法被廣泛應用，發展迅猛。基于深度學習的方法中，核心技術是卷積神經網絡。通過對海量樣本的訓練學習，大大提升了前兩個階段的人臉識別效果。

基于此，研究基于深度學習的人臉識別算法，改進傳統的人臉識別算法，具有重要的意義。

1深度學習

深度學習（Deep Learning）概念屬于機器學習的范疇，是指通過對海量訓練樣本的訓練和學習，獲得訓練樣本的內在規律和表示層次，從而能夠使機器獲得接近于人的學習分析、識別文字、圖像和聲音數據的能力。

深度學習廣泛地應用于數據挖掘、機器學習、自然語言處理等多個領域，大大推動了人工智能技術的進步。

2卷積神經網絡

卷積神經網絡（Convolutional Neural Network，CNN）最早起源于19世紀60年代，當時研究發現，每個視覺神經元中只能處理一小塊區域的視覺圖像，即感受野（Receptive）的概念。20世紀80年代，作為最早的CNN原型，神經認知機這一概念被提出并問世。神經認知機中包含了用于提取特征的神經元和用于抗形變的神經元，分別對應于卷積核濾波操作和激活函數、池化等操作。

卷積神經網絡包含了卷積層、池化層、全連接層三大部分，其中前兩者的主要作用是提取和選擇人臉圖像的特征，而全連接層一般出現在整個網絡的最后幾層，起到了對整個網絡進行分類的作用。卷積神經網絡最為核心的部分包括局部連接、權值共享、池化層、降采樣。其中局部連接和權值共享極大地降低了參數的數量和訓練的復雜度、簡化了過度擬合問題。

卷積神經網絡的結構如圖1所示。

目前，幾種經典的卷積神經網絡，如AlexNet、VGGNet、InceptionNet、ResNet，在人臉識別和檢測上已經取得了顯著的效果。

3基于深度學習的人臉識別算法

人臉檢測、人臉識別、人臉關鍵點定位是人臉識別的三個關鍵步驟。在此，對三個關鍵步驟實現的深度學習算法進行闡述。

基于深度學習的SSD目標檢測算法是人臉檢測步驟中應用較為廣泛的算法。這是一種通用物體的檢測算法，該算法由ECCV2016提出，采用了Anchor機制，完整地實現了端到端的訓練。

SSD目標檢測算法的模型結構中，主干網絡可以是VGGNet，ResNet，目標物體的特征學習主要通過主干網絡和多尺度的特征圖來進行完成。SSD目標檢測算法的模型結構圖如圖2所示。

在人臉的識別方面，目前由于卷積神經網絡在圖像識別方面的廣泛應用，基于CNN的人臉識別算法也不斷涌現，如DeepFace算法、DeepID算法、FaceNet算法等等。DeepFace算法是最早的把CNN應用于人臉識別的算法，可以看作是由傳統算法向基于深度學習的算法的過渡，它采用了檢測、對齊、提取和分類的過程。DeepID算法與DeepFace算法類似，同樣沿用了檢測、對齊、提取和分類的過程。

FaceNet算法由谷歌公司提出，該算法的核心在于人臉圖像空間和歐幾里得空間的映射，進而通過計算圖像在歐幾里得空間之間的距離來判斷圖像之間的類似程度。FaceNet算法的模型結構如圖3所示。

在人臉關鍵點定位方面，目前比較流行的是基于深度學習的SENet算法，該算法的關鍵在于獲取特征通道的權重以及基于權重的排序，排序完成之后可以提取相關特征，從而提高網絡的性能，是一種輕量級的算法。

SENet算法的模型結構如圖4所示。

4深度學習人臉識別算法在課堂考勤中的應用

考勤作為課堂管理和學生評價的一個重要環節，歷來受到極大的關注。考勤方法和技術也經歷了一個較長的發展階段。從最初的人工考勤、刷卡考勤、基于移動端的考勤到目前的生物識別考勤技術（如虹膜識別、指紋識別、人臉識別）。本質上講，課堂考勤是人臉識別技術應用的一個重要領域，但目前而言，應用于課堂考勤的人臉識別技術基本還停留在傳統的人臉識別算法，在識別率、速度和準確率上還無法達到目前智慧校園和智慧課堂建設的要求，因此，將基于深度學習人臉識別算法應用于課堂考勤，改進傳統人臉識別算法，是非常有必要的。

本文利用谷歌的深度學習框架平臺TensorFlow，結合OpenCV開源庫，采用目前流行的Python編程語言，選用MySQL后臺數據庫，對考勤系統進行改進和優化。

系統整體架構上采用傳統的客戶端/服務器端的架構模式。服務器端是系統的核心部分，也是算法應用的重點。人臉識別的主要流程和算法，包括人臉圖像檢測、注冊、識別和算法模型的加載等等，都在服務器端實現。初始化結束之后，先調用基于SSD算法的人臉檢測模型，進入人臉檢測模塊;檢測完成之后，調用加載好的基于FaceNet的人臉識別模型，從中提取人臉特征信息，然后保存在MySQL數據庫中;人臉登錄模塊將對輸入的人臉圖像提取體征值后，按照FaceNet算法計算與數據庫中注冊的人臉的空間距離;人臉識別模塊在完成上述的步驟后，調用加載好的基于SENet的人臉關鍵點定位模型，進行歸一化處理，用于后續的屬性狀態。

系統的客戶端采用了微信小程序接口API、HTML、CSS和JavaScript，完成對攝像頭的調用，結合定時器實現定時拍照功能，來獲取人臉圖像。

5結束語

本文首先分析了傳統的人臉識別算法，然后提出基于深度學習的人臉識別算法，改進了傳統的人臉識別算法，同時利用了基于深度學習的SSD目標檢測算法、FaceNet算法和SENet算法，結合谷歌的深度學習框架平臺TensorFlow，對傳統的人臉識別課堂考勤系統進行了改進和優化，有效地提升了人臉識別考勤的效率和準確度。

參考文獻：

[1] 安豐波.基于深度卷積神經網絡的人臉識別技術綜述[J].中國新通信，2019，21（5）：61.

[2] 陳華官.基于端到端深度卷積神經網絡的人臉識別算法[D].杭州：浙江大學，2017.

[3] 陳奎，邢雪妍，田欣沅，等.基于CNN的人臉識別門禁系統設計[J].徐州工程學院學報（自然科學版），2018，33（4）：89-92.

[4] 常亮，鄧小明，周明全，等.圖像理解中的卷積神經網絡[J].自動化學報，2016，42（9）：1300-1312.

[5] 程實，陳曉勇，沐燕舟，等.嵌入式人臉檢測攝像機的開發與應用研究[J].江蘇科技大學學報（自然科學版），2017，31（6）：781-786.

[6] 段君瑋.大數據環境下人臉識別技術研究[J].電子世界，2019（1）：185，187.

[7] 付學桐.基于深度學習的人臉識別技術研究[J].通訊世界，2019，26（2）：299-300.

[8] 黃建愷.人臉識別的活體檢測技術研究[D].武漢：華中師范大學，2018.

[9] 景晨凱，宋濤，莊雷，等.基于深度卷積神經網絡的人臉識別技術綜述[J].計算機應用與軟件，2018，35（1）：223-231.

[10] 姜新猛.基于TensorFlow的卷積神經網絡的應用研究[D].武漢：華中師范大學，2017.

【通聯編輯：唐一東】