基于FaceNet的人臉識別算法系統

陶偉 盧彪

【摘 要】本系統在人臉識別的基礎上進行識別，并實現了對學生教育質量的監測，并通過了功能測試以及性能測試，在一定程度上可提升學生課堂學習質量以及教師對學生課堂質量的監測。

【關鍵詞】人臉識別;多任務卷積神經網絡;FaceNet

一、研究現狀

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處理工作中。

二、FaceNet人臉識別算法

人臉識別階段，本系統采用了FaceNet進行人臉的識別，為了保證準確率與降低訓練時間，本系統在使用自己的數據集之前，使用LFW數據集對算法進行了預訓練，并使用預訓練的model，載入自己的數據集重新訓練。在數據集方面，采用了人臉檢測階段得到的數據集。測試數據則是基于人臉檢測階段得到的人臉圖片集，該網絡第一層卷積層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，對數據進行歸一化，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），嵌入過程可以表達為一個函數f（x） E R d，即把圖像x通過函數f映射到d維歐式空間。最后使用在第二章提到的triple loss作為損失函數優化特征，得到需要優化的目標函數 a為兩個類別間距的差值。使用mini-batch梯度下降進行函數優化反向更新FaceNet的權值，直到誤差收斂。

三、結語

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

【參考文獻】

[1]王萍，石磊，陳章進.智能虛擬助手：一種新型學習支持系統的分析與設計[J].電化教育研

究，2018，39（02）：67-73.

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

[3]陳海濤，潘靜.基于Adaboost人臉檢測技術淺析[[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].計算機應用研究，2016，33（08）：2509-25 I 3.