论文部分内容阅读
人脸识别技术是身份识别的主要手段之一,在安防、金融等领域得到广泛应用。研究人脸识别在课堂环境中的应用,对提高教学效率、推进智慧教育极具研究价值。但课堂环境中拍摄角度、光照强度等因素影响使得课堂环境下的人脸识别困难重重。针对该问题,本文从数据集构建、人脸检测和人脸识别三个方面展开研究。首先,分析了LFW和WIDER FACE等人脸数据集所存在的欠缺,构建了课堂环境下多人脸识别研究的数据集。数据集构建包括几个步骤:(1)从多个方位对不同教室环境、不同学生数量的班级进行数据采集;(2)对图片进行处理,并标定人脸框位置生成相应的标签文件;(3)通过数据增强技术扩充数据集数目,最终构建了包括2782幅图像的两类数据集。其次,在人脸检测环节,对比分析了基于Open CV的haar级联分类器算法和基于dlib的人脸检测算法等传统人脸检测算法以及基于深度学习的人脸检测算法。通过模拟实验,分析了不同人脸数据集(10人以下、11-20人、21-30人、31-40人以及41人以上)中的算法性能,实验结果表明,传统的人脸检测算法难以准确检测具有一定偏移角度的人脸图片;基于FCHD的深度学习人脸检测算法,对于具有一定偏移角度的人脸图片性能较好,同时在10人以下的人脸数据集中表现最优(平均准确率达到90%)。最后,在人脸识别环节,不同于传统识别方法,本文直接将目标检测算法应用于人脸识别。论文对比分析了R-CNN、Fast R-CNN、Faster R-CNN等几种深度学习框架,并对Faster R-CNN检测算法进行了对比分析。通过调整RPN网络中相关参数、锚点和非极大抑制阈值等多个参数,并结合光照不变性算法,获得了81.47%的识别结果。