基于人脸检测的课堂出勤率统计方法研究＊

杨长凡 ， 吕梦鸽 ， 周泽宇 ， 张子腾 ， 赵彤阳 ， 赵 桐

（中国矿业大学，北京 100083）

0 引言

如今高校大部分仍采用传统点名签到的方式统计学生的出勤状况，这存在着许多隐藏问题，例如消耗人力且效率低下，以及人工点名可能存在“放水”的包庇行为，无法约束学生课堂迟到或早退等行为，大多数考勤资料以纸质形式保存，难以进行统计，容易遗失等。对于高等院校来说，教学的秩序和质量至关重要。在课堂环节，学生是主体，学生对课堂内容的专注程度极其重要。然而，目前老师只能通过课堂随机提问或者观察的方式来实时地获取学生课堂专注度的情况，这种方式易使老师分心，从而影响教学质量。综合学生、老师和高校三方面考虑，找到一种高效的课堂考勤方法是十分有必要的。

随着深度学习、神经网络的发展，人脸检测技术越来越多地在身份核验、大数据统计等信息工程领域广泛应用，各种检测算法如雨后春笋一般涌现[1-2]。2001年，文献[3-4]提出了Viola-Jones检测器，在AdaBoost算法的基础上，使用Haar-like小波特征和积分图方法进行人脸检测，设计了针对人脸检测更有效的特征，并对AdaBoost训练出的强分类器进行级联。文献[5]将Viola-Jones检测器进行了扩展，形成了OpenCV现在的Haar分类器。近年来，人脸检测领域常用的算法有DeepFace、FaceNet、SphereNet和InsightFace[6-9]等。InsightFace[9]算法提出ArcFace 损失函数，将角度距离作为分类依据，提高了准确率。RetinaFace[10]是目前最强的开源人脸检测算法，它提出了一种新型像素智能人脸定位方法，采用多任务学习策略同时预测人脸分数、面部框、五个面部标志点和三维位置。……