深度学习人脸识别算法在课堂考勤中的应用研究

程冠琦

摘要：人脸识别技术作为一种生物识别技术，已经广泛地应用于各个领域内的身份验证系统，课堂考勤系统是人脸识别技术应用的重要领域。传统的人脸识别课堂考勤存在着识别速度慢、准确率低的问题。随着深度学习的流行，基于深度学习的人脸识别逐渐取代了传统的人脸识别。

本文利用了基于深度学习的SSD目标检测算法、FaceNet算法和SENet算法，结合谷歌的深度学习框架平台TensorFlow，对传统的人脸识别课堂考勤系统进行了改进和优化，有效地提升了人脸识别考勤的效率和准确度。

关键词：深度学习;人脸识别;课堂考勤

中图分类号：TP18      文献标识码：A

文章编号：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

人臉识别技术作为一种高安全性的生物识别技术，近年来已经成为研究的热点。

人脸识别算法于20世纪60年代开始研究，到目前经过了三个发展历史阶段。第一个阶段是早期的人脸识别算法，该阶段的算法包括基于几何特征的算法、基于模板匹配的算法、基于子空间算法等。

第二个阶段是基于人工特征和分类器的算法。此阶段中，人脸图像是否能够进行识别和区分，取决于人工特征的设计质量。有HOG、SIFT、Gabor、LBP等多种方法用于描述图像的特征，用来设计和解决人脸识别问题。

第三个阶段是基于深度学习的人脸识别算法。自2012年深度学习在ILSVRC-2012取得成功之后，基于深度学习的方法被广泛应用，发展迅猛。基于深度学习的方法中，核心技术是卷积神经网络。通过对海量样本的训练学习，大大提升了前两个阶段的人脸识别效果。

基于此，研究基于深度学习的人脸识别算法，改进传统的人脸识别算法，具有重要的意义。

1深度学习

深度学习（Deep Learning）概念属于机器学习的范畴，是指通过对海量训练样本的训练和学习，获得训练样本的内在规律和表示层次，从而能够使机器获得接近于人的学习分析、识别文字、图像和声音数据的能力。

深度学习广泛地应用于数据挖掘、机器学习、自然语言处理等多个领域，大大推动了人工智能技术的进步。

2卷积神经网络

卷积神经网络（Convolutional Neural Network，CNN）最早起源于19世纪60年代，当时研究发现，每个视觉神经元中只能处理一小块区域的视觉图像，即感受野（Receptive）的概念。20世纪80年代，作为最早的CNN原型，神经认知机这一概念被提出并问世。神经认知机中包含了用于提取特征的神经元和用于抗形变的神经元，分别对应于卷积核滤波操作和激活函数、池化等操作。

卷积神经网络包含了卷积层、池化层、全连接层三大部分，其中前两者的主要作用是提取和选择人脸图像的特征，而全连接层一般出现在整个网络的最后几层，起到了对整个网络进行分类的作用。卷积神经网络最为核心的部分包括局部连接、权值共享、池化层、降采样。其中局部连接和权值共享极大地降低了参数的数量和训练的复杂度、简化了过度拟合问题。

卷积神经网络的结构如图1所示。

目前，几种经典的卷积神经网络，如AlexNet、VGGNet、InceptionNet、ResNet，在人脸识别和检测上已经取得了显著的效果。

3基于深度学习的人脸识别算法

人脸检测、人脸识别、人脸关键点定位是人脸识别的三个关键步骤。在此，对三个关键步骤实现的深度学习算法进行阐述。

基于深度学习的SSD目标检测算法是人脸检测步骤中应用较为广泛的算法。这是一种通用物体的检测算法，该算法由ECCV2016提出，采用了Anchor机制，完整地实现了端到端的训练。

SSD目标检测算法的模型结构中，主干网络可以是VGGNet，ResNet，目标物体的特征学习主要通过主干网络和多尺度的特征图来进行完成。SSD目标检测算法的模型结构图如图2所示。

在人脸的识别方面，目前由于卷积神经网络在图像识别方面的广泛应用，基于CNN的人脸识别算法也不断涌现，如DeepFace算法、DeepID算法、FaceNet算法等等。DeepFace算法是最早的把CNN应用于人脸识别的算法，可以看作是由传统算法向基于深度学习的算法的过渡，它采用了检测、对齐、提取和分类的过程。DeepID算法与DeepFace算法类似，同样沿用了检测、对齐、提取和分类的过程。

FaceNet算法由谷歌公司提出，该算法的核心在于人脸图像空间和欧几里得空间的映射，进而通过计算图像在欧几里得空间之间的距离来判断图像之间的类似程度。FaceNet算法的模型结构如图3所示。

在人脸关键点定位方面，目前比较流行的是基于深度学习的SENet算法，该算法的关键在于获取特征通道的权重以及基于权重的排序，排序完成之后可以提取相关特征，从而提高网络的性能，是一种轻量级的算法。

SENet算法的模型结构如图4所示。

4深度学习人脸识别算法在课堂考勤中的应用

考勤作为课堂管理和学生评价的一个重要环节，历来受到极大的关注。考勤方法和技术也经历了一个较长的发展阶段。从最初的人工考勤、刷卡考勤、基于移动端的考勤到目前的生物识别考勤技术（如虹膜识别、指纹识别、人脸识别）。本质上讲，课堂考勤是人脸识别技术应用的一个重要领域，但目前而言，应用于课堂考勤的人脸识别技术基本还停留在传统的人脸识别算法，在识别率、速度和准确率上还无法达到目前智慧校园和智慧课堂建设的要求，因此，将基于深度学习人脸识别算法应用于课堂考勤，改进传统人脸识别算法，是非常有必要的。

本文利用谷歌的深度学习框架平台TensorFlow，结合OpenCV开源库，采用目前流行的Python编程语言，选用MySQL后台数据库，对考勤系统进行改進和优化。

系统整体架构上采用传统的客户端/服务器端的架构模式。服务器端是系统的核心部分，也是算法应用的重点。人脸识别的主要流程和算法，包括人脸图像检测、注册、识别和算法模型的加载等等，都在服务器端实现。初始化结束之后，先调用基于SSD算法的人脸检测模型，进入人脸检测模块;检测完成之后，调用加载好的基于FaceNet的人脸识别模型，从中提取人脸特征信息，然后保存在MySQL数据库中;人脸登录模块将对输入的人脸图像提取体征值后，按照FaceNet算法计算与数据库中注册的人脸的空间距离;人脸识别模块在完成上述的步骤后，调用加载好的基于SENet的人脸关键点定位模型，进行归一化处理，用于后续的属性状态。

系统的客户端采用了微信小程序接口API、HTML、CSS和JavaScript，完成对摄像头的调用，结合定时器实现定时拍照功能，来获取人脸图像。

5结束语

本文首先分析了传统的人脸识别算法，然后提出基于深度学习的人脸识别算法，改进了传统的人脸识别算法，同时利用了基于深度学习的SSD目标检测算法、FaceNet算法和SENet算法，结合谷歌的深度学习框架平台TensorFlow，对传统的人脸识别课堂考勤系统进行了改进和优化，有效地提升了人脸识别考勤的效率和准确度。

参考文献：

[1] 安丰波.基于深度卷积神经网络的人脸识别技术综述[J].中国新通信，2019，21（5）：61.

[2] 陈华官.基于端到端深度卷积神经网络的人脸识别算法[D].杭州：浙江大学，2017.

[3] 陈奎，邢雪妍，田欣沅，等.基于CNN的人脸识别门禁系统设计[J].徐州工程学院学报（自然科学版），2018，33（4）：89-92.

[4] 常亮，邓小明，周明全，等.图像理解中的卷积神经网络[J].自动化学报，2016，42（9）：1300-1312.

[5] 程实，陈晓勇，沐燕舟，等.嵌入式人脸检测摄像机的开发与应用研究[J].江苏科技大学学报（自然科学版），2017，31（6）：781-786.

[6] 段君玮.大数据环境下人脸识别技术研究[J].电子世界，2019（1）：185，187.

[7] 付学桐.基于深度学习的人脸识别技术研究[J].通讯世界，2019，26（2）：299-300.

[8] 黄建恺.人脸识别的活体检测技术研究[D].武汉：华中师范大学，2018.

[9] 景晨凯，宋涛，庄雷，等.基于深度卷积神经网络的人脸识别技术综述[J].计算机应用与软件，2018，35（1）：223-231.

[10] 姜新猛.基于TensorFlow的卷积神经网络的应用研究[D].武汉：华中师范大学，2017.

【通联编辑：唐一东】