李家科

摘 要：文章针对传统网络教学系统中存在旷课难以察觉的问题，探索性地设计并提出了一种基于人脸检测的网络教学系统模型，解决网络系统中管理混乱问题的技术手段和方法。该模型以AdaBoost人脸检测算法为关键技术，系统设计从一定程度上解决了网络教学上课混乱的状态，补偿了网络教学中的旷课管理，为促进网络教育的良好发展作出了基础性的工作。

关键词：网络教学；人脸检测；管理；旷课

1 网络教学系统的需求与瓶颈分析

随着网络现代化的迅速发展，网络的信息资源丰富、传递便捷、交互性强的特点应用在教育上的优越性越来越明显。在生活中发现问题，利用网络获取和分析信息，可以培养学生独立解决问题的能力。网络庞大的信息资源、优越的多媒体功能和多向交互功能，更有利于开发式和协同式教学，提高学生的創造性思维，为教学质量和教学效率的提高提供了有力的保障[1]。

远程教育的特点决定了业余进修者的网络学习只能以自学为主，学生的学习进程是与老师和其他学生的学习进程不同时、不同地发生的，这些独特的特点，会使得刚刚开始学习的学生产生不真实的感觉，缺乏自律性的学生因而会无法约束自己的行为，从而上课不专心甚至出现逃课等现象。现行大多的网络教学系统中，一般都缺乏网络教学的管理，对学生的旷课无从管理，导致教学资源浪费，学习效果差。

为了提高学习效果，必须解决网络教学系统的管理，对学生的旷课行为加强监督。本文从文献[2]中受到启发，力图通过人脸检测技术，识别学生是否有旷课行为，教师根据识别结果给出相应的策略，以推动网络教育教学的良好发展。

2 人脸检测技术为网络教学管理提供支持

人脸检测指的是在一幅图像或者是一段视频中准确地指出所有人脸的坐标、大小的过程。目前国内外的学者们提出了许多行之有效的人脸检测算法，主要包括基于几何特征的人脸检测算法，基于肤色特征的人脸检测算法和基于统计理论的人脸检测算法。

在众多的人脸检测算法中，AdaBoost算法以其较高的检测率和较快的检测速度成为应用最广泛的人脸检测算法之一。它是一种迭代算法，通过每轮训练中改变同一训练集的样本权重来实现。样本权重的改变原则是根据每次训练集中样本的分类正确性，以及上次的总体分类的准确率，来确定每个样本的权值。数据经过修改权值后送给下层分类器再次进行训练，最后将每次训练得到的分类器融合起来，作为最后的强分类器。使用AdaBoost分类器可以避免一些不必要的训练数据特征，而放在关键的训练资料上。该算法可以从根本上解决人脸检测的速度问题，同时具有很好的检测效果，适用于实时人脸检测。

3 基于人脸检测的网络教学系统模型

人脸检测技术应用到网络教学中，人脸特征提取是第一步。特征信息主要包括轮廓规则、肤色、纹理规则等，通过检测是否满足这些规则来检测人脸。本文使用基于AdaBoost算法进行人脸检测。该方法采用“积分图像”的图像表示方法来快速计算检测所需特征。AdaBoost算法只需较少的简单分类器就可以获得很好的检测性能，实用于实时人脸检测。

针对网络教学中上课混乱问题，文中以远程教育理论和学习心理学为依据，以人脸检测技术为关键技术，探索性地提出了一种基于人脸检测的网络教学系统模型。这个模型和传统的网络教学系统模型相比，增加的主要功能就是捕捉学习者的人脸，检测学习者的状态，而判断学习者有无旷课。根据学习者的上课状态，教师对课堂教学进行管理，并进行有必要的师生互动，以期从根本上解决网络教学系统中的旷课问题。该系统结构采用B/S，包括多个学生端和一个教师端，每个学生端安装有摄像头，根据摄像头中的画面提取特征，判断学习者的状态[3]。结构如图1所示。

本系统相对传统网络教学系统，增加了人脸检测接口、人脸检测界面和人脸检测模块。系统由学生视频接口的视频输入设备获取图像后送到人脸检测接口，提取人脸特征，送到人脸检测模块，检测图像中是否存在人脸，旷课判断模块以此判断学生是否旷课。最后将旷课信息分别提交给学生跟教师，教师可以通过一些办法加强和学生的沟通，从而使学习者更加有效地利用远程教育资源，使远程教育的效益最大化。

人脸检测可根据检测对象分为静态图像的人脸检测和动态视频的人脸检测。前者计算简单，检测速度快，而后者计算复杂，检测精度高，检测速度慢。动态视频的人脸检测不符合远程教育的实时性要求。因此，本文选择基于静态图像的人脸检测，对获取的学生视频接口进行人脸关键帧检测，然后进行人脸检测，检测的流程如图2所示。

人脸图像的尺寸归一化和灰度归一化：学生视频端的图像采集设备不是固定的，会造成采集的图像不是规整的，并且采集过程也会随着光照的变化使所采集的图像明暗程度不同和对比度不强的问题。为了解决这些问题，在人脸特征提取前对采集图像进行尺寸归一化和灰度归一化。本文使用归一化割准则和直方图均衡的方法进行尺寸归一化和灰度归一化。

人脸特征提取：矩形特征对一些简单的图形结构如边缘、线段比较敏感。例如：通常眼睛要比脸颊颜色更深；鼻梁两侧要比鼻梁颜色要深；嘴巴要比周围颜色更深。为了取得更好的检测效率，本文采用3种类型的3种形式的特征。特征值为白色像素和减去黑色像素和。由于训练样本较多，并且矩形特征的数量巨大，因此，使用积分图的方法，只要遍历一次就可求得所有子窗口的特征值，并通过一定的策略筛选出关键特征，将他们组合成强分类器。

AdaBoost算法：算法的核心思想是通过调整样本分布和弱分类器权值，自动地从弱分类器空间中筛选出若干关键的弱分类器，并整合为一个强分类器。理论研究证明，只要每个弱分类器的分类错误率稍低于50%，当弱分类器的个数趋向于无穷时，强分类器的错误率将趋向于0。

4 结语

本文将人脸检测技术应用到智能网络教学系统中，使教师可以实时掌握学生的上课情况，从而使网络教学管理更加严谨，弥补了传统网络教学系统中上课管理混乱的现象。人脸检测是一个富有挑战性的课题。受到人脸非刚性特点、组成部件的有无、人脸姿势、遮挡、成像条件等的限制。虽然目前国内外有许多研究者在研究人脸检测课题，但是还没有完美的算法来进行人脸检测。本文提出的模型只是将人脸检测应用到网络教学中，还有很多的不足以待完善，只是为网络教学系统提供了一种新的研究方向和思路。为了对基于人脸检测的网络教学系统的进一步研究，还需要进一步对人脸检测算法进行完善，提高人脸检测算法的检测率和检测效率，提高教师管理的准确性，更好地弥补网络教学系统中上课管理混乱的现象，为更加有效地利用网络教学资源提供保障。

[参考文献]

[1]冯满堂，马庆玉，王瑞杰.基于人脸表情识别的智能网络教学系统研究[J].计算机技术与发展，2011（6）：193-200.

[2]赵美名.人脸识别技术在教学管理中的应用[J].高教学刊，2015（7）：51-52.

[3]BEVILANCQUA V，FILOGRANO G，MASTRONARDI G.Face detection bymeans of skin detection[J].Lecture Notes in Comouter Science，2008（5227）：1210-1220.