姚静姝

这是一个信息化的时代，中国也是处于信息化潮流中的一员。信息化发展到一定阶段时，人工智能出现在大众的视野中，随着人工智能技术的不断发展，人们对人工智能的兴趣和关注也日益增加。而深度学习作为人工智能研究中最为瞩目的一种学习方法，在各大关联领域都取得了可喜的发展，特别是在人脸识别领域。深度学习可以通过模仿人类的视觉和感知神经系统进行认知性的学习，能够掌握表征的高层特征，能够短时间掌握人脸图像的规律所在，具有一定的智能性，精确率较高。对学生的考勤进行统计一直是课堂管理中的一个重要途径，能够提高学生的到座率。目前，部分高校开始将人脸识别技术运用到点名的过程中，一定程度上提高了点名的效率。

一、深度学习的概述

在以往的人工智能研究上，大部分都是停留在具体的规则和条件的问题解决上，比如人工智能和人类象棋冠军的对决。相比于象棋这种具有明确规则的事物，真实的世界却更为复杂和多变，计算机的语言无法完全表达出相应的意识。在图像识别上，很多时候连人类自身都无法完全区分开相似的事物，此时就无法通过规则来界定事物的特征，深度学习便应运而生。深度学习是一项能够发现并利用规律来解决问题的人工智能技术。现如今，应用深度學习最为普遍的领域便是视觉研究领域。在人脸识别技术中，深度学习是利用人类的视觉原理进行信息的采集的。一般而言，人类的视觉原理是瞳孔摄入原始的信息，接着大脑皮层的细胞组织对信息进行初步处理，再由大脑对抽象信息进行鉴别，最后由大脑判断出具体的事物。无论物体和事物如何变化，人类的视觉原理都不会发生改变。深度学习在人脸识别技术中的应用便是采用了此种算法，通过模拟人脑的工作特点，搭建多维度的神经网络，初级的图像便只用较为初级的识别系统，随着图像特征的难度的增加提高识别系统的层级。通过多个层级的相互配合使用，在顶层达成分类。在低层级上，各个事物的特征都是类似的，随着层级的提高，事物的特征也越来越独特化，到了顶层，则能够通过事物的较为高级的特征构建相应的图像，以此帮助人们区别各种事物。

二、人脸识别技术的概述

人脸识别技术所依靠的是利用生物特征进行识别，生物特征识别是指通过判断人身上独特且具有唯一性的特征对人的身份进行验证，主要涵盖了人脸的采集、检验、预处理、提取特征、识别匹配这五个内容。首先，人脸采集是指根据某个人的脸部特点，利用摄像机采集某个人的视频和图像。人脸检验是指寻找直方图和面部颜色等元素特征作为识别的参考依据。主要是根据采集中获取的视频和图像分析出人脸在图像中的精确性位置和大小。人脸预处理，是在检验的结果下开展的工作，利用人工智能的深度学习算法，对检验出的人脸图像进行颜色的校对，一般是以灰色为参考色系，消除干扰性的噪音，以便于营造出良好的图像识别环境，进而提高后续工作的效率，也能提高识别的精确度。人脸特征的提取，是根据表层进行分类提取，提取的依据是人类器官的描述和距离等信息来取得人类独特性的特征。人脸识别匹配，是指将提取到的人脸特征性信息和人脸库中的原始图像进行对比。在这个过程中，可以设定一个相似区间，若是相似度超过这个相似区间，则可以得出识别结果。若是相似度没有超过，则说明结果不成立。在匹配的环节上，既包含辨认的环节，也包含确认的环节，无论是哪个环节，都是十分重要的。

三、人脸识别技术在高校课堂点名中的设计及实现

世间万物因为需求所以产生，也是在需求中不断革新和发展，各大领域对人脸识别技术都有所需求，高校课堂对人脸识别技术也有所需求，正是这种需求，让人脸识别技术在高校课堂点名中的应用成为了现实，也是因为这种需求，让人们不断拓宽和优化人脸识别技术。同时，人脸识别技术也是一项新型技术，在使用的过程中还有许多问题需要被综合考量，下面将从系统需求和设计两方面进行阐述。

（一）系统需求的概述

本篇论文的主要落脚点是高校课堂点名，所有的内容都将围绕这一问题展开。通过实地探测人脸识别技术在高校点名中的应用，发现高校点名系统具有以下两个功能性的需求，第一个功能性需求是人脸图像的分析和处理性需求，只有将人脸的图像进行分析处理才有可能实现采集图片和原图库图片的对比和匹配，从而达到点名的目的。第二个功能性需求是后端系统管理性需求。人脸的采集和预处理等五部分的内容是隶属于前端的管理内容，而后端的系统管理性需求则是和原始性数据相关的内容，主要内容有将学生和教师的信息上传到数据库系统中，相关人员可以在后台查询到考勤的相应信息，以便于对考勤信息进行统计和管理。

（二）系统设计的概述

系统设计是针对整个高校课堂点名过程而言的，需要对系统架构和模块进行分析。一般而言，和系统架构相关的信息就是人脸的分析模块，也就是人脸采集和检验等五个部分。这些内容都是利用系统前端进行处理的信息，而系统的后端则包含相关人员信息的上传和查询等内容。相比于系统构架设计的内容，系统的模块设计所涉及的内容也更加广泛。首先，在人脸分析系统中需要设计一个智能人脸的云台摄像机，以便于能够对教师内的所有人员进行信息的采集，做到全面覆盖，这是保障信息采集的完整性的重要手段，如此，才能确保每个人都被纳入到采集的范围内，不会出现遗漏等情况。只有前端采集到了足够丰富的信息，后端才有可能进行精确的识别。在前端的信息收集过程中，采用了人工智能的深度学习手段，摄像机会对同一个人抓拍多次，和原图片库的图片特征进行对此，相似度最高的会上传到人脸分析服务器，以确保识别的精准性。在这一过程中，还设计到一个人脸建模的过程，简单而言，就是根据拍摄的图片提取相应的特征点，利用这些特征点搭建一个人脸模型。而原人脸数据库中也会有一个人脸模型，二者对此，相似度的多少便代表了匹配程度的高低。而系统管理模块设计除了需要管理人员的信息还需要管理考勤模块。人脸识别系统还应该和学校的课程表相结合，如此才能按照课程表的信息更好地开展课堂点名活动。人脸识别信息以后，所有的结果都会上传到考勤系统中。在课堂上，教师可以向学生展示考勤情况。此时，若是有同学因为各种因素未能被系统识别，则可以进行补签。这个可以放到课堂结束后进行，根据考勤结果确定学生是否又到现场，是否需要补签，为信息化的人工技术手段增添了人性化的特征。同时，考勤的统计情况也可以帮助教师减少时间的消耗，教师可以输入各种因素进行分类别的考勤信息查询，比如按照班级进行信息查询，或者按照教学专业进行查询。

三、总结

人工智能的发展已经成为社会共识，越来越多的资源和资本开始涌入人工智能领域。深度学习无疑是人工智能发展中较为出色的一项技术，能够应用到各种领域，为行业的发展带来的新的动力。现如今，深度学习在人脸识别技术中取得了良好的发展，各大高校都开始利用人脸识别技术进行课堂的点名。利用人脸识别技术对课堂上的教师和学生进行识别，将识别的图像和视频传到后端，经过后端的信息识别和匹配确定相似度，以此达到点名的效果。但是，不可否认的是人脸识别技术也会有疏漏的时候，可能因为一些因素的干扰导致识别或匹配的失败。此时，就需要学校进行灵活性的变通，根据实际情况给予补签等机会，以此完善人脸识别技术的不足之处。本篇论文就是立足于探究深度学习人脸识别技术在高校课堂点名中的应用，以此了解人脸识别技术在课堂点名中的运营机理，从而让人脸识别技术的结果更加准确有效，为高校带来更多的价值。

作者单位：山西大同大学