舒珩 周丽

摘  要：高校的学习生活因科技的高速发展而发生了翻天覆地的变化，顺应时代的发展，高校教育信息集成化成为当今关注焦点。决定大学生学习成果和学习效率的基本保障是课堂出勤率及课堂上的专注度，因此大学生的课堂专注度问题一直是高校热门话题。得益于人脸识别技术的高速发展，文章采用HAAR特征值算法将课堂专注度集成为一个基于人脸识别的系统。该系统将人脸识别考勤加入其中，在大大提高教师上课效率的同时，还可精准监管学生在课堂上的专注度。

关键词：人脸识别;课堂抬头率;专注度统计

中图分类号：TP391.4    文献标识码：A 文章编号：2096-4706（2021）12-0029-04

Abstract： The study and life of colleges have undergone earth shaking changes due to the rapid development of science and technology. In line with the development of the times， the integration of educational information in colleges has become today's focus of attention. The basic guarantee of college students' learning achievement and learning efficiency is classroom attendance and classroom concentration. Therefore， college students' classroom concentration has always been a hot topic in colleges. Thanks to the rapid development of face recognition technology， this paper uses HAAR eigenvalue algorithm to integrate classroom concentration into a face recognition based system. The system adds face recognition attendance to it， which can not only greatly improve the efficiency of teachers in class， but also accurately monitor the concentration of students in class.

Keywords： face recognition; classroom rise rate; concentration statistics

0  引  言

如今，互聯网科技的高速发展加速了这个时代成为一个信息大爆炸的时代，手机作为这个时代最成功的百姓用品，同时也成为学生的一个巨大诱惑。据权威统计，当今大学生的智能手机拥有量几乎达到100%，任何事情在发展到极致的时候都会显示出来弊端，分析大学生上课手机使用情况的统计发现，当今大学生面临着巨大的就业和深造压力，但仍有相当一部分的同学高校的课堂学习都在极度不专注下度过[1]，这样会导致学习成绩下滑。虽然说学习很重要的是依靠自律，但这并不妨碍在如今的新型科技的出现下顺应时代的改变做出相应的监管措施。

我国人脸识别技术的发展时间始于20世纪九十年代末期和21世纪伊始，其中经历了技术引进、专业市场引进、技术完善、技术应用。2014年是深度学习技术应用于人脸识别的关键一年，加速了我国的人脸识别技术的发展。2016年，微信用户数量激增到8亿人，而且现在微信的注册和使用人数依然是中国社交软件的佼佼者。现在我国的人脸识别已经广泛应用于人脸解锁系统、门禁、课堂考勤、刷脸支付、刑事侦查等，且技术日益成熟和完善。但是早在21世纪初实施的新课改中提出教师要合理应用每一节课的时间，正确引导学生自学能力和自律。基于新课改的大时代下，很多文章描写了如何提高或改善学生的课堂专注度，但都没有精准到每一个学生到底专注了多久、以及哪些同学十分专注、哪些同学长期开小差却未被发现的情况，而且对于专注的情况没有一个完整的监管过程，全是依靠教师的肉眼判断。基于人脸识别的课堂专注度统计的出现，使教师可以轻松掌握同学们是否在专注，且可以在同一时间了解班上学生的整体专注度，这样教师对全班同学上课情况的监管能够精确到个人，也便于课后的分析和指正。

1  基于人脸识别的课堂专注度统计

1.1  总体设计流程

其设计的中心思想在于建立大学生的课堂监管系统，这个监管系统必须具有自动分析、自动统计等智能模块，这也是为了响应教育部对新时代大学日常学习的改进要求，为以后的大学生课堂管理进行优化起到监管支撑。在进行课堂专注度统计时，我们把基于人脸识别考勤系统的模块也加入进去，应用人脸识别的抬低头算法，并以这个算法为核心进行框架设计。所以大致分为以下两个综合模块进行：学生人脸采集与预处理模块，以及学生课堂专注度分析模块[2]，如图1所示。

1.2  专注度统计系统的基本模块设计

1.2.1  人脸采集

这里的图像采集采用人脸识别中的模板检测，我们将采集学生的免冠证件照（也可以直接从教务处导入学生信息），本系统实验时在光线较好的教室里以白色墙壁为背景对学生进行照片采集，每位学生需要20～30张照片集，将所有照片按照姓名、学号、班级格式命名，并以jpg形式的文件进行分类存储，如图2所示。

1.2.2  人脸的预处理考勤系统的初步实现

在进行人脸图片采集后，我们将所有彩色证件照转为灰度图进行训练，为了实现系统中的考勤模块功能，系统使用计算机视觉库OpenCV中的Eigenface人脸识别算法以实现对人脸特征向量的计算，在此基础上再利用机器学习，从训练图像中获取统计的特征构建模型并进行考勤系统的实现，如图3所示。

这一步是为了去除图像的噪声以及将图片转为数形信息好进行下一步分析判断。在特征数据标记好后，使用所采集的数据集进行相关的训练和保存。

1.2.3  考勤系统的实现

在预处理图片信息后，将训练完成的系统进行人脸信息的及时采集，以其作为基于人脸识别中的考勤系统的运行实践，系统在进行图片采集后，会及时加载所训练的人脸模型，并将照片与模型进行对比分析，当正确认识到人脸信息之后，及时在连接的数据库里面将学生的身份信息显示出来，若未识别成功也将会及时提示人脸签到失败，如图4所示。通过对总人数为52人的班级进行实验发现，其整个过程用时平均5 min，且在光线较好的情况下，其准确率能够达到90%以上[3]。

2  抬低头算法的预处理

由于近年来的特殊情况，我们进行人脸识别的时候对脸部的特征值进行定点识别，这样对于人脸的曝光率要求大大降低，本系统采用Haar-Adaboost算法来完成人脸的实时检测功能以实现抬头率监控。根据人脸识别的基本思想，我们将人脸视为一个简单且稳定的几何单位，所谓Haar特征值算法就是鼻梁两侧的颜色比鼻梁的颜色要深一些，眼睛、嘴巴等地方的颜色都比周围面部皮肤的颜色要深。因此，可以用矩素变化来表现颜色深浅。Haar算法模型与深度学习中的贝叶斯算法其实很类似，由于实验条件限制，本系统采用Adaboost优化算法，简要步骤为[4]：

（1）建立一个弱分类器集合。

（2）利用Adaboost对集合进行训练。

（3）构成强分类器。

我们一般选择将面部分为眼部、鼻腔部、嘴部等标准区域来提供训练其特征值，通过对比发现，传统的人脸识别特征值提取方法比优化算法的准确率平均低5%～10%，如图5所示。

在实现抬低头预处理之前，使用人脸识别的Haar-Adaboost算法的目的是，应对面对单一窗口的多人脸识别的复杂工况。根据人脸识别的基本思想，我们可以将人脸视为一个简单且稳定的几何单位，将采集后的人脸信息使用Haar特征进行特征固定化[5]。经过对图片特征值进行优化处理后得到预处理后的照片，在光线较差与人脸曝光率较少的情况下，能够大大提高抬低头统计的正确率。如图6所示。

3  后台管理数据库模块功能介绍

对学生的人脸采集和预处理后，将训练和预处理完成的学生人脸照片存入系统之中。本设计的后台存储端与管理端采用Mysql数据作为支撑。数据库的建立目的是让整个系统成为一个完整的单元表格，并且有助于人脸考勤系统的实现，数据表设计如表1所示。

将所有学生的基本信息按照一定顺序进行存储，数据库的使用是为了让整个系统在运行过程中能够准确快速地调出和存储数据，并让整个程序在多线程的支撑下更加高效、稳定、准确地显示数据。作为专注度统计的来源，数据库中的数据会高频率的与外界传入的实时录像进行人脸识别对并然后做出统计和显示，这样教师端能够更好地收集学生上课专注度情况。在该模块中还有如下几个模块：信息导入模块、信息删除模块、信息修改模块，这几个模块的设定会大大提高教师管理端的操作便捷性，以实现高效管理学生。

4  整体系统的实现

我们对一个教学班整体进行人脸图像的采集和预处理，并与数据库中的学生身份信息进行匹配，之后，为测试系统分析检测准确性，在实现过程之前我们录取一段视频按照某一定的帧数进行多次截取图片，框出人脸位置，然后进行专注度的专项测试。如图7所示。

经过这个小测试，对上课学生专注度的统计的整体实现。本设计中系统使用到的硬件设施为一个摄像头，其为基于人脸识别的课堂专注度统计的系统进行录像和采集照片。在上课开始的时候，由教师在操作界面按下考勤按钮，然后系统就会记录到课人数并且以到课人数作为基础来计算抬头率，如式（1）所示：

FocusDgree=stuCount/Focusstu                  （1）

FocusDgree表示当前学生的课堂专注度，stuCount表示当前实到学生的人数，Focusstu表示在本次课程中的专注学生的统计。

学生抬低头作为判定方法的基本实现是将视频里的学生作为一个二维图片，将人脸中左眼、右眼、嘴巴定位为A点、B点、C点，这也是前文使用HAAR特征值提取方法的原因之一。通过测试设定合适的专注的AC/BC的最佳取值范围K，将这个范围内的学生定义为专注的人，其余范围的学生定义为非专注的人，这需要根据所投放教室的面积、座位面积、人数等因素进行最佳范围的确定。

设定好一定范围的值后，本系统才算真正意义上的完备与健全，在教师端进行操控让电脑调用所联通的摄像头进行课堂专注度统计，摄像头会以提前安排好的上课时间进行录像并按照事先设定好的时间节点进行实时回放和截取图片，并同时进行课堂专注度的统计。如图8所示。

5  结果与分析

本系统是基于人脸识别中的机器视觉对学生专注度的分析和统计，会涉及单一人脸识别和单一窗口多人脸识别等深度学习的范疇，进行一系列预处理过程后，在应对人脸曝光率较高的情况下，本系统在进行了5组时长为60 S的测试集后，发现其准确率在80%～95%之间，并且成功实现课堂人脸识别的签到功能和计算出专注与非专注学生的百分比。如图9所示。

6  结  论

互联网的高速发展给我们大学生带来了高效的学习方式和开阔的技能学习平台，当一个事务发展到极致的时候往往会变成一个双刃剑，高校上课学生使用手机浏览无关上课学习的情况必须得到改变，本系统旨在实现监管系统的自动化与准确智能化。本系统所需硬件设备较小且实现过程较为便捷，在人脸识别的课堂专注度统计的辅助下，能够帮助高校教师对学生上课的情况有所掌握和了解，有助于高校学习的信息化监管工作的开展。

参考文献：

[1] 赵纪河，简志群.大学生课堂问题行为的表现及其原因分析 [J].新课程学习（中），2011（7）：20.

[2] 牟国栋，谭俏俏，李田来，等.人脸识别技术在智慧校园中的应用 [J].电脑知识与技术，2021，17（16）：190-192.

[3] 陈文兵，李育霖，陈允杰.一种基于CNN-SE-ELM的年龄和性别识别模型 [J].计算机工程与科学，2021，43（5）：872-882.

[4] 段巨力.基于机器视觉的学生上课专注度的分析评测系统 [D].杭州：浙江工商大学，2018.

[5] 孙结冰.基于Adaboost人脸检测算法的多人标识系统研发[D].哈尔滨：黑龙江大学，2019.

作者简介：舒珩（1998—），男，汉族，四川广安人，本科在读，研究方向：计算机视觉;周丽（1984—），女，汉族，四川广安人，讲师，硕士，研究方向：计算机视觉、图像处理、目标检测。