基于大数据的卷积神经网络技术在课堂人脸识别应用

汤双霞

（广州番禺职业技术学院，广州511483）

0 引 言

大数据技术的兴起和大范围推广与普及，能够直接影响到各领域信息技术的发展。大量数据的更新换代，亟需对不同类型的数据库提供有效技术支撑。为合理应用相关数据信息，就需要明确数据信息蕴含的价值。卷积神经网络是当前研究人工智能的先进技术，并已广泛应用在语音识别、计算机视觉等方面。深度学习，作为人工神经网络技术的分支之一，其模型设计属于深层次学习结构。而卷积神经网络，则能够对非线性结构展开进一步的研究，对于复杂函数的表达加以分析，同时，深度学习还能够将低层次特征抽象、整合并转变为高层信息与决策。经过研究得出：分布式特征，能够发挥高强度学习样本集的功效。因此在当下研究中，尝试运用深度学习技术，其长足优势之一就是可推动人脸识别技术的创新、改进与飞跃式进步。将其运用在高校课堂中，通过收集教师课堂人脸数据，即可充分发挥大数据、深度学习的最大应用价值。对此，本文拟做研究阐释如下。

1 人脸识别技术的发展

1.1 传统人脸识别技术总述

上溯至十八世纪，相关科研人员就对人脸特征、身份识别进行分析和研究。相关研究人员表示，曾经备受推崇的人脸几何结构特征研究方法，在将其付诸实施时的效果却并不理想，因此仍有待后续的深入研究与开发，以满足实际场景的需求及达到设计应用目标。人脸识别领域中，麻省理工学院Turk提出了富有时代意义的处理策略，也就是特征人脸识别方法。这一方法的使用，吸引了较多研究人员在此基础之上进行不断的研创与革新，众多的新型识别方法也陆续涌现。人脸识别算法的完善，将使所得人脸图像更为清晰，但其中涉及的首要问题就是方法的实用性。一些研究人员对鲁棒性人脸识别方法，如：光照、姿态、遮挡等做出分析，对非理想条件下自然场景的人脸图像予以识别处理。通常情况下，人脸识别包括多个类型，主要有：几何特征、模板匹配，以及统计分析和传统神经网络等。

1.2 神经网络技术研究概述

神经网络理论首次面世后，就有研究人员随后提出了自组织映射神经网络，通过该网络可在图像内容中听到较大的噪音，还会发现部分遮挡状况。此后，则有研究人员开始将卷积神经网络、自组织映射神经网络有机联系起来，由此即构建出混合神经网络。研究发现，卷积网络对图像平移、尺度的自适应性较弱，但是这对于加强网络的性能却尤为有利，并在ORL人脸数据库上取得了较好的效果。值得一提的是，神经网络结构、以及动态链接结构的使用，将能有效区别不同的人脸特征。与神经网络模型相似的方法有很多，如：时滞神经网络、径向基函数网络，以及Hopfield网络。与其它人脸识别方法相比，神经网络模型无需耗费人工去实现算法设计、研究，自动学习数据集即可。而且，利用该方法还可提取到优秀的人脸特征表达、图像模式规律。综上论述分析可知，神经网络方法在人脸识别研究中占据着优势地位，此外也表现出较强的鲁棒性。但是，神经网络缺乏严格理论验证、解释，需要经过较多人脸图像学习，训练的速度较慢。

2 卷积神经网络结构构成情况的分析

卷积神经网络 CNN［1］，为经多层感知机 MLP基础上完善获得。在生物神经科学领域之上发展而成，能够模拟猫视觉皮层的感受野。这一感受野区，对输入空间分子区的敏感度较高，同时可均匀地覆盖于整个视野区。卷积神经网络层间的连接方式，需要进行卷积计算，将其与前馈神经网络相比，研究可知则存在着较大的差异性。总地说来，前馈神经网络结构的连接方法为全连接，也就是：神经元结点的输出值均为所有输入信号向量不同维度加权总和。而卷积计算则为输入信号向量维度加权总和。全连接、卷积的连接情况对比，详见图1。

图1 全连接、卷积连接情况的分析Fig.1 Analysis of full connection and convolutional connection

3 课堂人脸识别系统实现过程

人脸识别系统的设计实现流程如图2所示，研究可知其整体设计主要可分为4个阶段，对其分述如下。

（1）部署人脸图像采集环境。

（2）进行人脸检测／识别的数据获取、分析、比对。

（3）进行课堂专注度分析。

（4）导入课堂过程数据，形成课堂过程专注度分布分析。

图2 人脸识别系统实现过程Fig.2 Implementation of face recognition system

至此，研究可得本项目的系统结构设计如图3所示。由图3可知，本系统主要由5个部分组成，分别是：教室前端学情（人脸）数据采集单元、人脸检测服务器、人脸比对服务器、学情分析呈现平台、数据存储环境。

图3 人脸识别系统结构Fig.3 Face recognition system architecture

4 结束语

卷积神经网络，应用于计算机视觉领域中，获得了较好的效果，当前在较多项目中有着出色表现。本文构建2个不同的卷积神经网络，通过试验显示网络模型特征提取能力较佳。可见，其间存在竞争，然而如果没有获得最佳的识别能力，对于设计过程将产生决定性影响，会直接降低识别的准确性。经不同的网络比较，能够看出对网络性能的影响较大。此后工作，建议深入研究深层网络模型在复杂人脸图像中应用的效果情况。此外，对深度网络应加强训练，解决相关问题，进行更宽泛意义上的仿真的试验。卷积神经网络技术，应用于视频监控工作中，实现人脸识别研究，尽管识别效果颇佳，但在诸多方面仍有很大的改进空间，如：复杂环境下人脸识别、系统计算效率、添加人脸跟踪模块等。