李家科

摘 要：文章針對傳統(tǒng)網(wǎng)絡(luò)教學(xué)系統(tǒng)中存在曠課難以察覺的問題，探索性地設(shè)計并提出了一種基于人臉檢測的網(wǎng)絡(luò)教學(xué)系統(tǒng)模型，解決網(wǎng)絡(luò)系統(tǒng)中管理混亂問題的技術(shù)手段和方法。該模型以AdaBoost人臉檢測算法為關(guān)鍵技術(shù)，系統(tǒng)設(shè)計從一定程度上解決了網(wǎng)絡(luò)教學(xué)上課混亂的狀態(tài)，補償了網(wǎng)絡(luò)教學(xué)中的曠課管理，為促進網(wǎng)絡(luò)教育的良好發(fā)展作出了基礎(chǔ)性的工作。

關(guān)鍵詞：網(wǎng)絡(luò)教學(xué)；人臉檢測；管理；曠課

1 網(wǎng)絡(luò)教學(xué)系統(tǒng)的需求與瓶頸分析

隨著網(wǎng)絡(luò)現(xiàn)代化的迅速發(fā)展，網(wǎng)絡(luò)的信息資源豐富、傳遞便捷、交互性強的特點應(yīng)用在教育上的優(yōu)越性越來越明顯。在生活中發(fā)現(xiàn)問題，利用網(wǎng)絡(luò)獲取和分析信息，可以培養(yǎng)學(xué)生獨立解決問題的能力。網(wǎng)絡(luò)龐大的信息資源、優(yōu)越的多媒體功能和多向交互功能，更有利于開發(fā)式和協(xié)同式教學(xué)，提高學(xué)生的創(chuàng)造性思維，為教學(xué)質(zhì)量和教學(xué)效率的提高提供了有力的保障[1]。

遠程教育的特點決定了業(yè)余進修者的網(wǎng)絡(luò)學(xué)習(xí)只能以自學(xué)為主，學(xué)生的學(xué)習(xí)進程是與老師和其他學(xué)生的學(xué)習(xí)進程不同時、不同地發(fā)生的，這些獨特的特點，會使得剛剛開始學(xué)習(xí)的學(xué)生產(chǎn)生不真實的感覺，缺乏自律性的學(xué)生因而會無法約束自己的行為，從而上課不專心甚至出現(xiàn)逃課等現(xiàn)象。現(xiàn)行大多的網(wǎng)絡(luò)教學(xué)系統(tǒng)中，一般都缺乏網(wǎng)絡(luò)教學(xué)的管理，對學(xué)生的曠課無從管理，導(dǎo)致教學(xué)資源浪費，學(xué)習(xí)效果差。

為了提高學(xué)習(xí)效果，必須解決網(wǎng)絡(luò)教學(xué)系統(tǒng)的管理，對學(xué)生的曠課行為加強監(jiān)督。本文從文獻[2]中受到啟發(fā)，力圖通過人臉檢測技術(shù)，識別學(xué)生是否有曠課行為，教師根據(jù)識別結(jié)果給出相應(yīng)的策略，以推動網(wǎng)絡(luò)教育教學(xué)的良好發(fā)展。

2 人臉檢測技術(shù)為網(wǎng)絡(luò)教學(xué)管理提供支持

人臉檢測指的是在一幅圖像或者是一段視頻中準(zhǔn)確地指出所有人臉的坐標(biāo)、大小的過程。目前國內(nèi)外的學(xué)者們提出了許多行之有效的人臉檢測算法，主要包括基于幾何特征的人臉檢測算法，基于膚色特征的人臉檢測算法和基于統(tǒng)計理論的人臉檢測算法。

在眾多的人臉檢測算法中，AdaBoost算法以其較高的檢測率和較快的檢測速度成為應(yīng)用最廣泛的人臉檢測算法之一。它是一種迭代算法，通過每輪訓(xùn)練中改變同一訓(xùn)練集的樣本權(quán)重來實現(xiàn)。樣本權(quán)重的改變原則是根據(jù)每次訓(xùn)練集中樣本的分類正確性，以及上次的總體分類的準(zhǔn)確率，來確定每個樣本的權(quán)值。數(shù)據(jù)經(jīng)過修改權(quán)值后送給下層分類器再次進行訓(xùn)練，最后將每次訓(xùn)練得到的分類器融合起來，作為最后的強分類器。使用AdaBoost分類器可以避免一些不必要的訓(xùn)練數(shù)據(jù)特征，而放在關(guān)鍵的訓(xùn)練資料上。該算法可以從根本上解決人臉檢測的速度問題，同時具有很好的檢測效果，適用于實時人臉檢測。

3 基于人臉檢測的網(wǎng)絡(luò)教學(xué)系統(tǒng)模型

人臉檢測技術(shù)應(yīng)用到網(wǎng)絡(luò)教學(xué)中，人臉特征提取是第一步。特征信息主要包括輪廓規(guī)則、膚色、紋理規(guī)則等，通過檢測是否滿足這些規(guī)則來檢測人臉。本文使用基于AdaBoost算法進行人臉檢測。該方法采用“積分圖像”的圖像表示方法來快速計算檢測所需特征。AdaBoost算法只需較少的簡單分類器就可以獲得很好的檢測性能，實用于實時人臉檢測。

針對網(wǎng)絡(luò)教學(xué)中上課混亂問題，文中以遠程教育理論和學(xué)習(xí)心理學(xué)為依據(jù)，以人臉檢測技術(shù)為關(guān)鍵技術(shù)，探索性地提出了一種基于人臉檢測的網(wǎng)絡(luò)教學(xué)系統(tǒng)模型。這個模型和傳統(tǒng)的網(wǎng)絡(luò)教學(xué)系統(tǒng)模型相比，增加的主要功能就是捕捉學(xué)習(xí)者的人臉，檢測學(xué)習(xí)者的狀態(tài)，而判斷學(xué)習(xí)者有無曠課。根據(jù)學(xué)習(xí)者的上課狀態(tài)，教師對課堂教學(xué)進行管理，并進行有必要的師生互動，以期從根本上解決網(wǎng)絡(luò)教學(xué)系統(tǒng)中的曠課問題。該系統(tǒng)結(jié)構(gòu)采用B/S，包括多個學(xué)生端和一個教師端，每個學(xué)生端安裝有攝像頭，根據(jù)攝像頭中的畫面提取特征，判斷學(xué)習(xí)者的狀態(tài)[3]。結(jié)構(gòu)如圖1所示。

本系統(tǒng)相對傳統(tǒng)網(wǎng)絡(luò)教學(xué)系統(tǒng)，增加了人臉檢測接口、人臉檢測界面和人臉檢測模塊。系統(tǒng)由學(xué)生視頻接口的視頻輸入設(shè)備獲取圖像后送到人臉檢測接口，提取人臉特征，送到人臉檢測模塊，檢測圖像中是否存在人臉，曠課判斷模塊以此判斷學(xué)生是否曠課。最后將曠課信息分別提交給學(xué)生跟教師，教師可以通過一些辦法加強和學(xué)生的溝通，從而使學(xué)習(xí)者更加有效地利用遠程教育資源，使遠程教育的效益最大化。

人臉檢測可根據(jù)檢測對象分為靜態(tài)圖像的人臉檢測和動態(tài)視頻的人臉檢測。前者計算簡單，檢測速度快，而后者計算復(fù)雜，檢測精度高，檢測速度慢。動態(tài)視頻的人臉檢測不符合遠程教育的實時性要求。因此，本文選擇基于靜態(tài)圖像的人臉檢測，對獲取的學(xué)生視頻接口進行人臉關(guān)鍵幀檢測，然后進行人臉檢測，檢測的流程如圖2所示。

人臉圖像的尺寸歸一化和灰度歸一化：學(xué)生視頻端的圖像采集設(shè)備不是固定的，會造成采集的圖像不是規(guī)整的，并且采集過程也會隨著光照的變化使所采集的圖像明暗程度不同和對比度不強的問題。為了解決這些問題，在人臉特征提取前對采集圖像進行尺寸歸一化和灰度歸一化。本文使用歸一化割準(zhǔn)則和直方圖均衡的方法進行尺寸歸一化和灰度歸一化。

人臉特征提取：矩形特征對一些簡單的圖形結(jié)構(gòu)如邊緣、線段比較敏感。例如：通常眼睛要比臉頰顏色更深；鼻梁兩側(cè)要比鼻梁顏色要深；嘴巴要比周圍顏色更深。為了取得更好的檢測效率，本文采用3種類型的3種形式的特征。特征值為白色像素和減去黑色像素和。由于訓(xùn)練樣本較多，并且矩形特征的數(shù)量巨大，因此，使用積分圖的方法，只要遍歷一次就可求得所有子窗口的特征值，并通過一定的策略篩選出關(guān)鍵特征，將他們組合成強分類器。

AdaBoost算法：算法的核心思想是通過調(diào)整樣本分布和弱分類器權(quán)值，自動地從弱分類器空間中篩選出若干關(guān)鍵的弱分類器，并整合為一個強分類器。理論研究證明，只要每個弱分類器的分類錯誤率稍低于50%，當(dāng)弱分類器的個數(shù)趨向于無窮時，強分類器的錯誤率將趨向于0。

4 結(jié)語

本文將人臉檢測技術(shù)應(yīng)用到智能網(wǎng)絡(luò)教學(xué)系統(tǒng)中，使教師可以實時掌握學(xué)生的上課情況，從而使網(wǎng)絡(luò)教學(xué)管理更加嚴(yán)謹(jǐn)，彌補了傳統(tǒng)網(wǎng)絡(luò)教學(xué)系統(tǒng)中上課管理混亂的現(xiàn)象。人臉檢測是一個富有挑戰(zhàn)性的課題。受到人臉非剛性特點、組成部件的有無、人臉姿勢、遮擋、成像條件等的限制。雖然目前國內(nèi)外有許多研究者在研究人臉檢測課題，但是還沒有完美的算法來進行人臉檢測。本文提出的模型只是將人臉檢測應(yīng)用到網(wǎng)絡(luò)教學(xué)中，還有很多的不足以待完善，只是為網(wǎng)絡(luò)教學(xué)系統(tǒng)提供了一種新的研究方向和思路。為了對基于人臉檢測的網(wǎng)絡(luò)教學(xué)系統(tǒng)的進一步研究，還需要進一步對人臉檢測算法進行完善，提高人臉檢測算法的檢測率和檢測效率，提高教師管理的準(zhǔn)確性，更好地彌補網(wǎng)絡(luò)教學(xué)系統(tǒng)中上課管理混亂的現(xiàn)象，為更加有效地利用網(wǎng)絡(luò)教學(xué)資源提供保障。

[參考文獻]

[1]馮滿堂，馬慶玉，王瑞杰.基于人臉表情識別的智能網(wǎng)絡(luò)教學(xué)系統(tǒng)研究[J].計算機技術(shù)與發(fā)展，2011（6）：193-200.

[2]趙美名.人臉識別技術(shù)在教學(xué)管理中的應(yīng)用[J].高教學(xué)刊，2015（7）：51-52.

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