湯雙霞

（廣州番禺職業(yè)技術學院，廣州511483）

0 引 言

大數(shù)據(jù)技術的興起和大范圍推廣與普及，能夠直接影響到各領域信息技術的發(fā)展。大量數(shù)據(jù)的更新?lián)Q代，亟需對不同類型的數(shù)據(jù)庫提供有效技術支撐。為合理應用相關數(shù)據(jù)信息，就需要明確數(shù)據(jù)信息蘊含的價值。卷積神經網(wǎng)絡是當前研究人工智能的先進技術，并已廣泛應用在語音識別、計算機視覺等方面。深度學習，作為人工神經網(wǎng)絡技術的分支之一，其模型設計屬于深層次學習結構。而卷積神經網(wǎng)絡，則能夠對非線性結構展開進一步的研究，對于復雜函數(shù)的表達加以分析，同時，深度學習還能夠將低層次特征抽象、整合并轉變?yōu)楦邔有畔⑴c決策。經過研究得出：分布式特征，能夠發(fā)揮高強度學習樣本集的功效。因此在當下研究中，嘗試運用深度學習技術，其長足優(yōu)勢之一就是可推動人臉識別技術的創(chuàng)新、改進與飛躍式進步。將其運用在高校課堂中，通過收集教師課堂人臉數(shù)據(jù)，即可充分發(fā)揮大數(shù)據(jù)、深度學習的最大應用價值。對此，本文擬做研究闡釋如下。

1 人臉識別技術的發(fā)展

1.1 傳統(tǒng)人臉識別技術總述

上溯至十八世紀，相關科研人員就對人臉特征、身份識別進行分析和研究。相關研究人員表示，曾經備受推崇的人臉幾何結構特征研究方法，在將其付諸實施時的效果卻并不理想，因此仍有待后續(xù)的深入研究與開發(fā)，以滿足實際場景的需求及達到設計應用目標。人臉識別領域中，麻省理工學院Turk提出了富有時代意義的處理策略，也就是特征人臉識別方法。這一方法的使用，吸引了較多研究人員在此基礎之上進行不斷的研創(chuàng)與革新，眾多的新型識別方法也陸續(xù)涌現(xiàn)。人臉識別算法的完善，將使所得人臉圖像更為清晰，但其中涉及的首要問題就是方法的實用性。一些研究人員對魯棒性人臉識別方法，如：光照、姿態(tài)、遮擋等做出分析，對非理想條件下自然場景的人臉圖像予以識別處理。通常情況下，人臉識別包括多個類型，主要有：幾何特征、模板匹配，以及統(tǒng)計分析和傳統(tǒng)神經網(wǎng)絡等。

1.2 神經網(wǎng)絡技術研究概述

神經網(wǎng)絡理論首次面世后，就有研究人員隨后提出了自組織映射神經網(wǎng)絡，通過該網(wǎng)絡可在圖像內容中聽到較大的噪音，還會發(fā)現(xiàn)部分遮擋狀況。此后，則有研究人員開始將卷積神經網(wǎng)絡、自組織映射神經網(wǎng)絡有機聯(lián)系起來，由此即構建出混合神經網(wǎng)絡。研究發(fā)現(xiàn)，卷積網(wǎng)絡對圖像平移、尺度的自適應性較弱，但是這對于加強網(wǎng)絡的性能卻尤為有利，并在ORL人臉數(shù)據(jù)庫上取得了較好的效果。值得一提的是，神經網(wǎng)絡結構、以及動態(tài)鏈接結構的使用，將能有效區(qū)別不同的人臉特征。與神經網(wǎng)絡模型相似的方法有很多，如：時滯神經網(wǎng)絡、徑向基函數(shù)網(wǎng)絡，以及Hopfield網(wǎng)絡。與其它人臉識別方法相比，神經網(wǎng)絡模型無需耗費人工去實現(xiàn)算法設計、研究，自動學習數(shù)據(jù)集即可。而且，利用該方法還可提取到優(yōu)秀的人臉特征表達、圖像模式規(guī)律。綜上論述分析可知，神經網(wǎng)絡方法在人臉識別研究中占據(jù)著優(yōu)勢地位，此外也表現(xiàn)出較強的魯棒性。但是，神經網(wǎng)絡缺乏嚴格理論驗證、解釋，需要經過較多人臉圖像學習，訓練的速度較慢。

2 卷積神經網(wǎng)絡結構構成情況的分析

卷積神經網(wǎng)絡 CNN［1］，為經多層感知機 MLP基礎上完善獲得。在生物神經科學領域之上發(fā)展而成，能夠模擬貓視覺皮層的感受野。這一感受野區(qū)，對輸入空間分子區(qū)的敏感度較高，同時可均勻地覆蓋于整個視野區(qū)。卷積神經網(wǎng)絡層間的連接方式，需要進行卷積計算，將其與前饋神經網(wǎng)絡相比，研究可知則存在著較大的差異性。總地說來，前饋神經網(wǎng)絡結構的連接方法為全連接，也就是：神經元結點的輸出值均為所有輸入信號向量不同維度加權總和。而卷積計算則為輸入信號向量維度加權總和。全連接、卷積的連接情況對比，詳見圖1。

圖1 全連接、卷積連接情況的分析Fig.1 Analysis of full connection and convolutional connection

3 課堂人臉識別系統(tǒng)實現(xiàn)過程

人臉識別系統(tǒng)的設計實現(xiàn)流程如圖2所示，研究可知其整體設計主要可分為4個階段，對其分述如下。

（1）部署人臉圖像采集環(huán)境。

（2）進行人臉檢測／識別的數(shù)據(jù)獲取、分析、比對。

（3）進行課堂專注度分析。

（4）導入課堂過程數(shù)據(jù)，形成課堂過程專注度分布分析。

圖2 人臉識別系統(tǒng)實現(xiàn)過程Fig.2 Implementation of face recognition system

至此，研究可得本項目的系統(tǒng)結構設計如圖3所示。由圖3可知，本系統(tǒng)主要由5個部分組成，分別是：教室前端學情（人臉）數(shù)據(jù)采集單元、人臉檢測服務器、人臉比對服務器、學情分析呈現(xiàn)平臺、數(shù)據(jù)存儲環(huán)境。

圖3 人臉識別系統(tǒng)結構Fig.3 Face recognition system architecture

4 結束語

卷積神經網(wǎng)絡，應用于計算機視覺領域中，獲得了較好的效果，當前在較多項目中有著出色表現(xiàn)。本文構建2個不同的卷積神經網(wǎng)絡，通過試驗顯示網(wǎng)絡模型特征提取能力較佳?？梢?，其間存在競爭，然而如果沒有獲得最佳的識別能力，對于設計過程將產生決定性影響，會直接降低識別的準確性。經不同的網(wǎng)絡比較，能夠看出對網(wǎng)絡性能的影響較大。此后工作，建議深入研究深層網(wǎng)絡模型在復雜人臉圖像中應用的效果情況。此外，對深度網(wǎng)絡應加強訓練，解決相關問題，進行更寬泛意義上的仿真的試驗。卷積神經網(wǎng)絡技術，應用于視頻監(jiān)控工作中，實現(xiàn)人臉識別研究，盡管識別效果頗佳，但在諸多方面仍有很大的改進空間，如：復雜環(huán)境下人臉識別、系統(tǒng)計算效率、添加人臉跟蹤模塊等。