羅國濤 廖家莉 劉甫迎

摘? 要：為解決精品資源共享課程平臺系統(tǒng)用戶信息安全和用戶認證效率低下，以及用戶信息通信時消息內容丟包問題，特設計和實現(xiàn)了基于Android和Bmob云的精品資源共享課程平臺系統(tǒng)。為提高用戶信息安全以及用戶認證效率，在Android客戶端采用了人臉識別技術，人臉檢測采用AdaBoost算法、特征提取采用局部二值模式LBP算法、特征匹配采用余弦相似度算法以提高人臉識別準確率。為解決移動學習用戶信息通信時消息內容丟包問題，提出了定時器+Service+多線程的方法定時檢測消息內容，從而保證了消息內容的完整性。實踐應用表明，該系統(tǒng)可以提高移動學習者學習興趣和學習效果。

關鍵詞：Android;Bmob云;人臉識別;AdaBoost算法;LBP算法

中圖分類號：TP311.52? ? ?文獻標識碼：A

Quality Resource Sharing Course Platform System Based on Android and Bmob Cloud

LUO Guotao1，2，LIAO Jiali2，LIU? Fuying2，3

（1.Department of Information and Software Engineering，Chengdu Neusoft University，Chengdu 611844，China;

2.College of Computer Science，Sichuan TOP IT Vocational Institute，Chengdu 611743，China;

3.Computer? Department，Chengdu Technological University，Chengdu 611730，China）

Abstract：In order to solve the problems of user information security，low efficiency of user authentication and the loss of message contents when users communicate with each other，the platform system of quality resource sharing courses based on Android and Bmob cloud is specially designed and implemented.In order to improve user information security and user authentication efficiency，face recognition technology is adopted for Android terminals.AdaBoost algorithm is adopted for face detection，LBP algorithm for binary mode is adopted for feature extraction，and cosine similarity algorithm is adopted for feature matching to improve face recognition accuracy.In order to solve the packet loss problem of message content during? information communication between mobile learning users，a method of timer + Service+ multithread is proposed to detect message content regularly，thus ensuring the integrity of message content.The practical application shows that the system can improve the learning interest and effect of mobile learners.

Keywords：Android;Bmob cloud;face recognition;AdaBoost algorithm;LBP algorithm

1? ?引言（Introduction）

課程是教學的基本單元，是培養(yǎng)學生知識能力素質的重要載體，也是對學生進行全面培養(yǎng)的重要手段和平臺，在高校的人才培養(yǎng)中具有舉足輕重的作用和意義。精品資源共享課建設的目標是“旨在促進教育教學觀念轉變，引領教學內容和教學方法改革，推動高等學校優(yōu)質課程教學資源通過現(xiàn)代信息技術手段共建共享，提高人才培養(yǎng)質量，服務學習型社會建設”[1]。那么如何通過現(xiàn)代信息技術實現(xiàn)精品課程資源共享，努力提高人才培養(yǎng)質量成為當前亟需解決的問題。而現(xiàn)代信息技術中，云計算技術與移動互聯(lián)網(wǎng)技術得到了快速發(fā)展，那么如何將精品資源共享課程信息存入云端以及智能手機終端如何快速方便訪問云端數(shù)據(jù)從而提高精品資源共享課程的使用效率成為當前研究的熱點問題。

在國外，比較流行的資源共享課程學習平臺系統(tǒng)是MOOC的三大主流平臺系統(tǒng)Coursera、edX、Udacity[2]，但三個平臺的課程教學模式跟傳統(tǒng)課程的教學模式相似，都根據(jù)學科內容的知識體系進行知識講解，并輔助相關的實踐活動和練習，以幫助學習者達到相關的學習目標，有點類似課堂搬家，同時課程活動設計對學習者的協(xié)作學習和個性化學習比較薄弱。在國內，比較成熟的MOOC學習平臺是中國大學MOOC-愛課程，部分精品資源共享課程在愛課程iCourse網(wǎng)站上面進行了發(fā)布并提供了智能手機客戶端的下載，手機客戶端主要是提供了視頻播放、資源下載、評論、分享和答疑功能，但并不能在手機客戶端直接查看教學團隊、教學成果、課件、日歷、大綱、習題作業(yè)等內容，為學習者快速掌握課程的內容帶來了困難;未引入學習分析技術，未開發(fā)配套學習跟蹤系統(tǒng)，不能全面跟蹤和掌握學習者的特點、學習行為和學習過程，不能對學習內容、作業(yè)測驗、問題進行分析和評估，這樣學生的學習質量和學習效率難以得到保障;未提供試題庫系統(tǒng)或者作業(yè)系統(tǒng)在線對知識的掌握程度進行測評以及學習者在學習交流互動和系統(tǒng)信息安全和認證效率方面有待提高等。因此有必要設計和開發(fā)一個新的精品資源共享課程移動端系統(tǒng)來對現(xiàn)有的資源共享系統(tǒng)進行擴充和優(yōu)化，從而提高學習者的學習效率和學習效果。由于Bmob是國內第一家專注于移動應用云存儲平臺，它提供專有的SDK供App調用，并加強了用戶以及數(shù)據(jù)的安全驗證，從而提高了服務器端數(shù)據(jù)資源的開發(fā)效率，而 Android移動終端由于價格合理以及其開源特性便于有效進行二次開發(fā)，因此該精品資源共享課程平臺系統(tǒng)采用基于Bmob云平臺與Android相結合的架構方案進行系統(tǒng)的設計與實現(xiàn)。

2? ?系統(tǒng)設計（System design）

2.1? ?系統(tǒng)功能設計

系統(tǒng)功能包括基于Bmob和Android的精品資源共享課程學生端系統(tǒng)和基于Bmob和Android平板電腦的教師端系統(tǒng)。其中基于Bmob和Android的精品資源共享課程學生端系統(tǒng)功能主要是學生登錄系統(tǒng)后，可以根據(jù)課前準備、課中學習和課后測試三個階段學習課程內容，課前準備階段可以瀏覽課程介紹、教師團隊、課程大綱、課程日歷、考評方式與標準等內容，課中學習可以瀏覽和下載教學錄像、教學課件、教學案例、電子教案、重點難點指導、參考教材，以及在線記課程筆記等內容，課后可以瀏覽和下載案例庫、專題講座庫、素材資源庫，可以提交作業(yè)、可以進行章節(jié)和期末在線測試，可以在線對課程進行評價和課程討論等操作。

基于Bmob和Android平板電腦的教師端系統(tǒng)功能主要包括課程、教師團隊、課程大綱、課程日歷、考評方式與標準、課程教學錄像、課程重難點、教學課件、教學案例、電子教案、參考教材、專題講座、素材資源庫、發(fā)布作業(yè)、發(fā)布試題、輔導答疑，以及統(tǒng)計學生學習進度等，而管理的這些資源數(shù)據(jù)是直接存儲到Bmob云平臺中。

2.2? ?系統(tǒng)總體設計

系統(tǒng)總體采用基于Android的精品資源共享課程平臺客戶端系統(tǒng)和Bmob后端云服務組成。Bmob后端云專注于為移動應用提供一整套后端云服務，該云服務通過提供Android、iOS、C#、Cocos2d-x、Js、PHP、Node、云端代碼、RestApi等SDK/接口可以快速存儲圖片、視頻、音頻和文檔等信息，同時可以為應用系統(tǒng)快速添加一個安全靈活的后臺管理系統(tǒng)，方便瀏覽終端保存的各種信息，這樣它減少了開發(fā)者服務器端編碼的工作量，降低了開發(fā)成本和開發(fā)時間，提高了開發(fā)效率，系統(tǒng)總體設計如圖1所示。

圖1 系統(tǒng)總體設計

Fig.1 Overall system design

3? ?系統(tǒng)實現(xiàn)（System implementation）

3.1? ?基于Android的人臉識別系統(tǒng)實現(xiàn)

在基于Android的精品資源共享課程平臺客戶端系統(tǒng)中，為了能夠跟蹤分析學習者的課程學習情況，學習者需要首先登錄系統(tǒng)，然后建立學習者跟課程之間的關聯(lián)關系。而學習者在登錄系統(tǒng)時，需要保護自身的信息安全，而保護信息安全的一種重要手段是身份鑒定技術[3]，而常用的身份鑒定方法有輸入用戶名、密碼、驗證碼等，這些方法容易被偽造、盜用以及遺忘等，并且有時使用較為不方便。針對這些問題，研究更為有效的、方便的身份鑒定技術顯得尤為重要。由于生物特征是人的內在屬性，具有穩(wěn)定性和唯一性，因此，基于生物特征的身份鑒定技術越來越受到關注[4]。目前被用來鑒定身份的生物特征包括指紋、人臉、DNA和虹膜等。相比于其他生物特征，人臉獲取最為方便，同時實現(xiàn)人臉識別的工具設備也很簡單，如PC、攝像頭等。因此本系統(tǒng)的登錄身份驗證采用人臉識別技術實現(xiàn)。而人臉識別系統(tǒng)主要包括數(shù)據(jù)采集、圖像預處理、人臉檢測、特征提取以及特征匹配等內容[5]。

3.1.1? ?人臉識別總體設計

人臉數(shù)據(jù)采集有兩種方式，第一種是在圖像數(shù)據(jù)庫中直接獲取，第二種方式是通過攝像頭等視頻圖像采集設備進行采集[6]。本課題采用第二種方式，用戶在注冊時打開Android手機攝像頭，進行人臉檢測，人臉檢測成功后，獲取人臉特征值，并將人臉特征值保存在Bmob云端數(shù)據(jù)庫中。用戶登錄時，再次打開攝像頭進行人臉采集，并進行人臉檢測，獲取當前人臉特征，當前人臉特征與在Bmob云端數(shù)據(jù)庫中保存的人臉特征值進行特征匹配，得到滿足預設閾值范圍內的相似度以確定是否為同一人。整個人臉識別流程如圖2所示。

圖2 人臉識別流程圖

Fig.2 Face recognition flow chart

3.1.2? ?人臉識別關鍵技術

（1）人臉檢測

人臉檢測是指對于任意一幅圖像，計算機通過一定的策略對其進行分析處理以確定其中是否含有人臉，如果有則返回人臉在圖像中的相關信息[7]。常用的人臉檢測算法有神經網(wǎng)絡算法、Viola-Jones算法，以及AdaBoost人臉檢測算法等。由于AdaBoost算法檢測時不僅時間短、效率高、準確率高而且計算量小，因此本文采用比較流行的AdaBoost算法[8]，算法流程如下：

輸入：假設人臉初始樣本集T={（x1，y1，），（x2，y2），…，

（xn，yn）}，其中xi表示第i個人臉樣本，yi的取值范圍為（0，1），其中yi=1表示人臉樣本，yi=0表示非人臉樣本。弱分類器迭代的次數(shù)為M，樣本點的個數(shù)為N。

輸出：強分類器為G（x）

第1步：初始化各種人臉樣本權重

第2步：對于m=1，2，3，…M：

①對當前樣本分布進行權值歸一化計算：

②針對每個特征f訓練出一個比較弱的分類器，并對弱分類器統(tǒng)計權重誤差：

③選取對樣本分類正確率最高的的基本分類器為最佳弱分類器;

④根據(jù)這個最佳弱分類器，調整樣本權值分布：

其中，中，表示未被正確分類，表示被正確分類。

第3步：構建強分類器：

（2）特征提取

特征提取是指計算機采用一定的策略提取圖像中具有特征性的信息的過程。人臉特征提取是指計算機針對人臉某些特征進行特征建模的過程，是一種將現(xiàn)實空間的圖像映射到機器空間的過程[9]。人臉特征提取算法主要有局部二值模式LBP和卷積神經網(wǎng)絡（Convolutional Neural Networks，CNN）等，其中CNN的人臉識別率雖然比LBP高，但CNN算法模型大、參數(shù)數(shù)量較多、需要花較長時間進行初始化工作，如果將CNN嵌入到Android系統(tǒng)中，則Android系統(tǒng)的運行時間較長，軟件友好性不強，而LBP算法計算量較小、計算過程復雜度較低和光照影響較小。J.Wang和J.Zheng等通過實驗證明采用LBP獲取人臉特征可以更好地適應面角[10]。因此本課題人臉特征提取采用LBP算法。

（3）特征匹配

特征匹配是指從影像中提取的特征作為共軛實體，以特征的描述參數(shù)作為匹配實體，通過計算匹配實體之間的相似性測度以實現(xiàn)共軛實體配準的影像匹配方法。特征匹配包括基于局部灰度信息特征匹配和基于特征向量的特征匹配方法，特征匹配的算法有歐幾里得距離（Euclidean Distance）、余弦相似度、切比雪夫距離等算法，皺瑩[11]通過實驗證明余弦相似度算法略優(yōu)于歐幾里得距離和切比雪夫距離算法，因此本課題特征匹配采用余弦相似度算法。余弦相似度描述如下：

設置兩個n維向量為p（x1，x2，…，xn）與q（x1，x2，…，xn），圖像相似度的計算公式如下：

余弦相似度的取值范圍為[-1，1]。夾角越小，圖像的相似度越高，夾角越大，圖像的相似度越低。

3.1.3? ?基于Android的人臉識別實現(xiàn)

由于基于Android的人臉識別是由Java程序編寫的，而Java程序需要在虛擬機中運行，而虛擬機會限制Java程序的運行效率，又因人臉識別中的圖像處理采用大量的矩陣運算，對系統(tǒng)的運行性能要求較高，因此不能直接將圖像處理的相關算法在Android端運行，需要單獨使用C++編寫圖像處理算法，然后采用Google的NDK工具開發(fā)C/C++動態(tài)鏈接庫，生成.so文件，并將.so文件放入到Andorid工程的src目錄下面的jniLibs目錄里。在處理人臉檢測、人臉特征的提取、人臉特征的檢索，以及人臉相似度運算時可以直接調用.so文件進行處理，從而提高整個系統(tǒng)的運行效率。其中在Android中人臉搜索部分代碼如下：

//定義人臉對象face1和face2

Face face1=new Face（）;

Face face2=new Face（）;

//定義保存人臉相似度對象score

FMatching score=new FMatching（）;

//設置當前進行人臉識別的人臉特征

face1.setFeatureData（faceData）;

//定義人臉識別時的相似度最大值

float max=0.0f;

//搜索遍歷每個人臉特征值

for （int i=0; i

float like=0.0f; //人臉特征相似度值

//face2對象臨時保存每個人臉的特征值

face2.setFeatureData（faceDataList.get（i））;

//將當前進行人臉識別的對象face1、遍歷得到的人臉對象face2和保存人臉相似度對象score傳遞給相似度匹配方法FaceMatching進行人臉匹配

fsdkEngine.FaceMatching（face1，face2，score）;

//獲取人臉相似度值，并賦值給like

like=score.getScore（）;

if （like >max） {

max=like;//將獲取的人臉相似度值賦值給max

}

}

搜索遍歷結束后，max變量中存放的是當前待識別的人臉相似度最大值。該max值跟人臉識別預定的閾值進行比較以確定人臉識別是否成功。

3.2? ?基于Bmob和Android的多人在線聊天實現(xiàn)

在精品資源共享課程平臺移動客戶端系統(tǒng)中，為了及時解決學習者學習時所遇到的問題以提高學習者的學習效率，特設計和實現(xiàn)基于Bmob和Android的多人在線聊天系統(tǒng)。在多人聊天系統(tǒng)中，比較困難的是聊天中各個實體對象的定義以及對象中屬性的定義，其中比較重要的實體對象包括聊天用戶BmobChatUser、聊天消息BmobMsg、最近會話列表BmobRecentMsg等。其中BmobChatUser屬性包括設備Id、設備類型、昵稱、頭像、好友列表，以及是否是黑名單等屬性，聊天消息BmobMsg屬性包括chatId（該屬性包括單聊和群聊兩種聊天模式，其中單聊模式下的id的組成方式為發(fā)送者id+"&"+接收者id，群聊模式則為groupChatId）、消息內容（可以是字符串文本、圖片地址或者是地理位置）、接收方receiverId、發(fā)送方senderId、發(fā)送者頭像、發(fā)送者昵稱、發(fā)送者的用戶名、消息類型、發(fā)送時間、消息是否被讀（未讀、已讀狀態(tài)）、消息發(fā)送狀態(tài)（包含發(fā)送成功、失敗、已收到三種狀態(tài)）等。

而在多人在線聊天系統(tǒng)中，經常遇到消息丟包問題，為了解決此問題，系統(tǒng)采用了定時器+Service+多線程的方法定時檢測消息內容。檢測消息步驟如下：

第1步：定義Android后臺服務類BmobMsgService，該類繼承Service類。在BmobMsgService類中重寫onStart方法，在該方法中調用檢測消息內容的子線程對象。

第2步：創(chuàng)建子線程類，在子線程中調用檢測消息對象。

第3步：檢測消息。主要檢測當前登錄用戶的所有未讀消息，部分主要代碼如下：

String currentId=BmobUserManager.getInstance（this）.getCurrentUserObjectId（）;

//創(chuàng)建Bmob查詢接口對象

BmobQueryquery=new BmobQuery（）;

//設置Bmob查詢條件

query.addWhereEqualTo（"currentId"，currentId）;

Integer[] status={0，1};

query.addWhereContainedIn（"isReaded"，Arrays.asList（status））;

query.order（"createdTime"）;

query.findObjects（this，new FindListener（） {

public void onSuccess（Listlist_BmobMsg） {

if（list_BmobMsg！=null &&list_BmobMsg.size（）>0）

{

int length=list_BmobMsg.size（）;

for（int i=0;i

BmobMsg bmobMsg=list_BmobMsg.get（i）;

//該方法檢測是否有黑名單用戶發(fā)送消息，如果沒有則廣播未讀的消息

checkBlackUser（bmobMsg）;

}

}else{

System.out.println（"沒有未讀消息"）;

}

}

public void onError（int arg0，String arg1） {

System.out.println（"查詢未讀消息失?。?）;

}

}）;

第4步：定義定時器。Android定時器的實現(xiàn)方法有很多種，包括Handler+Thread、Handler類自帶的postDelyed、Handler+Timer+TimerTask以及AlarmManager。本課題采用AlarmManager類的setRepeating（）方法實現(xiàn)定時功能，在定時器中定時調用PendingIntent對象，而PendingIntent對象中包裝了Intent對象，Intent對象中調用BmobMsgService后臺服務類，在BmobMsgService后臺服務類中調用子線程，在子線程中進行消息檢測，從而完成了定時器+多線程+Service的方法定時檢測消息內容，從而避免了消息丟包問題。定時器部分代碼如下：

//定義鬧鈴管理對象

AlarmManager? alarmmanager=（AlarmManager）

context.getSystemService（Context.ALARM_SERVICE）;

//創(chuàng)建立即執(zhí)行的意圖對象intent，該intent調用消息服務類BmobMsgService

Intent intent=new Intent（context，BmobMsgService.class）;

intent.setAction（BmobMsgService.ACTION）;

//創(chuàng)建延遲執(zhí)行的PendingIntent對象，該對象包裝了intent對象

PendingIntent pendingIntent=PendingIntent.getService（context，0，intent，0）;

//獲取系統(tǒng)時間

long triggerAtTime=SystemClock.elapsedRealtime（）;

//定時調用pendingIntent對象 alarmmanager.setRepeating（AlarmManager.ELAPSED_REALTIME，triggerAtTime，seconds*1000，

pendingIntent）;

4? ?結論（Conclusion）

本文對基于Android和Bmob云的精品資源共享課程平臺系統(tǒng)進行了研究。該系統(tǒng)由基于Android的精品資源共享課程客戶端系統(tǒng)和基于Bmob的后端云服務組成。為了提高系統(tǒng)的信息安全，便于用戶快速登錄系統(tǒng)，特采用了當前比較流行的人臉識別技術，并對人臉識別的部分關鍵技術人臉檢測、特征提取、特征匹配等進行了闡述。由于AdaBoost算法檢測時間短、效率高、準確率高和計算量小等特點，因此人臉檢測采用AdaBoost算法;由于局部二值模式LBP算法計算量較小、計算過程復雜度較和光照影響較小，因此人

臉特征提取采用LBP算法，而特征匹配采用余弦相似度算法;為了及時統(tǒng)一解決學習者學習時所遇到的問題以提高學習者的學習興趣和效率，特設計和實現(xiàn)基于Bmob和Android的多人在線聊天系統(tǒng)，而聊天系統(tǒng)經常會遇到消息丟包問題，因此系統(tǒng)采用了定時器+Service+多線程的方法定時檢測消息內容，從而保證了消息內容的完整性。對移動學習平臺系統(tǒng)用戶進行課程學習個性化推薦將是后續(xù)工作研究的重點。

參考文獻（References）

[1] Li Bin.Research on the Optimization of Learning Model Based on Modern Information Technology[C].2018 6th International Education，Economics，SocialScience，Arts，Sports and Management Engineering Conference（IEESASM 2018），2018：441-445.

[2] Pérez-Sanagustín，Mar，HilligerI，et al.H-MOOC framework：reusing MOOCs for hybrid education[J].Journal of Computing in Higher Education，2017，29（1）：47-64.

[3] Zhi Liu.Face recognition system based on block Gabor feature collaborative representation[J].Automatic Control and Computer Sciences，2016，50（5）：318-323.

[4] 陳梓嘉.基于Android的人臉識別算法的研究[D].寧波大學，2017：3-12.

[5] 李舟.基于Android平臺復雜光照條件下人臉識別系統(tǒng)研究[D].湖北工業(yè)大學，2017：1-9.

[6] 譚敏，鄧永志，蘭紅.基于人臉識別的考勤簽到APP設計[J].通信技術，2018，51（8）：1995-1998.

[7] 周師專.基于Android平臺的人臉識別系統(tǒng)的設計與實現(xiàn)[D].南昌大學，2016：18-28.

[8] 張鴻杰.基于Android平臺人臉識別系統(tǒng)的研究[D].江南大學，2015：8-18.

[9] 彭爍.基于人臉識別的部隊點名系統(tǒng)的研究[D].湖南師范大學，2017：1-8.

[10] Jiakailin Wang，Jinjin Zheng，Shiwu Zhang.A Face Recognition System Based on Local Binary Patterns and Support Vector Machine for Home Security Service Robot[J].2016 9th International Symposium on Computational Intelligence and Design，2016：303-307.

[11] 皺瑩.智能移動終端上基于深度學習的人臉識別的設計與實現(xiàn)[D].北京郵電大學，2017：20-36.

作者簡介：

羅國濤（1982-），男，碩士，副教授.研究領域：軟件工程，移動應用開發(fā).

廖家莉（1992-），女，本科，助教.研究領域：軟件工程.

劉甫迎（1948-），男，本科，教授.研究領域：數(shù)據(jù)庫，云計算，大數(shù)據(jù).