李家科

摘 要：文章針對(duì)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(jì)并提出了一種基于人臉檢測(cè)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(cè)算法為關(guān)鍵技術(shù)，系統(tǒng)設(shè)計(jì)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(bǔ)償了網(wǎng)絡(luò)教學(xué)中的曠課管理，為促進(jìn)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(cè)；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(qiáng)的特點(diǎn)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(dú)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(yuǎn)程教育的特點(diǎn)決定了業(yè)余進(jìn)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(jìn)程是與老師和其他學(xué)生的學(xué)習(xí)進(jìn)程不同時(shí)、不同地發(fā)生的，這些獨(dú)特的特點(diǎn)，會(huì)使得剛剛開始學(xué)習(xí)的學(xué)生產(chǎn)生不真實(shí)的感覺，缺乏自律性的學(xué)生因而會(huì)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?，F(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(duì)學(xué)生的曠課無從管理，導(dǎo)致教學(xué)資源浪費(fèi)，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(duì)學(xué)生的曠課行為加強(qiáng)監(jiān)督。本文從文獻(xiàn)[2]中受到啟發(fā)，力圖通過人臉檢測(cè)技術(shù)，識(shí)別學(xué)生是否有曠課行為，教師根據(jù)識(shí)別結(jié)果給出相應(yīng)的策略，以推動(dòng)網(wǎng)絡(luò)教育教學(xué)的良好發(fā)展。

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

人臉檢測(cè)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(guó)內(nèi)外的學(xué)者們提出了許多行之有效的人臉檢測(cè)算法，主要包括基于幾何特征的人臉檢測(cè)算法，基于膚色特征的人臉檢測(cè)算法和基于統(tǒng)計(jì)理論的人臉檢測(cè)算法。

在眾多的人臉檢測(cè)算法中，AdaBoost算法以其較高的檢測(cè)率和較快的檢測(cè)速度成為應(yīng)用最廣泛的人臉檢測(cè)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(shí)現(xiàn)。樣本權(quán)重的改變?cè)瓌t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(gè)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(jìn)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(qiáng)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(cè)的速度問題，同時(shí)具有很好的檢測(cè)效果，適用于實(shí)時(shí)人臉檢測(cè)。

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

人臉檢測(cè)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(cè)是否滿足這些規(guī)則來檢測(cè)人臉。本文使用基于AdaBoost算法進(jìn)行人臉檢測(cè)。該方法采用“積分圖像”的圖像表示方法來快速計(jì)算檢測(cè)所需特征。AdaBoost算法只需較少的簡(jiǎn)單分類器就可以獲得很好的檢測(cè)性能，實(shí)用于實(shí)時(shí)人臉檢測(cè)。

針對(duì)網(wǎng)絡(luò)教學(xué)中上課混亂問題，文中以遠(yuǎn)程教育理論和學(xué)習(xí)心理學(xué)為依據(jù)，以人臉檢測(cè)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(cè)的網(wǎng)絡(luò)教學(xué)系統(tǒng)模型。這個(gè)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(cè)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(duì)課堂教學(xué)進(jìn)行管理，并進(jìn)行有必要的師生互動(dòng)，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(gè)學(xué)生端和一個(gè)教師端，每個(gè)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(duì)傳統(tǒng)網(wǎng)絡(luò)教學(xué)系統(tǒng)，增加了人臉檢測(cè)接口、人臉檢測(cè)界面和人臉檢測(cè)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(cè)接口，提取人臉特征，送到人臉檢測(cè)模塊，檢測(cè)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(qiáng)和學(xué)生的溝通，從而使學(xué)習(xí)者更加有效地利用遠(yuǎn)程教育資源，使遠(yuǎn)程教育的效益最大化。

人臉檢測(cè)可根據(jù)檢測(cè)對(duì)象分為靜態(tài)圖像的人臉檢測(cè)和動(dòng)態(tài)視頻的人臉檢測(cè)。前者計(jì)算簡(jiǎn)單，檢測(cè)速度快，而后者計(jì)算復(fù)雜，檢測(cè)精度高，檢測(cè)速度慢。動(dòng)態(tài)視頻的人臉檢測(cè)不符合遠(yuǎn)程教育的實(shí)時(shí)性要求。因此，本文選擇基于靜態(tài)圖像的人臉檢測(cè)，對(duì)獲取的學(xué)生視頻接口進(jìn)行人臉關(guān)鍵幀檢測(cè)，然后進(jìn)行人臉檢測(cè)，檢測(cè)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(huì)造成采集的圖像不是規(guī)整的，并且采集過程也會(huì)隨著光照的變化使所采集的圖像明暗程度不同和對(duì)比度不強(qiáng)的問題。為了解決這些問題，在人臉特征提取前對(duì)采集圖像進(jìn)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(jìn)行尺寸歸一化和灰度歸一化。

人臉特征提?。壕匦翁卣鲗?duì)一些簡(jiǎn)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(cè)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(qiáng)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(dòng)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(gè)強(qiáng)分類器。理論研究證明，只要每個(gè)弱分類器的分類錯(cuò)誤率稍低于50%，當(dāng)弱分類器的個(gè)數(shù)趨向于無窮時(shí)，強(qiáng)分類器的錯(cuò)誤率將趨向于0。

4 結(jié)語(yǔ)

本文將人臉檢測(cè)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(shí)時(shí)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(bǔ)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(cè)是一個(gè)富有挑戰(zhàn)性的課題。受到人臉非剛性特點(diǎn)、組成部件的有無、人臉姿勢(shì)、遮擋、成像條件等的限制。雖然目前國(guó)內(nèi)外有許多研究者在研究人臉檢測(cè)課題，但是還沒有完美的算法來進(jìn)行人臉檢測(cè)。本文提出的模型只是將人臉檢測(cè)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(duì)基于人臉檢測(cè)的網(wǎng)絡(luò)教學(xué)系統(tǒng)的進(jìn)一步研究，還需要進(jìn)一步對(duì)人臉檢測(cè)算法進(jìn)行完善，提高人臉檢測(cè)算法的檢測(cè)率和檢測(cè)效率，提高教師管理的準(zhǔn)確性，更好地彌補(bǔ)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(xiàn)]

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

[2]趙美名.人臉識(shí)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.