基于CNN人脸识别模型的大学生课堂行为分析研究.docxVIP

基于CNN人脸识别模型的大学生课堂行为分析研究 　　摘要：本文提出一种基于卷积神经网络CNN人脸识别模型，并将该模型应用于高职院校学生课堂行为分析。实验证明，使用卷积神经网络深度学习框架提取人脸深度特征，构建深度学习人脸识别模型，完成人脸识别，相比传统的人工设计的人脸特征提取，大大提高人脸识别的准确率。学生课堂行为识别算法可以正确判断学生的课堂行为，为课堂教学评价提供依据，实现更有效地教学，切实提高教学质量。 　　关键词：卷积神经网络：人脸识别模型：课堂行为分析　　0 引言　　国务院国家职业教育改革实施方案（国发[2019]4号）提出促进职业院校加强专业建设、深化课程改革、提高师资水平，全面提升教育教学质量及人才培养质量。通过对国内外课堂行为相关研究的学术史梳理。以及国内外主流数据库文献相关研究动态得知，国内关于高等教育领域的学生课堂行为研究很少。基础教育课堂行为研究主要采用主观报告和定性分析等研究方式，已有研究不适应于复杂的高等教育领域的学生课堂行为研究。本文将人工智能与教育教学研究相结合。对高职学生课堂行为进行客观量化分析，更好地服务于教育学领域。　　本文设计基于CNN人脸识别的课堂行为分析算法，用于研究学生课堂专注行为与教学质量的关系，为课堂教学评价提供依据，实现有针对性的教学。　　1 课堂行为研究现状　　课堂行为是在课堂情境中的社会行为。它是课堂专注度的外在体现。学生的课堂行为反映学生的学习状态和学习效率。与课堂教学质量密切相关。　　目前课堂行为研究层次主要集中在基础教育、中等职业教育和基础研究（社会科学）方面。从现有的相关文献得知，國内集中在教师行为和师生互动行为的研究上，而对学生课堂行为的研究相对较少。研究最多的是关于学生课堂问题行为、学生课堂行为分类和学习行为的影响因素三个方面。在国际文献总库Wiley数据库中的相关文献得知，国外学生课堂行为研究领域主要是高等教育，研究主要集中在2005年到2010年之间。我国关于学生课堂专注度的研究是最近10年才兴起，每年成递增的趋势。在这些文献中关于学生课堂专注度本身的研究比较少，大多集中在调查和提高学生课堂专注度的方法和策略。　　因此，基于CNN人脸识别客观评测课堂教学质量在实际应用中具有广泛的前景，在理论研究中也具有较大的研究价值。　　2 基于CNN人脸识别模型的课堂行为分析　　2.1 卷积神经网络CNN　　本文提出基于卷积神经网络（CNN）的人脸识别算法，使用CNN模型从大规模的图像数据库中离线学习一般化的图像特征，构造深度特征提取器，用于提取人脸特征，卷积层的局部连接和权值共享，并且可以将自动提取特征和分类功能融合在一个网络中，构建有监督的高效的深度学习模型，完成人脸识别任务。　　卷积神经网络CNN主要用于图像识别，由卷积层、池化层、全连接层等组成。CNN网络模型如图1所示。　　卷积神经网络中卷积层的权值共享减少了网络参数量，局部连接减少了网络的计算量。用Z表示图像元素，W表示卷积核权重，W。表示卷积核偏置项，y表示特征图像元素，f表示激活函数。卷积计算公式如（1）所示：　　2.2 基于CNN的人脸识别算法　　2.2.1 人脸识别网络结构　　卷积神经网络的人脸识别网络结构包括输入层、卷积层、池化层、全连接层、softmax分类器一共7层，网络结构如图2所示。　　2.2.2 人脸识别模型的训练与测试　　（1）将网络训练过程进行多次迭代，每次迭代包括多次训练，在前向传播中将CNN提取的特征归一化后作为Softmax的输入，对Softmax分类器进行训练。　　（2）将测试样本输入到已训练的网络中，通过Softmax分类器完成分类识别，根据测试样本标签与真实值对比，计算错误识别率，完成分类测试。　　2.2.3 人脸识别算法流程　　输入：课堂视频学生人脸图片　　输出：相似概率最高的类别及相似度概率　　（1）输入课堂视频学生人脸图片。　　（2）将学生人脸图片输入CNN人脸识别模型中，进行分类检测识别。　　（3）选取相似概率最大的类型进行输出，完成人脸识别。　　2.3 学生课堂行为分析算法实现　　使用CNN模型提取到目标人脸，对人脸面部特征进行检测，检测目标人物的眼睛。以人眼张开度来判断学生在课堂中专注学习的课堂行为，通过CNN模型检测学生在课堂中表现出的姿态、神情、动作等课堂行为，综合判断学生在课堂上是否认真听课。　　2.3.1 基本思路　　首先，随机从学生课堂视频中截取图像帧，并且对图片进行相应处理：　　然后，使用CNN模型离线学习图像特征，构造深度特征提取器提取人脸图像特征，构建有监督地深度学习模型，通过在线微调训练人脸图像完成人脸识别任务：　　最后，对目标人脸面部特征进行检测，检测分析目标人物的眼睛、鼻子、嘴