[发明专利]一种基于深度学习的学生打卡及上课状态的检测系统

说明书

一种基于深度学习的学生打卡及上课状态的检测系统，涉及深度学习技术应用领域。本发明为了实时准确地检测学生的打卡情况及上课状态，进而提供了一种基于深度学习的学生打卡及上课状态的检测系统。本发明所述检测系统包括数据采集子系统、检测子系统和存储及可视化子系统，首先利用人脸检测网络在图片或视频中找到人脸的位置，再分别进行人脸识别、疲劳检测和表情识别，确定学生身份和上课状态。最后还将数据进行输出，方便老师、家长实时掌握学生的情况并给予相应的指导，提高教学质量。本发明能实时地、同时地检测学生的身份、表情以判断其上课状态，具有网络结构精简、计算量低、检测系统的准确性较高的优点。

技术领域

本发明涉及一种学生打卡及上课状态的检测系统，涉及深度学习技术应用领域。

背景技术

近年来，针对初高中甚至大学课堂教学质量问题，国内外专家提出了很多监测、评估学生上课状态、学习质量的方式、性能指标等[1-2]，但这些方法，太多的依赖了人工检测的手段，而且不能做到实时检测、实时反馈，无法对学生的行为及时纠正。随着计算机技术的高速发展，特别是图像识别、计算机视觉等领域的进步，基于图像的人脸识别技术已经成为深度学习领域的热点课题。近年来，为了高速、准确地识别人脸和表情，国内外学者对此进行了大量的研究，并取得了丰硕的成果。比较早期的人脸识别大多是通过人脸结构分布的特征来得到较低维度的表征，A.Pentland等人的文章中提出了模块化本征脸方法[3]，B.Takacs等人提出了双边特征方法[4]等，然而这些理论、方法都无法处理因为环境、年龄甚至是特定表情状态下的人脸变化。21世纪以来，人脸识别方法开始使用局部特征，C.Liu等人提出了Gabor特征[5]，T.Ahonen等人提出了LBP特征[6]，这些局部特征过滤的方式，在一些不变性要求上获得了更好的鲁棒性，但是，人工选取的特征缺少特异性和紧凑性。这些比较早期的机器学习算法很难满足日益提高的人脸识别精度要求。2014年，DeepFace[7]和DeepID[8]凭借它们在LFW[9]数据集上的良好表现，首次在无场景约束的情况下超越了人类，让深度学习人脸识别进入了研究者的视野。但是这些算法的复杂度都非常高，导致其计算速度都比较慢。为了达到实时地人脸识别，必须要降低网络的复杂度。

表情识别是建立在人脸识别的基础上的一个研究方向，所以无论是它的发展速度还是网络的识别效果都略逊于人脸识别技术。Lin等人基于CSO鸡群算法和SVM分类进行表情识别[10]，在实际检测过程中，对实际表情的识别度并不高。Jeon等人用HOG特征进行人脸检测，用卷积神经网络进行特征提取，用SVM进行分类的方法[11]取得了一定的成效。但是这些方法在人脸检测的成功率和表情识别准确率方面都比较低。

因此，为了能实时地、同时地检测学生的身份、表情以判断其上课状态，既要保证网络结构精简以降低计算量，又要保证检测系统的准确性。现有技术没有人提出利用深度学习的对学生打卡及上课状态进行监测。

发明内容

本发明为了实时准确地检测学生的打卡情况及上课状态，进而提供了一种基于深度学习的学生打卡及上课状态的检测系统。

本发明解决上述技术问题采用的技术方案为：

一种基于深度学习的学生打卡及上课状态的检测系统，所述检测系统包括数据采集子系统、检测子系统和存储及可视化子系统，

数据采集子系统由定时相机、网络摄像头和本地摄像头中一种或二种以上组合而成，数据采集子系统用于采集学生上课时的照片或视频，并将照片或视频处理后传输给检测子系统；