[发明专利]基于深度学习网络的课堂听课者抬头率检测方法

摘要

一种基于深度学习网络的课堂听课者抬头率检测方法，其步骤为：1、生成训练集、验证集和测试集；2、构建深度学习网络；3、训练深度学习网络；4、检测人脸的得分值及位置信息；5、设置检测状态；6、获得课堂抬头率。本发明通过搭建两个分支的深度学习网络，保证了深度学习网络对多尺度的人脸的检测，利用随机梯度下降方法对深度学习网络在大数据集上进行训练，保证了深度学习网络对人脸检测的鲁棒性，并且使得训练能够在较短时间内完成，然后利用设置检测状态的方法，有效地区分了抬头和低头两种状态，同时，本发明对课堂听课者抬头率的检测具有很好的实时性，能够对实时视频流进行检测。

主权项

1.一种基于深度学习网络的课堂听课者抬头率检测方法，其特征在于，训练构建的深度学习网络，设置检测状态，实时检测课堂抬头率，该方法的步骤包括如下：(1)生成训练集、验证集和测试集：采集每张图片均拥有所有人脸的位置信息的至少3万张图片，将所采集的图片组成深度学习数据集，从深度学习数据集中随机提取40％的图片组成训练集，随机提取10％的图片组成验证集，剩余的50％图片组成测试集；(2)构建深度学习网络：(2a)搭建一个由主网络和子网络级联组成的深度学习网络；所述主网络的结构依次为：第一卷积层→第二卷积层→第一池化层→第三卷积层→第四卷积层→第二池化层→第五卷积层→第六卷积层→第七卷积层→第三池化层→第八卷积层→第九卷积层→第十卷积层；所述子网络由分支1和分支2并联组成，分支1的结构依次为：第一卷积层→第二卷积层→第三卷积层→第四卷积层→输出层；分支2的结构依次为：降维层→第一卷积层→第二卷积层→输出层；(2b)设置深度学习网络参数；(3)训练深度学习网络：将训练集的样本输入到深度学习网络中，采用随机梯度下降方法，对深度学习网络参数进行迭代更新，得到训练好的深度学习网络；(4)检测人脸的得分值及位置信息：将待监控教室中的摄像头采集到的课堂图片，实时输入到训练好的深度学习网络中，输出每张图片中所有检测到的人脸的得分值及其位置信息；(5)设置检测状态：将检测到的大于0.15的人脸分值标注为抬头状态，将检测到的人脸分值小于0.15的人脸标注为低头状态；(6)获得课堂抬头率：用抬头状态的人脸总数除以检测到的所有人脸总数，将其商值作为课堂抬头率。