论文部分内容阅读
随着我国高等教育的发展、高校招生人数的增加,毕业生质量却逐年下降,高校教学质量越来越成为社会关注的焦点。各大高校为此提出各类教学质量评估方案,而其中学生听课质量无疑成为重要的衡量标准之一。但目前听课质量的评估基本是靠人为去完成,这不仅降低了评估效率,还造成了人力资源的浪费。因此为了解决当前听课质量评估存在的上述问题,本文提出了一种基于人脸检测和人数统计的听课质量评估系统,旨在为高校提供一套高效的听课质量评估解决方案。根据高校教室特定的环境,本文首先针对现有人脸检测技术存在的问题,创造性地提出了一种基于组合人脸局部特征的人脸检测算法(GFP-FD),该算法利用人脸局部特征之间存在的相对固定的位置关系,能够在遮挡严重的情况下正确地检测出人脸,因而大大提升了复杂环境下人脸检测的准确率。本文通过该人脸检测算法及人脸角度分类的结合,获得了学生听课率的检测值。为了进一步提升学生听课率评估的准确性,本文提出了基于人脸检测和人数统计技术的听课质量评估算法(GFP-CC),该算法利用基于深度学习的人数统计技术对人脸检测技术获得的听课率检测值进行校准,在极大程度上克服了人脸检测技术在听课质量评估上存在的局限性,提升了学生听课率评估的准确性。从实验结果来看,本文提出的人脸检测算法(GFP-FD)在人脸检测标准测试数据集FDDB、AFW以及PASCAL上均表现出优秀的性能,超越了大部分主流的人脸检测算法。其中在FDDB上GFP-FD达到了91.56%的召回率,而在PASCAL上GFP-FD达到了92.48%的准确率。而本文提出的听课质量评估算法(GFP-CC),通过人数统计技术的校准,在教室测试数据集上也达到了很高的准确性,其在数据集上的均方误差(MSE)仅为6.89%,远远超过了基于现有人脸检测技术的评估算法,因此也为现代评教系统解决了目前听课质量评估所存在的问题。