论文部分内容阅读
近年来,互联网、人工智能、大数据等技术的飞速发展,助力开启了教育信息化2.0时代,智慧教育也应运而生。目前,在线学习已经在远程教育、辅助课堂教学等方面得到了广泛的应用,为推动现代教育变革提供了有力保障。在线学习打破了传统教学过程中时间和空间的限制,为学习者提供了一种全新的学习形式。然而,与传统的教学形式相比,其缺点也不容忽视,教学者和学习者之间缺少互动,教学者无法感知学习者的学习状态与情绪,在线学习存在着较为严重的“情感缺失”现象。此外,在线学习过程中,如何对学习者身份进行有效验证,加强在线学习有效性监管也是一个急需解决的问题。目前,人脸识别技术在考勤、安保等领域已经取得了显著的成效,这为智慧在线教育提供了新的思路。针对在线学习目前存在的不足,本文从人脸识别和表情识别两大方面来辅助检测学习者的在线学习过程,为在线学习行为评估提供了新的视角和方式,对于学习者在线学习过程中的约束和监管提供有效的技术支撑。论文主要完成的工作包括:完成了人脸检测、人脸识别和表情识别的算法设计与实现。在人脸检测方面,基于MTCNN网络进行人脸检测以及关键点定位,并采用OpenCV仿射变换算法进行人脸对齐;在人脸识别方面,采用ResNet18残差网络作为人脸特征提取的主干网络,并结合InsightFace损失函数在CASIA-WebFace数据集上进行训练;在表情识别方面,针对人脸表情存在的类内表情差异性大、类间表情相似度高的问题,本文对表情识别算法进行了改进,重新设计了一种加权融合Center Loss和Softmax的表情识别算法,结合ResNet18网络在FER2013测试集上达到了73.447%的准确率,超过了单模型单任务下的其他算法。结合本文人脸检测、人脸识别和表情识别算法,构建了面向在线学习的面部信息深度感知模型,模型主要解决两个问题:通过人脸识别完成学习者身份验证,通过表情识别检测学习者学习情绪。该模型增强了在线学习的有效性监管,并在一定程度上解决了在线学习过程中的“情感缺失”问题。设计实现了一个基于B/S架构的在线学习辅助检测系统,将本文的面部信息深度感知模型应用到了在线学习过程中。该系统在实现传统的在线学习功能的基础上,通过摄像头定时捕捉学习者人脸图像,进行人脸检测、人脸识别和表情分析,并将结果可视化,当在线学习者出现较多异常行为和负面情绪时,系统及时给予提醒和干预。最后,对在线学习辅助检测系统进行了功能测试、非功能测试以及性能测试,测试结果表明,系统性能稳定,各功能运行正常,人脸识别和表情识别的准确率和速度均达到了预期目标。