一 课题研究背景与意义及现状 近几年来，随着人工智能的迅猛发展，互联网极大的方便了我们的生活，互联网 教育逐渐走到了我们身边。

其中智能助教系统近几年来发展迅速，功能日渐完备多样，无论是面向学校帮助老师教授课程的，还是面向体育帮助教练训练运动员的助教系统都越来越成熟，并随着人工智能的发展，变得越来越智能化，能更广范围的帮助使用者。

面对日趋火热的互联网 教育行业，越来越多的公司逐渐推出了属于自己的智能助教方案，如希沃智能助教就是视睿科技旗下的一款阅卷助教系统，它通过图像识别、云计算、人工智能等技术，实现答题卡自动生成、全卷自动批改等功能，并可以即时生成分析报表，既减轻了教学负担，又为教师进行教学分析提供了依据；麦克斯也在2016年就推出mita助教系统，它集签到、随堂测试和随机提问等基础功能于一体。

二 人脸识别技术 自上世纪60年代开始，科学家们便开始了人脸识别技术的研究，经过近60年的不断发展，时至今日，人脸识别技术已经接近成熟，并逐渐投入应用，逐渐渗透进我们的日常生活中，广泛应用于娱乐、智能卡、信息安全、执法监督等领域，如虚拟现实、证件核对、刷脸登录解锁支付、嫌疑人识别等就是其在各行各业的具体应用[1][2]。

人脸识别技术的发展依赖于图像处理、计算机视觉、模式识别以及神经网络等学科的发展[11]，它采用计算机提取人脸部图像中可用于区分辨别的信息来确定人脸身份，具体来说就是基于人脸图像的一些特征值的不同来区分人脸的，因为相较于像素识别系统而言，特征识别系统不仅运行速度更快，而且可以通过使用有限的训练资料就能得到同样的效果[12]。

人脸识别主要包括人脸图像的采集及检测、人脸图像的预处理、人脸图像特征的提取以及匹配与识别等流程，而人脸识别算法也各式各样[15]。

三 主要人脸识别算法简介 1. 基于几何特征的方法 基于几何特征的方法是最早期的人脸算法之一，其主要通过提取人脸图像脸部的主要器官如眼、口、鼻等重要器官的几何形状来进行人脸比对，识别过程中所采用的几何特征往往是以人脸器官形状和几何关系为基础的特征矢量，识别过程在本质上是特征矢量之间的匹配，通常包括人脸指定两点之间的欧氏距离、曲率、角度等[2][3]。

基于几何特征的方法难点在于对于提取的几何特征没有统一的认识，提取几何特征相对困难，且遮挡物如眼镜等，表情变化，姿势变化对其识别影响较大。

2. 神经网络人脸检测 首先神经网络的滤波器通过检测窗口的大小来确认输入图像是否存在，当检测窗口小于人脸时，会通过二次抽样减小输入图像的大小；然后会进行预处理，主要是纠正一些极端光照和通过直方图均衡化纠正不同相机的效果来提高对比度，经过一定量的训练样本处理使人脸标准化；接着合并重叠检测与裁定，通过设置阈值并确定阈值与重叠窗口关系来判定该位置是否为人脸，也可以采取随机设置多个神经网络来降低误判机率[11][12][14]。

神经网络人脸检测避免了复杂的特征提取，但由于其需要多张人脸图像进行训练，运算时间较长，所以相对而言适合于小型人脸库。