论文总字数：31255字

摘 要

随着视频监控系统和GPU设备的发展，人脸检测技术愈发成熟。为了更好的评估教学质量，使用人脸检测技术识别教室内人脸并计算抬头率是一种行之有效的技术手段。

本文在TensorFlow框架下，更改了YOLO-v3网络使其能够进行人脸检测。使用原网络在COCO数据集上的预训练参数darknet_weights作为初始参数，该初始参数能够使得网络更容易区分物体和背景。再通过在WiderFace数据集上进行人脸检测和框选的训练，最终在FDDB数据集上测试得到了90%的人脸检测准确率。

为计算抬头率，利用人抬头低头时头发面积大小的变化，计算头发与人脸区域的比例。通过课堂开始时拍下的学生抬头照片，以此作为基准就能实现对于低头抬头的较为准确的判断。最后，计算抬头人数，总人数和抬头率。

本文通过利用YOLO网络对课堂上的人脸进行检测，实现了课堂上抬头率的统计，为构建智慧课堂质量评估平台奠定了一定基础，对促进教学质量提升具有积极意义。

关键词：人脸检测 TensorFlow YOLO 抬头率

Face detection and head up rate statistics for smart classroom

Abstract

With the development of video monitoring system and GPU equipment, face detection technology is becoming more and more mature. In order to better evaluate the teaching quality, face detection technology is an effective method to recognize the face in the classroom and calculate the head up rate.

In this paper, under the frame of tensor flow, we change the YOLO-v3 network to make it possible to detect faces. The pre training parameters of the original network on the coco dataset, Darknet_Weights is the initial parameter, which makes it easier to distinguish objects from backgrounds. Then through the training of face detection and frame selection on WiderFace training set, 90% of the face detection accuracy is obtained.

In order to calculate the head up rate, the ratio of hair to face area is calculated by using the change of hair area when people look up and down. The student's head photos taken at the beginning of the class can be used as a benchmark to achieve a more accurate judgement of the head raising. Finally, we calculate the number of heads, the total number of heads and the head up rate.

In general, this paper uses the YOLO network to realize the face detection and the calculation of the head up rate in the smart classroom, which provides some new ideas for the quality evaluation of the smart classroom.

Key words: face detection；TensorFlow ；YOLO； head up rate

目 录

摘 要 I

Abstract II

目 录 1

第一章 绪论 3

1.1研究背景和意义 3

1.2社会经济约束条件 3

1.3国内外研究现状 4

1.3.1人脸检测技术 4

1.3.2头部姿态估计 6

1.4研究内容及论文组织结构 6

1.4.1 研究内容 6

1.4.2 论文的组织结构 7

第二章 相关理论基础 9

2.1深度学习理论基础 9

2.1.1多层感知器 9

2.1.2激活函数 10

2.1.3反向传播 12

2.2卷积神经网络的结构 14

2.2.1卷积神经网络结构实例 14

2.2.3池化层 16

2.2.4全连接层 17

2.3深度学习TensorFlow框架 17

第三章 基于YOLO-v3的人脸检测算法的实现与评价 19

3.1 YOLO系列算法介绍 19

3.1.1 YOLO-v1 19

3.1.2 YOLO-v2 20

3.1.3 YOLO-v3 21

3.2学生人脸位置的提取 22

3.2.1WiderFace数据集的介绍与使用 22

3.2.2FDDB数据集的介绍与使用 23

3.2.3利用YOLO-v3检测人脸并提取位置 23

3.3系统软硬件环境 24

3.4人脸检测系统运行结果评价 25

第四章 低头抬头状态与抬头率 29

4.1课堂抬头率现状 29

4.2低头抬头状态的判断 29

4.2 抬头率的计算 32

第五章 总结与展望 33

5.1工作总结 33

5.2不足与工作展望 34

参考文献 35

附 录 37

致 谢 49

第一章 绪论

1.1研究背景和意义

国内的课堂教育情况不佳，直观的反映便是学生上课的抬头率不高。要改善国内教育状况，除了依靠学校的规章制度和同学们的自觉外，更好的技术和设备也十分重要。互联网的发展促进了智慧课堂的出现。但当前对于智慧课堂的研究，多围绕着手机、平板电脑以及个人电脑，来实现教师与学生的高效率信息交流，却没有充分利用教室内安装的监控设备。

衡量课堂质量的一个最基础也最容易观测的指标就是上课时学生们的抬头率。抬头率直观的反映出学生们当前注意力集中在黑板和老师上的情况。如果能打造一套数字化的设备，能够自动统计课堂整体抬头率甚至是每个学生当堂课的个人抬头率，那么无疑对学校关于课堂质量的评估有着莫大的帮助。

请支付后下载全文，论文总字数：31255字