幼教大数据综合系统设计研究

导语：幼教大数据综合系统设计研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

当今社会，人脸识别技术日趋完善且臻于完善，愈来愈受到人们的普遍关注。人脸识别技术最大的优点是可以有效防止个人信息的泄漏，很好地保护了个人隐私。并且，人脸识别技术能够实现不用接触任何东西来进行识别，对于在当今疫情下的防控也是大有裨益。因此，将其引入幼教体系中来具有较高的使用价值。

1.基于人脸识别的大数据综合系统设计

从图1中不难发现，该系统主要分为人脸识别部分及数据挖掘部分。其中人脸识别部分主要需要完成对人脸图像的获取、检测、处理及匹配分析。通过该过程可以得到何时、何人出现在目标区域。数据挖掘部分则主要针对人脸识别输出的数据与数据库内的已有信息进行匹配分析进而获得更进一步的应用情景。获取人脸图像：在获取人脸图像的时候，可以用摄像头摄取，也可以是直接给定要识别的图像。在本设计中，是使用人脸库中直接给定要识别的图像。这可以为以后的识别提供可实用性的资料。定位检测人脸：对图像进行扫描，可以扫描出图像中是否出现人脸，若成功识别出人脸，接下来便会对人脸进行定位，然后进行下一步骤的处理图像的预处理：在检测并且定位到人脸后，接下来就需要进行一定的处理过程。这个处理过程便是图像的预处理。图像（1）图像灰度变换图像的灰度变换，指为达到一定目的，需要改变原图像中的像素灰度值的方法。其目的是为了改善画质，让得到的图像更加清楚。图像的灰度变换处理是图像增强处理技术中的一种非常基础、直接的空间域图像处理方法。最司空见惯的便是使用rgb2gray（）函数来转换RGB图像为灰度图像。程序如下：i=imread（‘*.JPG’）；j=rgb2gray（i）；imshow（j）；imwrite（j，’*.tif’）（2）图像增强图像增强是指提高图像的美观性，提高图像的清晰度和技术的适应性，促进人机之间的分析和处理。例如：去除噪声等。图像灰度变换的实现方式，直方图均衡化是比较常见的一类，因此可以使用histeq（）函数和imhisr（）函数来计算和显示图像的直方图。在Matlab环境中，滤波都是使用不同的滤波算子来实现的。通过fspecial函数创建滤波算子，然后用imfilter（）函数对图像进行滤波。（3）尺寸归一化在MATLAB语言环境中，归一化是指要把所用的数据用某种算法，达到所需要的目的。尺寸归一化，减轻了后续数据处理的繁重，提高了程序代码的运行速度。在MATLAB图像处理过程中，想要把图像调整到相同大小，就需要用到resize（）函数。人脸识别，是在输入的图像中进行检测，若检测到人脸，则对人脸进行人脸特征的分析对照，以此来完成人脸特征的提取。然后，与库中的已知人脸进行比对，识别出个人信息的一项计算机技术。毋庸置疑，人脸识别是在近年来，相比而言，较能得到大众认同的一项技术。人脸识别的实现算法在国内外有很多种，例如：基于模板匹配的方法、基于奇异值特征的方法、子空间分析法、主成分分析法等，在本设计中，选取了主成分分析法PCA算法对人脸信息进行识别并与数据库进行匹配，从而获得较好的识别效果，在具体实现层面上需要完成如下步骤。

2. 人脸识别的大数据系统实现

2.2.1人脸检测人脸检测可以说是人脸识别系统的起点。虽说是第一步，却有着举足轻重的位置，直接影响着整个系统能否顺利进行。在人脸识别领域，经过近几年的研究，人脸检测的方法也是不计其数，方法难易程度参差不齐。经过科学家的细致比较，得出较常用的几种方法有：模板匹配法、特征空间法、人脸规则法和肤色模型法等。总而言之，人脸检测，就是为了检测在一张静态图像中是否出现人脸，若是出现人脸，便会顺利进行下一步骤。2.2.2图像预处理根据上述人脸检测的结果，接下来便需要对人脸提取出人脸特征。在获取人脸原始数据时，由于各种干扰条件和限制，系统必须进行一定的图像预处理。正是因为有外界因素的一些干扰，所以需要图像预处理来以此消除因为图像所带来的一系列干扰信息，并且对图像原来的数据特征继续保持。在识别中，采用的图像预处理方法有以下几种，比如：去噪、图像平滑、锐化、尺寸归一化等。有了图像预处理，就能更好地体现图像自身具有的一系列特征。例如，除噪。与此同时，利用了图像二值化的功能，它大大减少了计算工作量，便于提取特征值，提高了工作效率，因为所选样本中各人本身的脸部肤色都差不多，并且与背景颜色有比较大的差距。所以为了把人脸颜色与背景颜色区分开，这样方便更好精确地识别人脸。因此人脸图像的识别是有必要进行图像的二值化，即将原图像转换为黑白两个灰度级别的图像。对于人的面部识别的特征非常多，颜色特征便是其中一种。因为肤色在YCbCr空间受外部客观因素的影响较小，所以，在本设计中，选择使用YCbCr空间中的Cb和Cr分量建立二值肤色统计图像。肤色具有类聚特性，而在YCbCr的色彩空间下，肤色类聚性能优良，所以选用人工阈值法将肤色与非肤色区域区分开来，形成二值图像。非肤色区域中依然有可能有部分区域颜色与肤色相近，所以阈值分割后的图像依然存有部分“假肤色”区域，经过形态学处理和限制长宽比之后，可得到人脸区域。在确定人脸区域后，与身份库中的人脸进行比较，识别出来，则做出矩形框标记人脸区域。上述提到形态学处理，在本设计中，利用到的形态学处理有：腐蚀和膨胀操作。即使用strel（）函数和imerode（）函数进行以上操作，腐蚀可以使图像区域变小，膨胀使图像区域扩大。2.2.3人脸筛选与标记由于可能会存在“假人脸”的问题，即类肤色区域，所以需要进行后续处理。首先，对预处理后的图像，对连通域区间进行标记，即标记出连通区域。接下来，筛选掉尺寸比例不合格的区域。2.2.4基于PCA的人脸识别算法利用PCA对数据进行降维。它通过线性变换把原来的数据转换成一组各维度线性无关的数据，也就是可以用于提取数据的一类特征分量，从众多特征中提取出主要成分，在不损失模型质量的前提下提高模型的训练速度，有效降低了人脸识别的难度，改良了人脸识别的漏洞。即使训练样本较大时，PCA的人脸识别算法也拥有更好的多变性。PCA实际上是一个投影矩阵，它可以将数据特征从高维变为低维。将原有的坐标系高维特征数据乘以此投影矩阵，就可以得到新的坐标系低维特征数据，从而降低维数。

3.系统应用及可能拓展

在完成了识别底层代码设计的基础上，需要将人脸识别的数据整合到大数据系统中去。从具体的数据结构中不难发现人脸识别所能够提供的数据类型及形式主要为“谁”和“何时”出现在特定的区域，如果不经过进一步的深度挖掘，该数据不具备大数据特征，其应用价值也将受到严重的局限。从这一角度出发，在实现人脸识别的大数据体系建设后，在幼教系统中至少具有如下几方面功能：（1）能够完成教师及学生的考勤。该功能属于人脸识别的基础性应用，可以直接输出何人在何时出现在何地。通过对这一信息的汇总可以对教师及学生考勤情况进行分析。如教师何时入园，学生入园的总数，哪个学生并没有入园等。以周或月为考勤周期向学校及家长提供教师及学生的考勤情况，有助于学校强化教师管理，也有助于学校及家长对于学生的入园学习情况进行动态掌握。（2）能够完成学生学习轨迹的跟踪与分析。在不同的授课环节中引入人脸识别的大数据系统有助于形成学生的学习轨迹，如何时进入教师开展特定课程的学习。在大数据应用过程中以具体的学生为评价单元合集能够清晰地描绘出该学生在幼儿园中的全部行为轨迹，有助于家长实时了解学生的动态。（3）能够对学生的学习行为进行评估。通过人脸识别技术能够形成对教室内学生进行全程跟踪与标注，并通过场景对比的方式对学生的学习行为进行评估。如在幼小衔接过程中，教师重点对学生的课堂纪律要求进行教学，在此教学过程中如果学生离开座位的次数明显高于班级平均值则可以认定学生的课堂纪律较差；如果学生频繁出现起立、交头接耳等情况也可以认定其课堂纪律较差。系统将这一分析结果汇总到课堂教师手中有助于其有重点的规划后续的教学内容，并重点关注该学生对其行为进行及时纠正。（4）对学生离校安全进行辅助。幼儿出园需要由家长进行接送，尤其是出园阶段中容易产生“错接”等风险，让不法分子有机可乘。在基于人脸识别的大数据系统应用中，系统可以预先对学生家长信息进行人脸采集，通过动态分析的方式对应学生与家长之间的关系。如果出现接送家长人脸识别不通过的情况则可以实时发出预警，并传送到教师或安保人员的终端上，由教师及安保人员进行现场确认后才予以放行。一方面能够有效地降低现场工作人员的工作强度，提高准确性；另一方面还能够避免类似的风险发生，保证将每一名学生安全的交到家长手中，杜绝不法分子利用接送时混乱现场进行行为的可能。除了上述的四方面基本应用之外，通过大数据系统将人脸识别技术对接到更为庞大与立体的数据体系中去还能够获得更为深入的数据挖掘效果。如通过对接送家长的频次进行深度对应挖掘可以评价学生所在家庭的家庭关系，进一步对学生的家庭教育水平进行评估。如父母接送为主要行为方式则可以认为父母对于学生的家庭教育较为重视，反之如果是隔辈亲属为主（爷爷，姥姥等）则可以判断学生父母对于日常照顾及家庭教育时间较为紧张。从这一思路进行延伸可以进一步探索基于人脸识别的大数据系统在幼教过程中的积极作用，为数字化幼教体系贡献出应有力量。

4.总结

幼教阶段需要提高对幼儿学生的保护，利用人脸识别对其进行考勤及行为轨迹的分析有助于落实幼教体系中的各项基本要求。在此基础上，本文探讨了人脸识别大数据系统的构建要求与实现方式并重点探讨了其在幼教系统中的可能应用模式与贡献，希望为后续建设提供必要参考。

作者：费弘 单位：澳门科技大学