基于InsightFace的改进教室人脸识别算法及其应用

针对教室场景小人脸识别准确率低的问题,基于InsightFace算法,结合MobileFaceNet结构和DenseNet结构,提出一种将通道相加和通道级联结合起来的Dual-MobileFaceNet轻量级网络结构,提高了识别速度和小人脸识别准确率。同时,提出一种双重分类算法,进一步改善了InsightFace算法的识别分类能力,在LFW数据集上准确率达99.46%。最后将所提算法移植在Jetson TX2嵌入式开发板上,在8人、18人教室场景下识别准确率分别达96.24%、94.68%,每帧识别速度分别约为0.14 s、0.29 s。相比其他大型网络,所提网络更具实时性和有效性。所提算法为教室人脸识别、无感知考勤系统提供了有效思路。

基于神经网络的学生行为检测算法研究

关于行为检测的算法有很多,但针对教室场景下的学生行为检测算法却略显缺乏。为了使学生行为检测算法具有较好的准确率和实时性,在MTCNN的基础上改进了网络结构,并提出了一种新的激活函数和损失函数以检测学生图像和关键点。同时,提出了通过图像分类网络和关键点分类网络对学生行为进行联合分类的策略。实验结果表明,所提出的改进措施均有效提升了学生行为检测的准确率,最终模型的检测准确率为78.6%。在嵌入式开发板Jetson TX2上,所提算法的实时检测准确率和速度优于YOLOv3和SSD等算法。