[发明专利]基于深度学习网络的课堂听课者抬头率检测方法

权利要求书

1.一种基于深度学习网络的课堂听课者抬头率检测方法，其特征在于，训练构建的深度学习网络，设置检测状态，实时检测课堂抬头率，该方法的步骤包括如下：

(1)生成训练集、验证集和测试集：

采集每张图片均拥有所有人脸的位置信息的至少3万张图片，将所采集的图片组成深度学习数据集，从深度学习数据集中随机提取40％的图片组成训练集，随机提取10％的图片组成验证集，剩余的50％图片组成测试集；

(2)构建深度学习网络：

(2a)搭建一个由主网络和子网络级联组成的深度学习网络；

所述主网络的结构依次为：第一卷积层→第二卷积层→第一池化层→第三卷积层→第四卷积层→第二池化层→第五卷积层→第六卷积层→第七卷积层→第三池化层→第八卷积层→第九卷积层→第十卷积层；

所述子网络由分支1和分支2并联组成，分支1的结构依次为：第一卷积层→第二卷积层→第三卷积层→第四卷积层→输出层；分支2的结构依次为：降维层→第一卷积层→第二卷积层→输出层；

(2b)设置深度学习网络参数；

(3)训练深度学习网络：

将训练集的样本输入到深度学习网络中，采用随机梯度下降方法，对深度学习网络参数进行迭代更新，得到训练好的深度学习网络；

(4)检测人脸的得分值及位置信息：

将待监控教室中的摄像头采集到的课堂图片，实时输入到训练好的深度学习网络中，输出每张图片中所有检测到的人脸的得分值及其位置信息；

(5)设置检测状态：

将检测到的大于0.15的人脸分值标注为抬头状态，将检测到的人脸分值小于0.15的人脸标注为低头状态；

(6)获得课堂抬头率：

用抬头状态的人脸总数除以检测到的所有人脸总数，将其商值作为课堂抬头率。

2.根据权利要求1所述的基于深度学习网络的课堂听课者抬头率检测方法，其特征在于，步骤(2b)中所述设置的深度学习网络参数如下：将主网络中的第一至第十卷积层的所有卷积核大小均设置为3，步长为1，通道数分别为64,64,128,128,256,256,256,512,512,512；将子网络中分支1的第一至第四卷积层的卷积核大小均设置为3，步长为1，通道数为512，分支2的第一卷积层至第二卷积层的卷积核大小均设置为3，步长为1，通道数为128。

3.根据权利要求1所述的基于深度学习网络的课堂听课者抬头率检测方法，其特征在于，步骤(3)中所述梯度下降方法的步骤如下：

第一步，在[20000,21000]的范围，任意选取一个值作为深度学习网络的迭代次数，将深度学习网络中所有参数设置为均值0，方差1的随机数，学习速率设置为0.001；

第二步，从深度学习网络的训练集中随机选取4个样本；

第三步，将所选取的样本分别输入到深度学习网络中，输出每个样本人脸的得分值和位置信息；

第四步，利用下述损失函数计算公式，计算所有选取的样本损失值的平均值：

其中，l表示所选样本损失值的平均值，∑表示求和操作，i表示所选样本的序号，i＝1,2,3,4，f(x⁽ⁱ⁾；θ)表示深度学习网络的参数为θ时对样本x⁽ⁱ⁾的输出值，x⁽ⁱ⁾表示所选取的样本，θ表示当前更新前的深度学习网络参数值，y⁽ⁱ⁾表示每个样本对应的标签值；

第五步，按照下式，计算深度学习网络参数的更新值：

其中，θ₁表示深度学习网络参数更新后的值，表示所选样本损失值的平均值对深度学习网络参数的求导值，θ表示当前更新前的深度学习网络参数值；

第六步，判断是否达到设定的深度学习网络的迭代次数，若是，得到训练好的深度学习网络，否则，执行第二步。