FaceNet算法在考场学生身份检测与识别中的应用研究

　　时间：5月31日(周五)

　　地点：教13(302)

　　参与人员：21计科本6班;21智能本1班

　　专家简介：

　　李苗，女，工程硕士，副教授，主持、参与省校级科研项目十余项，在国内、外期刊发表教科研论文十余篇。主讲《IT职业道德修养》、《办公自动化》、《大学生职业规划》等课程，长期指导学生参加创新创业类比赛，近3年指导学生参加各类创新创业比赛获省级以上奖项达百项。个人多次获评国家级、省级优秀指导教师、安徽省高校辅导员年度人物、双能型教师、师德标兵、优秀共产党员等。

　　内容概要：

　　现如今考场学生身份验证技术大多数采用身份证以及准考证等，在考场入口处进行监考教师人工验证的方式进行身份验证。单靠人工辨别的方式很难在短时间内完成大量考生的对比判别，也很容易会出现错判、漏判或其他人为因素的干扰。随着深度学习的快速发展，考生身份识别有着广阔的应用前景，身份检测识别能够确保每位考生的身份真实性，防止考试作弊和代考现象的发生，提高考试的公平性和准确性。

　　本研究第一步利用了考生图像检测模型MTCNN(Multi-Task Convolutional Neural Network，多任务卷积神经网络)和RetinaFace来进行多人人脸的检测，实验表明，RetinaFace在准确性上更胜一筹。

　　接着第二步使用数据增强，不仅可以丰富数据集的同时极大地提升训练速度，而且可以降低模型的内存需求，同时本文采用FaceNet模型来学习人脸图像的特征，FaceNet将人脸图像映射到欧氏空间，通过空间距离来衡量人脸的相似度。研究内容主要包括FaceNet模型的改进、数据集的收集与标注、模型训练与测试，以及在实际考场环境中的应用与评估。研究表明，该算法在一定程度上提升了考场考生的识别率，能够较好地对考生进行检测。