【摘要】：例如图16.7中最后一行和倒数第二行中的人脸编号就发生了“错位”。对于图16.6中的小班教学场景，人脸比较稀疏，并且，我们假设学生在上课过程中不发生大范围移动，因此，基于人脸框图中心点位置的人脸编号匹配方式是稳定的。由于人脸在教室大范围内的目标较小，我们可以将每位学生的面部图片进行归一化处理，例如统一设置为300×300的图像，如图16.7所示。
我们可以将图16.6的框中人的脸提取出来，效果如图16.7(a)所示，其中“行标”为时间序列，“列标”为学生编号。对于每一个学生，都会形成一个序列，然后，我们请教育专家和小学老师判断人脸所对应的上课专注度，对人脸序列中的每一个人脸进行打分（归一化为0到1之间的数），从而得到样本序列。(www.xing528.com)
需要指出的是，YOLO对每一帧图像的人脸检测结果，其编号不能保障是匹配的，第k帧中编号为m的人脸，可能对应于第k+1帧中编号为n的人脸。例如图16.7(a)中最后一行和倒数第二行中的人脸编号就发生了“错位”。因此，得到某一帧中的人脸框图之后，需要根据人脸框图（的中心点）在图像中的位置，与前一帧中的人脸框图编号进行匹配。对于图16.6中的小班教学场景，人脸比较稀疏，并且，我们假设学生在上课过程中不发生大范围移动，因此，基于人脸框图中心点位置的人脸编号匹配方式是稳定的。于是，我们收集到的关于教学课堂学生人脸的数据包括两部分内容：1)人脸数据集：以每一帧检测出的结果作为一个子集，进行存储和索引；2)人脸编号链表：对每一个同学的人脸生成一个编号序列，也就是说，每一帧中哪个编号的人脸对应于这个同学。由于人脸在教室大范围内的目标较小，我们可以将每位学生的面部图片进行归一化处理，例如统一设置为300×300的图像，如图16.7(b)所示。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
