毕业论文课题相关文献综述
文 献 综 述一、选题背景 传统教学评价大都依靠教师自己完成，但是教师自己注意力有限，无法顾及每位学生上课的情况，不能有效关注到每位学生的学习状态，从而影响教学质量；传统课堂学习评价反馈存在较大延迟，评价尺度过于依赖老师对学生的主观认识，存在较大不足和缺陷。
对学生的学习效果进行评价教学过程管理的一种有效方式，可根据评价结果对教学组织、教学方式等进行有目地的改进，进而提高教学质量，因此需要推进学生学习效果评价管理的智能化，对课堂中每位同学上课表情进行分析，帮助教师及时发现上课中存在的问题。
人脸识别是计算机视觉的一个研究热点，现在的研究除了对精度要求外，还需要评估算法的速度和模型大小，以此来增加在实际工程中的价值。
现在人脸识别已经广泛的应用到我们的生活中，例如火车站的检票系统，支付宝刷脸系统，还有监控安防中对嫌疑人的追踪等等，这些人流大，环境复杂的场景对算法的精度和速度都有着很大的考验，传统算法使用人工提取特征，精度低，现在基本都采用深度学习的方法进行检测，本课题是在教室场景的应用，学生不会主动看向监控摄像头，因此识别出的人脸会有着不同的姿态，同时在大教室情况下，由于摄像头分辨率有限，最后几排的人脸较小，检测出来也有着不小的困难。
因此研究基于深度学习的人脸识别算法，实现对教室内学生人脸的有效识别，进而开发并优化学生课堂学习评估管理系统是十分有必要且有价值的。
二、研究现状人脸识别是对图像中的人脸进行身份识别，所以人脸识别一般包括三个步骤：人脸检测、人脸对齐、人脸识别，现在不少算法都将人脸检测和人脸对齐整合到一起，下面分别介绍人脸检测和人脸识别的研究现状。
2.1 人脸检测研究现状人脸检测属于目标检测领域，是个二分类加边框回归任务，通过算法得到图片中的人脸坐标位置，通常是一个矩形框。
在一些复杂场景下，光照、角度、遮挡、图像的分辨率都会影响检测精度。
2001年，V-J分类器被提出，他将目标检测中harr-like引入到人脸检测中，并加入Adaboost法；2006年HOG SVM虽然用于行人检测，但对人脸检测也有重大意义；2010年DPM算法就是在HOG SVM做了改进，得到2008-2009年三年目标检测冠军；2012年，卷积神经网络用于目标检测中，人脸检测也因此获得巨大发展，下面主要论述基于深度学习的人脸检测方法。
2015年俄罗斯托木斯克理工大学提出Cascade CNN网络，该网络速度快，参数少。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
