人脸表情识别技术已成为近年来模式识别和人工智能相关领域的研究热点问题之一。人脸表情在人类的内心情感世界中起着传递媒介的作用，通过人脸表情识别可以获得个体的各种即时情绪情感状态，从而使个体的学习过程充满各种即时性信息。如今，伴随着“互联网+教育”时代到来，人脸表情识别同样也可以应用于教育领域中，强大的人脸表情识别技术支持使得课堂教学和在线教学更加有序高效。人脸表情识别技术应用于课堂教学和在线教学中，教师可通过观察学生脸部表情变化及时了解学生的真实心理活动，进而能准确掌握学生对知识点的理解，并采取有效的手段来提高教学效果，使教学活动过程变得更加有趣和高效。
1 人脸表情识别的技术特征分析[1]
1.1 产生与发展
人类语言可划分为两大类：自然语言与形体语言，人脸表情是形体语言中的一部分，一般是由人的眼部肌肉、口部肌肉与脸部肌肉等通过运动而形成。表情往往是人的情感变化可通过面部而观察出的一种情绪表现，是人类情绪的一种客观外显行为。人脸表情识别广泛应用于社会情感分析、医疗诊断、安全驾驶、交通出行、商业宣传与刑事案件侦破等领域。人脸表情识别是在人脸表情的基础之上进行的，人脸表情识别的发展可大致分为4个阶段。第1阶段可追溯到20 世纪70 年代，研究人员根据人脸的五官特征来识别不相同的人脸，采用基于几何结构特征的算法和基于模板匹配的算法进行人脸识别。第2阶段，Belhumeur 等人在人脸识别的实践中加入Fisher准则，采用隐马尔可夫法和基于Fisher 的线性判别法进行人脸识别的研究。第3 阶段，人脸识别研究更加具有参考性和现实意义，Gabor 小波变换特征提取等算法的出现使得人脸识别的研究更加精准。第4阶段，大数据时代的到来，人脸识别的数据库不断壮大，CNN 卷积神经网络等算法的涌现不断地推动着人脸识别的发展。
1.2 技术特征
1.2.1 人脸表情识别的要素
在20 世纪70 年代中期，著名美国心理学家Ekman通过实验将人脸面部表情划分为6 类: 高兴(Happy)、悲伤(Sad)、害怕(Fear)、生气(Angry)、厌恶(Disgust)和惊讶(Surprise)[1]。人脸表情可传达人类的特定情感信息，比如高兴通常指听到好消息或者见到想见的人，一般会通过舒展眉头、眼存笑意与嘴角上扬来表达。基于此，人们不断的优化发展着人脸表情识别技术。在这个研究分析过程中，表情数据集是人脸表情识别研究中一个至关重要的环节。其中较为典型的有20 世纪90 年代Lyons等人建立的一个以日本女性为代表的表情数据集（JAFFE）。该数据集共收录日本女性的213张图像，其中包含10名日本女性在相同环境下做出的高兴、悲伤、中性、厌恶、愤怒、恐惧以及惊讶这7 种表情，每一种表情大约包含30张图像[2]。具体图像如图1所示。
图1 JAFFE表情数据集部分图像
1.2.2 人脸表情识别的过程
人脸表情识别过程可划分为3 步：图像化、特征提取与表情识别。图像化是面部表情分析的第一步，是对人脸进行图像的取得与预先处理，首先对图片或视频中的人脸进行定位获取，然后根据人的眼睛、鼻子和嘴巴等器官的特征来检测面部，最后将检测器检测到的面部图像进行预处理，即图像归一化处理。表情特征提取是表情分析过程中最为关键的一步，人脸图像包含大量信息，所以进行人脸面部表情识别时需提取出人脸五官特征、纹理特征等相关信息，人脸面部表情特征提取方法主要分3种：基于全局的提取方法、基于局部的提取方法以及混合提取方法。面部表情分析过程的最后一步是进行表情识别。首先是采用基于模板的匹配方法、基于神经网络的方法、基于概率模型的方法以及基于支持向量机的方法等对面部表情进行分类。待面部表情分类完成后，再采用面部行为编码系统与基于模板的分类两种方法进行识别。人脸表情识别的整体过程如图2 所示。
图2 人脸表情分析过程
1.3 系统研发
人脸表情识别技术主要由三大系统组成：面部行为编码系统(FACS)、脸部动画参数(FAP) 与最大限度辨别面部肌肉运动编码系统(MAX)。①面部行为编码系统(FACS)。FACS 是著名的国际心理学家Ekman 根据人类面部解剖学的特点，将面部肌肉分解为几个独立且相关的运动单元AU，描述出不同面部肌肉运动和不同表情之间的对应关系。FACS 对现实生活中大部分人类的表情进行分类，并用面部运动描述了几乎所有可能出现的面部表情，因而成为目前面部表情肌肉运动的权威参考标准。②脸部动画参数(FAP)。FAP 用于3D 人脸识别，同时是MPEG-4 标准的一套标准参数，主要用于合成一种实时虚拟人脸表情动画，它的主要编码方案是基于关键特征点在人脸网络中的位置来进行实施的。FAP 是一套完整的人类面部运动集合参数标准，它与人脸肌肉运动密切相关，在描述自然面部表情时效果极佳。③最大限度地辨别面部肌肉运动编码系统(MAX)。MAX 将人脸区域划分为几个部分：额头、鼻翼和鼻根、眼睛、脸颊以及嘴唇和下巴的区域，相应地对所列出的29 个面部运动单元进行编码，每个编码代表面部特定区域的活动，面部表情就是由这些特定区域的肌肉运动组合而构成。三大系统的特征比对如表1 所示。
2 人脸表情识别技术在教育中的应用场景分析
2.1 课堂教学
传统课堂教学主要是一种教师“讲”与学生“听”的面对面教学形式。通过与学生面对面的互动交流，教师可以从学生的表情、神态以及语言中获取到学生是否理解领会所学知识，同时也可进行表情与情感分析，及时调整教学节奏、调动课堂气氛与调整教学策略。传统的这种情感分析往往是基于教师实践经验后的积累，面向的是学生群体的大部分，无法照顾到学生个体的个性化需求。借助于人脸表情识别技术的课堂教学应用，可对学生学习状态做出及时反馈和调整，例如对教学内容疑惑时，学生表情为眉头紧皱、头部倾斜；对教学内容理解时，则表情为展眉愉悦、头部上扬；对教学内容厌恶时，表情为眉头微皱、头部低下等。人脸表情识别技术在面对面课堂教学中应用，便于教师对学生进行即时情感分析与教学反馈，显著地提升教学的效果和质量。课堂教学中学生的面部表情类型主要分析如表2所示。
2.2 在线教育
作为当今教育模式的主流之一，在线教育可实现师生之间远程互动与课堂交流等教学活动，实现任何时间、任何地点的时空分离教学。但因为在线教育中教师无法将授课表情及时传递给学生，学生也无法将学习进度与情感及时反馈给老师，这种非面对面的单线教学模式极易造成教学情感缺失与人性化交流缺乏。人脸表情识别技术应用在在线教育中，可以弥补教学情感交流缺失，使师生发生有效教学交互，实现科学有效的在线教育、提高学习效率与教学效果。人脸表情识别技术应用于在线教育中，通过摄像头采集学生上课时的人脸图像或视频，然后对其进行加工处理，再采用相对应的在线课堂状态类型分类法对学生课堂状态进行监测，进而辅助教师顺利进行在线课堂教学，提高在线课堂教学效率。
2.3 学校生活
互联网时代的到来给人们的日常生活带来极大便利。智慧校园、智慧教室、智慧课堂、以及智慧食堂等一系列教育与互联网深度融合的教育应用场景应运而生。人脸表情识别技术所支持的系统的广泛普及，不仅在学校生活的日常运作中节省人力与物力，而且使得各项工作高效且有序进行，甚至比之前人工实际操作所获取的数据更加准确且具有代表性。人脸表情识别技术在学校生活中的广泛应用将会促进学校向智慧化、数字化与信息化方向深入发展，进一步优化学校管理、学校安防与教学管理等工作。
3 人脸表情识别技术的教育应用问题分析
3.1 课堂教学表情识别的应用与实践定位不明确
应用于课堂教学中的人脸表情识别技术可帮助教师有效实时监控学生课堂表情变化，利于教师与学生的情感交流。然而，当前人脸表情识别技术在课堂教学中的应用不容乐观，仍存在应用实践定位不明确问题。具体表现如下：①在人脸表情识别技术的实际应用中，教师过度使用该技术监测学生课堂表情变化，而忽视课堂教学最本质的意义——如何采取有效教学策略提高课堂教学交互活动。②教师并没有充分利用人脸表情识别技术所带来的优势与学生进行深层情感交流，而是一味地在意识别人脸的摄像头是否准确地监测到学生表情，违背人脸表情识别技术应用到教育场景的初衷。
3.2 在线教学表情识别的精准度有待于提升
在非面对面的在线教学中，人脸表情识别技术存在无法准确识别人脸、人脸识别错误等问题。产生上述问题的原因有如下几点：①模糊图像干扰。人脸图像可能会受当时环境中的光照强度、镜头变焦、曝光度以及学生个人动作幅度过大等一些不稳定因素干扰，造成图像识别模糊甚至出现马赛克等现象，导致无法准确识别人脸表情；②人脸角度问题。大部分学生在上课过程中很难保持一个固定不变的坐姿进行课堂活动，学生上课时的状态可能存在抬头听课与侧头发呆等几种情况，不同的人脸角度极容易造成所采集的面部信息部分缺失，以及设备所拍摄的图像缺乏完整性等问题。
3.3 学校生活应用支持度不高
随着智慧校园的兴起，智能化的校园环境为师生与校内工作人员提供诸多便利，其中人脸表情识别技术就是智慧校园中的一种智能化设备的应用体现，但是其在现实学校生活中应用的支持度并不高。究其原因，设备、技术以及物力人力成本的增加是最根本的原因。人脸表情识别技术引进到校园生活中，首先，学校必然会增加对相关设备与技术的投资，其次，学校会聘请相关技术人员驻校辅助学校人员，包括设备安装与设备操作等工作，这也会增加对人力与物力的投资。
3.4 教育大数据隐私问题
人脸表情识别技术应用在学校的各个角落，包括寝室楼与图书馆门禁、智慧教室人脸签到与课堂教学人脸表情监控等几种应用场景。其应用为学校日常生活带来诸多便利，但人脸表情识别技术是一把双刃剑，有其利也有其弊。人脸表情识别技术在实施过程中无疑会泄露学习者的个人信息，引发教育大数据隐私泄露等问题的争论。教育大数据涵盖学习者大量的信息，包括个人身份信息、学习资源信息与家庭成员信息等。学习者的各种信息被暴露在系统中，这不仅涉及隐私伦理等相关问题，更有可能对学习者的身心健康成长造成问题。
4 人脸表情识别技术的教育应用问题对策
4.1 识别应用的定位性要明确
要真正解决人脸表情识别技术在课堂教学中应用的实践定位不明确的问题，具体措施如下：①调整教学策略。在人脸表情识别技术应用于课堂教学中，当获取到学生表情后，教师应第一时间对其表情做出判断，然后根据学生表情采取相应的教学策略进行教学，以便课堂教学效果达到最优化。②进行情感交流。课堂教学中情感交流这一环节尤为重要，许多教师会因个人精力不足无法照顾到每个学生的情绪，忽视学生课堂的情感反馈，导致教学效果不佳。人脸表情识别技术在课堂教学中的应用充分解决这一大难题，教师应重视其技术应用反馈结果，进而加强与学生之间的情感交流。
4.2 识别应用的精准度要提升
要有效解决人脸表情识别技术在课堂教学中人脸图像识别精准性不高等问题，需要改进人脸图像采集设备以提高采集精准度并完善分析方法，具体解决方案如下：①提高采集精准度。首先，考虑外在因素影响，改进摄像机以及其他电子硬件设备，采用分辨率更高以及性能更好的摄像机进行人脸图像捕捉，以便更加高效准确地捕捉与人脸相匹配的图像。②考虑内在因素影响，摄像机在课堂教学采集人脸图像的同时可以选择增加人脸图像智能质量评估环节，其宗旨是过滤人脸图像识别过程中的模糊图像、误识图像以及残缺图像，确保已识别出的人脸图像是准确且完好无损的；③完善分析方法。视频流表情分析极其容易受到自然环境光照强度以及人物自身脸部姿态等影响，因此在人脸表情图像识别预处理环节要严格把关以确保人脸表情图像获取的准确性。
4.3 识别应用的支持度要深入
人脸表情识别技术在学校日常生活中的应用并不是很普遍，要实现人脸表情识别技术在学校生活中的广泛应用，需要加强其对学校生活中应用的支持度。首先，需要解决资金问题。人脸表情识别技术的引入必然会耗费大量的人力与物力，学校需要有强大的资金扶持方可成功引入该技术。其次，制定意外情况发生的防治措施。避免意外情况带来的种种挑战，学校需安装发电系统，以保证人脸表情识别技术的正常运行，避免停电等情况带来的不必要损失。总之，人脸表情识别技术具有便捷、高效、低成本与高准确性等优势，学校需要加大其对日常生活应用的支持度。
4.4 识别应用的技术性要适度
对于教育大数据隐私泄露等问题的解决，要从技术本身入手，考虑技术应用的适度性原则。①支持技术创新。目前，人脸表情识别技术已广泛应用在学校课堂教学中，相关技术人员应对人脸表情识别技术进行创新与研发，完善与优化人脸表情分析方法，以便更好地迎接教育大数据所带来的各种挑战与困难。②技术应用适度。高度重视教育信息收集的防护工作，充分利用现代化技术实现数据的实时分析与在线监控，提高人脸表情识别技术的安全应用水平。
参考文献：
[1] 徐琳琳,张树美,赵俊莉.基于图像的面部表情识别方法综述[J].计算机应用,2017,37(12):3509-3516+3546.
[2] 叶继华,祝锦泰,江爱文,等.人脸表情识别综述[J].数据采集与处理,2020,35(1):21-34.
[3] 阮静.基于计算思维培养的人工智能课程设计实践探究——以《人脸识别》一课为例[J].中国现代教育装备,2021(22):18-20.
[4] 于洋.人脸识别医疗应用初步探讨[J].中国信息化,2021(11):80-81.
[5] 董雷刚,崔晓微,赵阳光,等.基于人脸识别+Android技术的高校学生考勤系统设计[J].电脑知识与技术,2021,17(32):91-93.
[6] 黄振龙,吴林煌.基于Yolov5s和Dlib的视频人脸识别[J].电脑知识与技术,2021,17(32):94-96.
[7] 张曼云,熊杰,苏有为,等.基于嵌入式人工智能芯片的人脸识别安防报警方法[J].信息技术与信息化,2021(10):233-236.
[8] 周楠,周建设.基于深度学习的学生行为分析与教学效果评价[J].现代教育技术,2021,31(8):102-111.
[9] 张悦欣,付晓峰.结合卷积神经网络与OpenCV的人脸表情识别[J].电脑知识与技术,2021,17(5):183-185.
[10] 魏艳涛,雷芬,胡美佳,等.学生表情识别研究综述[J].中国教育信息化,2020(21):48-55.
[11] 贾鹂宇,张朝晖,赵小燕,等.基于人工智能视频处理的课堂学生状态分析[J].现代教育技术,2019,29(12):82-88.
[12] 韩丽,李洋,周子佳,等.课堂环境中基于面部表情的教学效果分析[J].现代远程教育研究,2017(4):97-103+112.
[13] 孙波,刘永娜,陈玖冰,等.智慧学习环境中基于面部表情的情感分析[J].现代远程教育研究,2015(2):96-103.
（本文来源于《电子产品世界》杂志2023年3月期）
