CN107784273A - 基于学生社交关系模型的课堂座位分布预测方法 - Google Patents

基于学生社交关系模型的课堂座位分布预测方法 Download PDF

Info

Publication number
CN107784273A
CN107784273A CN201710898390.2A CN201710898390A CN107784273A CN 107784273 A CN107784273 A CN 107784273A CN 201710898390 A CN201710898390 A CN 201710898390A CN 107784273 A CN107784273 A CN 107784273A
Authority
CN
China
Prior art keywords
mrow
mtd
student
msub
seat
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710898390.2A
Other languages
English (en)
Other versions
CN107784273B (zh
Inventor
裴炤
潘苗苗
马苗
彭亚丽
郭敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Normal University
Original Assignee
Shaanxi Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shaanxi Normal University filed Critical Shaanxi Normal University
Priority to CN201710898390.2A priority Critical patent/CN107784273B/zh
Publication of CN107784273A publication Critical patent/CN107784273A/zh
Application granted granted Critical
Publication of CN107784273B publication Critical patent/CN107784273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1091—Recording time for administrative or management purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Educational Technology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于学生社交关系模型的课堂座位分布预测方法，由数据采集与获取、学生面部图像的检测和识别、学生定位、建立学生社交关系模型、座位分布预测步骤组成。本发明将学生的社交关系纳入了预测方法，能对考勤数据中的学生座位进行记录并提取社交数据，将社交关系量化为模型，应用在学生的课堂座位分布预测上，得到具有代表性及预测性的学生课堂座位分布结果。对学生进行座位分布预测，可以在某学生无故缺勤时根据预测结果找其同桌询问原因，及时了解缺勤学生的动向，排查意外情况。

Description

基于学生社交关系模型的课堂座位分布预测方法
技术领域
本发明属于图像处理技术领域，具体涉及到课堂座位分布预测方法。
背景技术
挖掘人类的社交关系并对其建模可以得到有研究价值的数据，目前社交互动研究已应用于行人跟踪领域并取得了显著成果。文献“Socially-Aware Large-Scale CrowdForecasting，In Proc.of IEEE Conference on Computer Vision and PatternRecognition(CVPR),pp.2211–2218,2014.”公开了一种将行人的社会亲和力模型(SAM，Social Affinity Maps)应用于行人目的地预测的方法。此方法首先通过在火车站布置高密度摄像机网络来采集大规模行人轨迹数据，利用SCOOP算法进行人检测，并设计了一个社会亲和力模型SAM用来描述行人与其邻近个体在运动上的相互影响关系。作者认为在公共场合行人的行走轨迹会受到周围人的影响，而影响程度取决于人们的空间位置关系，因此SAM模型为每个行人规划了一个半径为3米的圆形区域，对每个行人聚类其邻域行人的相对位置，将其映射到圆形区域中，距离越近的邻域行人其亲和力越高，对该区域结构执行矢量量化编码得到二进制向量，即得到SAM模型。作者将匹配行人的轨迹片段问题转化为最小成本网络流问题，用汉明距离测量社会亲和力模型之间的相似度，将其定义为网络流上的成本，并提出一个启发式优化方法，采用线性规划获取最小成本流，实现最佳轨迹连接，达到了预测行人轨迹的目的。该方法被成功应用于行人轨迹跟踪领域，揭示了研究社交关系的重要性，在人类行为分析、智慧旅游等领域均具有重要的借鉴意义。
由此可见将社交关系纳入预测框架，可以得到高性能的预测效果。社交关系的挖掘与研究已在多个领域实现，但用于学生的座位分布预测尚未见文献。本发明将社交关系量化为模型，应用在学生的课堂座位分布预测上。
发明内容
本发明所要解决的技术问题在于提供一种教师能及时了解缺勤学生的动向、排查意外情况的基于学生社交关系模型的课堂座位分布预测方法。
解决上述技术问题所采用的技术方案由下述步骤组成：
(1)数据采集与获取
教师每次上课时拍摄包含班级学生的教室全景照片，经过一学期的累积得到学生上课场景的照片。
(2)学生面部图像的检测和识别
使用Harr人脸检测方法和LBP人脸识别方法对学生面部图像进行检测和识别，并将没有识别到的学生面部图像进行手工截图，记录学生面部区域左上角和右下角在图像中的二维像素坐标，其中横坐标为该点到图像左边界的像素值，纵坐标为该点到图像下边界的像素值，由坐标可知学生面部区域在图像中所处的位置。
(3)学生定位
建立教室座位二维坐标系，每一行座位对应坐标系中的横坐标，每一列座位对应坐标系中的纵坐标，对每一个座位设定在二维图像中左上角和右下角的像素坐标，每一个学生面部像素区域与该座位像素区域有80％及以上重合时，判断学生坐在该座位上，否则判断学生没有坐在该座位上，得到考勤照片中的所有学生在座位坐标系中的坐标。
将得到的学生在座位坐标系中的坐标用矩阵L存储，
其中将考勤照片数量记为X，Ki,j存储第i次考勤中编号为j的学生所在的二维坐标(p，q)。若某个位置没有人则记为(-1，-1)。
(4)建立学生社交关系模型
记录每一个学生与其前、后、左、右以及四个对角邻桌的八个学生编号，得到学生社交关系模型，每个学生的社交关系模型是X×8的矩阵M为：
其中Ci,j是第i次考勤中坐在该学生第j个邻桌上的学生编号，矩阵M记录X张考勤中每一个学生八个邻桌的学生序号，18≤X≤72,从步骤(3)的学生坐标系中坐标数据找到学生的八个邻桌学生，将八个邻桌学生序号填充进该模型，按式(3)进行填充：
其中Li,num表示第i次考勤中编号为num的学生在座位坐标系中的坐标，toCoord(i,j)是第i次考勤中该学生邻桌编号为j的位置在座位坐标系中的坐标，当toCoord(i,j)与Li,num相等时，Ci,j等于num。
(5)座位分布预测
将班级里座位变动频率最低的一部分学生安置在他最常坐的座位上，已安置学生的序号集合记为A，A如式(4)所示：
A＝{a1,a2,a3,...an} (4)
其中每一个元素ai代表一个已安置学生的序号，查询A中学生的八邻桌模型，提取出一个与A中任意一个座位相邻次数最多的学生，将其安置在他们的相邻座位上，并将其加入集合A；依次重复该查询步骤，每查询一次安置一个学生，直至所有学生均已分配了座位，得到座位分布预测结果。
将教室按空间位置分为七个区域，预测的学生所属区域与测试数据中的学生实际座位区域一致的学生比例即为预测正确率，预测正确率如式(5)所示：
其中A代表学生总数，an代表预测的座位所属区域与测试数据集中该学生的座位所属区域一致的学生个数。
在本发明的建立学生社交关系模型步骤(4)中，记录每一个学生与其前、后、左、右以及四个对角邻桌的八个学生编号，得到学生社交关系模型，每个学生的社交关系模型是X×8的矩阵M为：
其中Ci,j是第i次考勤中坐在该学生第j个邻桌上的学生编号，矩阵M记录X张考勤中每一个学生八个邻桌的学生序号，X为18或36或72,从步骤(3)的学生坐标系中坐标数据找到学生的八个邻桌学生，将八个邻桌学生序号填充进该模型，按式(3)进行填充：
其中Li,num表示第i次考勤中编号为num的学生在座位坐标系中的坐标，toCoord(i,j)是第i次考勤中该学生邻桌编号为j的位置在座位坐标系中的坐标，当toCoord(i,j)与Li,num相等时，Ci,j等于num。本发明将学生的社交关系纳入了预测方法，能对大量考勤中的座位分布数据进行学生社交关系记录，得到具有代表性及预测性的学生课堂座位分布结果。
本发明将社交关系量化为模型，应用在学生的课堂座位分布预测上。对学生进行座位分布预测，不仅可以在某学生无故缺勤时根据预测结果找其同桌询问原因，及时了解缺勤学生的动向，排查意外情况，还可以在课后帮助教师还原课堂座位，研究提炼学生选择座位的依据，让教师掌握更科学的座位安排策略。另外，学生的成绩与其座位距离讲台远近的关系、学生自发形成的邻近团体之间成绩的潜在关联等问题都有研究价值，具有代表性的座位分布数据将为这些研究提供数据来源。座位分布预测结果代表了学生未来选择座位的趋势，通过这个趋势可以了解学生未来的学习动向，及时对学生进行针对性的引导和帮助。
具体实施方式
下面结合实施例对本发明进一步详细说明，但本发明不限于下述的实施例。
实施例1
以教室有8行8列座位学生人数39人的班级共18张考勤照片为例，基于学生社交关系模型的1课堂座位分布预测方法步骤如下：
(1)数据采集与获取
教师每次上课时拍摄包含班级学生的教室全景照片，经过一学期的累积得到18张学生上课场景的照片。
(2)学生面部图像的检测和识别
使用Harr人脸检测方法和LBP人脸识别方法对学生面部图像进行检测和识别，Harr人脸检测方法和LBP人脸识别方法是本技术领域中的公知常识，并将没有识别到的学生面部图像进行手工截图，记录学生面部区域左上角和右下角在图像中的二维像素坐标，其中横坐标为该点到图像左边界的像素值，纵坐标为该点到图像下边界的像素值，由坐标可知学生面部区域在图像中所处的位置。
(3)学生定位
建立教室座位二维坐标系，每一行座位对应坐标系中的横坐标，每一列座位对应坐标系中的纵坐标，对每一个座位设定在二维图像中左上角和右下角的像素坐标，每一个学生面部像素区域与该座位像素区域有80％及以上重合时，判断学生坐在该座位上，否则判断学生没有坐在该座位上，得到考勤照片中的所有学生在座位坐标系中的坐标。
将得到的学生在座位坐标系中的坐标用矩阵L存储，18次考勤共39个学生的座位坐标构成了18×39的矩阵L，如式(1)所示：
其中Ki,j存储第i次考勤中编号为j的学生所在的二维坐标(p，q)。若某个位置没有人则记为(-1，-1)。
(4)建立学生社交关系模型
记录每一个学生与其前、后、左、右以及四个对角邻桌的八个学生编号，得到学生社交关系模型，每个学生的社交关系模型是18×8的矩阵M为：
其中Ci,j是第i次考勤中坐在该学生第j个邻桌上的学生编号，i≤18，矩阵M记录18张考勤中每一个学生八个邻桌的学生序号，从步骤(3)的学生坐标系中坐标数据找到学生的八个邻桌学生，将八个邻桌学生序号填充进该模型，按式(3)进行填充：
其中Li,num表示第i次考勤中编号为num的学生在座位坐标系中的坐标，toCoord(i,j)是第i次考勤中该学生邻桌编号为j的位置在座位坐标系中的坐标，当toCoord(i,j)与Li,num相等时，Ci,j等于num。
(5)座位分布预测
将班级里座位变动频率最低的一部分学生安置在他最常坐的座位上，已安置学生的序号集合记为A，A如式(4)所示：
A＝{a1,a2,a3,...an} (4)
其中每一个元素ai代表一个已安置学生的序号，查询A中学生的八邻桌模型，提取出一个与A中任意一个座位相邻次数最多的学生，将其安置在他们的相邻座位上，并将其加入集合A；依次重复该查询步骤，每查询一次安置一个学生，直至所有学生均已分配了座位，得到座位分布预测结果。
将教室按空间位置分为七个区域，预测的学生所属区域与测试数据中的学生实际座位区域一致的学生比例即为预测正确率，预测正确率如式(5)所示：
其中an代表预测的座位所属区域与测试数据集中该学生的座位所属区域一致的学生个数。本实施例中an为32，预测正确率为32/39＝82.1％。
实施例2
以教室有8行8列座位学生人数39人的班级共36张考勤照片为例，基于学生社交关系模型的课堂座位分布预测方法步骤如下：
(1)数据采集与获取
教师每次上课时拍摄包含班级学生的教室全景照片，经过一学期的累积得到36张学生上课场景的照片。
(2)学生面部图像的检测和识别
该步骤与实施例1相同。
(3)学生定位
建立教室座位二维坐标系，每一行座位对应坐标系中的横坐标，每一列座位对应坐标系中的纵坐标，对每一个座位设定在二维图像中左上角和右下角的像素坐标，每一个学生面部像素区域与该座位像素区域有80％及以上重合时，判断学生坐在该座位上，否则判断学生没有坐在该座位上，得到考勤照片中的所有学生在座位坐标系中的坐标。
将得到的学生在座位坐标系中的坐标用矩阵L存储，36次考勤共39个学生的座位坐标构成了36×39的矩阵L，如式(1)所示：
其中Ki,j存储第i次考勤中编号为j的学生所在的二维坐标(p，q)。若某个位置没有人则记为(-1，-1)。
(4)建立学生社交关系模型
记录每一个学生与其前、后、左、右以及四个对角邻桌的八个学生编号，得到学生社交关系模型，每个学生的社交关系模型是36×8的矩阵M为：
其中Ci,j是第i次考勤中坐在该学生第j个邻桌上的学生编号，i≤36，矩阵M记录36张考勤中每一个学生八个邻桌的学生序号，从步骤(3)的学生坐标系中坐标数据找到学生的八个邻桌学生，将八个邻桌学生序号填充进该模型，按式(3)进行填充：
其中Li,num表示第i次考勤中编号为num的学生在座位坐标系中的坐标，toCoord(i,j)是第i次考勤中该学生邻桌编号为j的位置在座位坐标系中的坐标，当toCoord(i,j)与Li,num相等时，Ci,j等于num。
其他步骤与实施例1相同。
实施例3
以教室有8行8列座位学生人数39人的班级共72张考勤照片为例，基于学生社交关系模型的课堂座位分布预测方法步骤如下：
(1)数据采集与获取
教师每次上课时拍摄包含班级学生的教室全景照片，经过一学期的累积得到72张学生上课场景的照片。
(2)学生面部图像的检测和识别
该步骤与实施例1相同。
(3)学生定位
建立教室座位二维坐标系，每一行座位对应坐标系中的横坐标，每一列座位对应坐标系中的纵坐标，对每一个座位设定在二维图像中左上角和右下角的像素坐标，每一个学生面部像素区域与该座位像素区域有80％及以上重合时，判断学生坐在该座位上，否则判断学生没有坐在该座位上，得到考勤照片中的所有学生在座位坐标系中的坐标。
将得到的学生在座位坐标系中的坐标用矩阵L存储，72次考勤共39个学生的座位坐标构成了72×39的矩阵L，如式(1)所示：
其中Ki,j存储第i次考勤中编号为j的学生所在的二维坐标(p，q)。若某个位置没有人则记为(-1，-1)。
(4)建立学生社交关系模型
记录每一个学生与其前、后、左、右以及四个对角邻桌的八个学生编号，得到学生社交关系模型，每个学生的社交关系模型是72×8的矩阵M为：
其中Ci,j是第i次考勤中坐在该学生第j个邻桌上的学生编号，i≤72，矩阵M记录72张考勤中每一个学生八个邻桌的学生序号，从步骤(3)的学生坐标系中坐标数据找到学生的八个邻桌学生，将八个邻桌学生序号填充进该模型，按式(3)进行填充：
其中Li,num表示第i次考勤中编号为num的学生在座位坐标系中的坐标，toCoord(i,j)是第i次考勤中该学生邻桌编号为j的位置在座位坐标系中的坐标，当toCoord(i,j)与Li,num相等时，Ci,j等于num。
其他步骤与实施例1相同。

Claims (2)

1.一种基于学生社交关系模型的课堂座位分布预测方法，其特征在于由以下步骤组成：
(1)数据采集与获取
教师每次上课时拍摄包含班级学生的教室全景照片，经过一学期的累积得到学生上课场景的照片；
(2)学生面部图像的检测和识别
使用Harr人脸检测方法和LBP人脸识别方法对学生面部图像进行检测和识别，并将没有识别到的学生面部图像进行手工截图，记录学生面部区域左上角和右下角在图像中的二维像素坐标，其中横坐标为该点到图像左边界的像素值，纵坐标为该点到图像下边界的像素值，由坐标可知学生面部区域在图像中所处的位置；
(3)学生定位
建立教室座位二维坐标系，每一行座位对应坐标系中的横坐标，每一列座位对应坐标系中的纵坐标，对每一个座位设定在二维图像中左上角和右下角的像素坐标，每一个学生面部像素区域与该座位像素区域有80％及以上重合时，判断学生坐在该座位上，否则判断学生没有坐在该座位上，得到考勤照片中的所有学生在座位坐标系中的坐标；
将得到的学生在座位坐标系中的坐标用矩阵L存储，
<mrow> <mi>L</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>K</mi> <mrow> <mn>0</mn> <mo>,</mo> <mn>0</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>K</mi> <mrow> <mn>0</mn> <mo>,</mo> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <msub> <mi>K</mi> <mrow> <mn>0</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>K</mi> <mrow> <mn>1</mn> <mo>,</mo> <mn>0</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>K</mi> <mrow> <mn>1</mn> <mo>,</mo> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <msub> <mi>K</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> </mtr> <mtr> <mtd> <msub> <mi>K</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <mo>,</mo> <mn>0</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>K</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <mo>,</mo> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <msub> <mi>K</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中将考勤照片数量记为X，Ki,j存储第i次考勤中编号为j的学生所在的二维坐标(p，q)。若某个位置没有人则记为(-1，-1)；
(4)建立学生社交关系模型
记录每一个学生与其前、后、左、右以及四个对角邻桌的八个学生编号，得到学生社交关系模型，每个学生的社交关系模型是X×8的矩阵M为：
<mrow> <mi>M</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>C</mi> <mrow> <mn>0</mn> <mo>,</mo> <mn>0</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>C</mi> <mrow> <mn>0</mn> <mo>,</mo> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <msub> <mi>C</mi> <mrow> <mn>0</mn> <mo>,</mo> <mn>7</mn> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>C</mi> <mrow> <mi>1</mi> <mo>,</mo> <mn>0</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>C</mi> <mrow> <mn>1</mn> <mo>,</mo> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <msub> <mi>C</mi> <mrow> <mn>1</mn> <mo>,</mo> <mn>7</mn> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> </mtr> <mtr> <mtd> <msub> <mi>C</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <mo>,</mo> <mn>0</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>C</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <mo>,</mo> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <msub> <mi>C</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <mo>,</mo> <mn>7</mn> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中Ci,j是第i次考勤中坐在该学生第j个邻桌上的学生编号，矩阵M记录X张考勤中每一个学生八个邻桌的学生序号，18≤X≤72,从步骤(3)的学生坐标系中坐标数据找到学生的八个邻桌学生，将八个邻桌学生序号填充进该模型，按式(3)进行填充：
<mrow> <msub> <mi>C</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mo>-</mo> <mn>1</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>L</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>n</mi> <mi>u</mi> <mi>m</mi> </mrow> </msub> <mo>=</mo> <mrow> <mo>(</mo> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>n</mi> <mi>u</mi> <mi>m</mi> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>L</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>n</mi> <mi>u</mi> <mi>m</mi> </mrow> </msub> <mo>=</mo> <mi>t</mi> <mi>o</mi> <mi>C</mi> <mi>o</mi> <mi>o</mi> <mi>r</mi> <mi>d</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中Li,num表示第i次考勤中编号为num的学生在座位坐标系中的坐标，toCoord(i,j)是第i次考勤中该学生邻桌编号为j的位置在座位坐标系中的坐标，当toCoord(i,j)与Li,num相等时，Ci,j等于num；
(5)座位分布预测
将班级里座位变动频率最低的一部分学生安置在他最常坐的座位上，已安置学生的序号集合记为A，A如式(4)所示：
A＝{a1,a2,a3,...an} (4)
其中每一个元素ai代表一个已安置学生的序号，查询A中学生的八邻桌模型，提取出一个与A中任意一个座位相邻次数最多的学生，将其安置在他们的相邻座位上，并将其加入集合A；依次重复该查询步骤，每查询一次安置一个学生，直至所有学生均已分配了座位，得到座位分布预测结果；
将教室按空间位置分为七个区域，预测的学生所属区域与测试数据中的学生实际座位区域一致的学生比例即为预测正确率，预测正确率如式(5)所示：
<mrow> <mi>P</mi> <mi>R</mi> <mo>=</mo> <mfrac> <mrow> <mi>a</mi> <mi>n</mi> </mrow> <mi>A</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
其中A代表学生总数，an代表预测的座位所属区域与测试数据集中该学生的座位所属区域一致的学生个数。
2.根据权利要求1所述基于学生社交关系模型的课堂座位分布预测方法，其特征在于：在建立学生社交关系模型步骤(4)中，记录每一个学生与其前、后、左、右以及四个对角邻桌的八个学生编号，得到学生社交关系模型，每个学生的社交关系模型是X×8的矩阵M为：
<mrow> <mi>M</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>C</mi> <mrow> <mn>0</mn> <mo>,</mo> <mn>0</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>C</mi> <mrow> <mn>0</mn> <mo>,</mo> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <msub> <mi>C</mi> <mrow> <mn>0</mn> <mo>,</mo> <mn>7</mn> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>C</mi> <mrow> <mi>1</mi> <mo>,</mo> <mn>0</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>C</mi> <mrow> <mn>1</mn> <mo>,</mo> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <msub> <mi>C</mi> <mrow> <mn>1</mn> <mo>,</mo> <mn>7</mn> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <mn>...</mn> </mtd> </mtr> <mtr> <mtd> <msub> <mi>C</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <mo>,</mo> <mn>0</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>C</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <mo>,</mo> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <mn>...</mn> </mtd> <mtd> <msub> <mi>C</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <mo>,</mo> <mn>7</mn> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中Ci,j是第i次考勤中坐在该学生第j个邻桌上的学生编号，矩阵M记录X张考勤中每一个学生八个邻桌的学生序号，X为18或36或72,从步骤(1)的学生坐标系中坐标数据找到学生的八个邻桌学生，将八个邻桌学生序号填充进该模型，按式(3)进行填充：
<mrow> <msub> <mi>C</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mo>-</mo> <mn>1</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>L</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>n</mi> <mi>u</mi> <mi>m</mi> </mrow> </msub> <mo>=</mo> <mrow> <mo>(</mo> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>n</mi> <mi>u</mi> <mi>m</mi> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>L</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>n</mi> <mi>u</mi> <mi>m</mi> </mrow> </msub> <mo>=</mo> <mi>t</mi> <mi>o</mi> <mi>C</mi> <mi>o</mi> <mi>o</mi> <mi>r</mi> <mi>d</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中Li,num表示第i次考勤中编号为num的学生在座位坐标系中的坐标，toCoord(i,j)是第i次考勤中该学生邻桌编号为j的位置在座位坐标系中的坐标，当toCoord(i,j)与Li,num相等时，Ci,j等于num。
CN201710898390.2A 2017-09-28 2017-09-28 基于学生社交关系模型的课堂座位分布预测方法 Active CN107784273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710898390.2A CN107784273B (zh) 2017-09-28 2017-09-28 基于学生社交关系模型的课堂座位分布预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710898390.2A CN107784273B (zh) 2017-09-28 2017-09-28 基于学生社交关系模型的课堂座位分布预测方法

Publications (2)

Publication Number Publication Date
CN107784273A true CN107784273A (zh) 2018-03-09
CN107784273B CN107784273B (zh) 2021-05-11

Family

ID=61434270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710898390.2A Active CN107784273B (zh) 2017-09-28 2017-09-28 基于学生社交关系模型的课堂座位分布预测方法

Country Status (1)

Country Link
CN (1) CN107784273B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108538125A (zh) * 2018-04-25 2018-09-14 广州国铭职业技能培训有限公司 一种基于大数据的课堂教学管理系统
CN110569718A (zh) * 2019-07-26 2019-12-13 华中科技大学 一种基于证件的考生身份验证方法和装置
CN111652045A (zh) * 2020-04-17 2020-09-11 西北工业大学太仓长三角研究院 课堂教学质量评估方法和系统
CN112132118A (zh) * 2020-11-23 2020-12-25 北京世纪好未来教育科技有限公司 人物关系识别方法、装置、电子设备及计算机存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831412A (zh) * 2012-09-11 2012-12-19 魏骁勇 一种基于人脸识别的教学考勤方法及其装置
US20140129629A1 (en) * 2012-11-08 2014-05-08 Eran Savir Device, system, and method of sharing social network information
CN106204346A (zh) * 2016-06-30 2016-12-07 北京文安智能技术股份有限公司 一种基于视频分析的影院座位样本自动标注方法、装置及电子设备
CN107025607A (zh) * 2017-03-23 2017-08-08 秦景龙 精确定位社交处理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102831412A (zh) * 2012-09-11 2012-12-19 魏骁勇 一种基于人脸识别的教学考勤方法及其装置
US20140129629A1 (en) * 2012-11-08 2014-05-08 Eran Savir Device, system, and method of sharing social network information
CN106204346A (zh) * 2016-06-30 2016-12-07 北京文安智能技术股份有限公司 一种基于视频分析的影院座位样本自动标注方法、装置及电子设备
CN107025607A (zh) * 2017-03-23 2017-08-08 秦景龙 精确定位社交处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MARTIN RADVANSKÝ等: "Visualization of social network dynamics using Sammon"s projection", 《2013 FIFTH INTERNATIONAL CONFERENCE ON COMPUTATIONAL ASPECTS OF SOCIAL NETWORKS》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108538125A (zh) * 2018-04-25 2018-09-14 广州国铭职业技能培训有限公司 一种基于大数据的课堂教学管理系统
CN110569718A (zh) * 2019-07-26 2019-12-13 华中科技大学 一种基于证件的考生身份验证方法和装置
CN110569718B (zh) * 2019-07-26 2021-11-05 华中科技大学 一种基于证件的考生身份验证方法和装置
CN111652045A (zh) * 2020-04-17 2020-09-11 西北工业大学太仓长三角研究院 课堂教学质量评估方法和系统
CN112132118A (zh) * 2020-11-23 2020-12-25 北京世纪好未来教育科技有限公司 人物关系识别方法、装置、电子设备及计算机存储介质
CN112132118B (zh) * 2020-11-23 2021-03-12 北京世纪好未来教育科技有限公司 人物关系识别方法、装置、电子设备及计算机存储介质

Also Published As

Publication number Publication date
CN107784273B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN107832672A (zh) 一种利用姿态信息设计多损失函数的行人重识别方法
CN107784273A (zh) 基于学生社交关系模型的课堂座位分布预测方法
CN101282461B (zh) 图像处理方法
CN110111340A (zh) 基于多路割的弱监督实例分割方法
CN105718873B (zh) 基于双目视觉的人流分析方法
CN105574510A (zh) 一种步态识别方法及装置
CN109190508A (zh) 一种基于空间坐标系的多摄像头数据融合方法
CN110532970A (zh) 人脸2d图像的年龄性别属性分析方法、系统、设备和介质
CN109214346A (zh) 基于层次信息传递的图片人体动作识别方法
CN109948707A (zh) 模型训练方法、装置、终端及存储介质
KR20180038169A (ko) 딥 러닝 기반의 데이터특징을 이용한 도시영상의 안전도 분류방법
CN101551852A (zh) 训练系统、训练方法和检测方法
CN103853794B (zh) 一种基于部件关联的行人检索方法
CN114897444B (zh) 一种城市分区域内服务设施需求识别方法及系统
CN107767416A (zh) 一种低分辨率图像中行人朝向的识别方法
CN107392254A (zh) 一种通过联合嵌入从像素中构造图像的语义分割方法
Li et al. A method based on an adaptive radius cylinder model for detecting pole-like objects in mobile laser scanning data
CN108875564A (zh) 一种宠物面部识别方法
CN114937293B (zh) 基于gis的农业服务管理方法及系统
Gavric et al. Detecting attractive locations and tourists' dynamics using geo-referenced images
CN109670449A (zh) 一种基于垂直抓拍方式的车辆违法判断方法
CN111368761A (zh) 店铺营业状态识别方法、装置、可读存储介质和设备
Kukolj et al. Road edge detection based on combined deep learning and spatial statistics of LiDAR data
CN104008374B (zh) 一种矿井图像中基于条件随机场的矿工检测方法
Andersson et al. Combining street-level and aerial images for dengue incidence rate estimation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant