CN107918755A - 一种基于人脸识别技术的实时专注度分析方法及系统 - Google Patents

Abstract

本发明提供一种基于人脸识别技术的实时专注度分析方法及系统，所述方法通过信息技术领域AI(人工智能)的人脸识别技术对当前视频监控环境下的人员脸部图像进行采样分析，能够在课堂教学过程中，在无干扰状态下，建立学生专注度的大数据采集标准，判断其专注度，通过科学的大数据算法，为课堂教学的学情分析，提供了客观、真实的数据结果。将上述结果应用在教育技术领域，利用统计学原理和本发明算法，可完成整个课堂的学生专注度分析。结合其它相关数据，如课堂教学过程分析，人脸识别精准匹配等，可对课堂教学过程中的学生学情进行精准分析。

Description

一种基于人脸识别技术的实时专注度分析方法及系统

技术领域

本发明涉及信息技术领域和教育技术领域，更具体地，涉及一种基于人脸识别技术的实时专注度分析方法及系统。

背景技术

现有的技术方案中，对于课堂学情分析，有以下三种方式：

一是不使用技术手段，直接通过专家旁听的方式去记录，偏重于听课人员的主观印象，属于全人工方式；

二是通过使用辅助设备来采集数据，这类辅助设备需要学生手动去触动终端来记录，属于半自动；

三是采用比较新的技术，通过人脸识别，来进行分析判断。

现有的技术方案中，第一种和第二种均依赖大量的人力参与，缺乏实际应用效果。而目前市场上出现的第三种方案，在数据采集之后的计算分析上，缺乏科学性；在实际应用上，缺乏数据应用的关联分析，系统性缺失。

发明内容

本发明旨在至少在一定程度上解决上述技术问题。

本发明的首要目的是提供一种基于人脸识别技术的实时专注度分析方法，通过科学的大数据算法，为课堂教学的学情分析，提供了客观、真实的数据结果。

本发明的进一步目的是供一种基于人脸识别技术的实时专注度分析系统。

为解决上述技术问题，本发明的技术方案如下：

一种基于人脸识别技术的实时专注度分析方法，包括以下步骤：

S1：通过摄像头采集课堂上课时学生的脸部视频；

S2：依据人脸识别算法，提取出视频图像中的人脸区域，提取人脸区域的特征；

S3：根据提取的人脸区域的特征判断抬头的学生数目，根据学生是否抬头设定学生的专注度为A或B，其中A≠B，A表示专注度高，B表示专注度低；

S4：依据统计学的二项式分布原理，即重复n次的伯努利试验，得到学生整体专注度的均值概率，并得出均值概率置信区间。由于设置的n足够大，根据概率论的大数定律，随机事件的频率近似于它的真实概率，从而可以得到整个课堂学生整体专注度的置信区间。

在一种优选的方案中，所述摄像头的数目根据教室规模大小设置为1-2个。

在一种优选的方案中，所述摄像头的数目为2个，部署位置居于教室中央两侧，能够采集所覆盖范围的所有人脸图像。

在一种优选的方案中，设摄像头的部署高度为ha，摄像头的部署高度是指摄像头与教室人脸平均高度的高度差，摄像头覆盖长度为la,则ha和la满足：

arc tan(ha/la)＝10°～arc tan(ha/la)＝30°。

上述ha和la的部署能够保证最佳的视频采集效果。

在一种优选的方案中，步骤S2中，提取视频图像中的人脸区域包括以下步骤：

S2.1：对采集的课堂上课时学生的脸部视频进行图像取样，取样值由用户自定义，范围为1-30秒/帧；

S2.2：依据人脸识别原理，对图像中的人脸图像进行特征提取，将特征集入库存取；

S2.3：如涉及到多个摄像头，则将不同摄像头之间采集到的特征集进行比对，按照设定的阈值确认人员重复数量，消重，避免人员被重复统计。

在一种优选的方案中，步骤S3中，取A＝1，B＝0。

在一种优选的方案中，步骤S3中，将教学过程和学生专注度分析进行关联，对大数据采集样本进行预处理和置换，在老师讲授、师生互动、教学资源播放三种教学阶段，抬头表示专注度高，低头表示专注度低；在学生互动讨论、静默练习两种教学阶段，则将专注度进行置反处理。

在一种优选的方案中，所述方法还包括：建立全校学生的人脸图库，通过人脸比对从而识别每个学生个人的专注度数据，从而判断每个特定学生的专注度行为。

在一种优选的方案中，所述方法还包括：导入课堂过程数据，形成课堂过程专注度分布分析，具体包括：

1、导入课堂教学的教学阶段、知识点内容和教学方式数据；

2、以时间值为维度进行数据关联；

3、以时间为轴线，形成课堂过程专注度分布结果，完成教学诊断。

一种基于人脸识别技术的实时专注度分析方法，包括：

摄像头：用于采集课堂上课时学生的脸部视频；

人脸特征提取模块：用于依据人脸识别算法，提取出视频图像中的人脸区域，提取人脸区域的特征；

专注度评价模块：用于根据提取的人脸区域的特征判断抬头的学生数目，根据学生是否抬头设定学生的专注度为A或B，其中A≠B，A表示专注度高，B表示专注度低；

专注度分析计算模块：依据统计学的二项式分布原理，即重复n次的伯努利试验，得到学生整体专注度的均值概率，并得出均值概率置信区间。

与现有技术相比，本发明技术方案的有益效果是：本发明提供一种基于人脸识别技术的实时专注度分析方法，通过信息技术领域AI(人工智能)的人脸识别技术对当前视频监控环境下的人员脸部图像进行采样分析，能够在课堂教学过程中，在无干扰状态下，建立学生专注度的大数据采集标准，判断其专注度，通过科学的大数据算法，为课堂教学的学情分析，提供了客观、真实的数据结果。将上述结果应用在教育技术领域，利用统计学原理和本发明算法，可完成整个课堂的学生专注度分析。结合其它相关数据，如课堂教学过程分析，人脸识别精准匹配等，可对课堂教学过程中的学生学情进行精准分析。

本发明还提供一种基于人脸识别技术的实时专注度分析系统，所述方法与系统结合实现了精准的实时专注度分析。

附图说明

图1为本发明基于人脸识别技术的实时专注度分析方法的流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

首先介绍一下本发明涉及的相关技术名词：

1.人工智能(AI，Artificial Intelligence)

是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。

2.图像识别

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。一般工业使用中，采用工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理。

3.人脸识别

人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流，首先判断其是否存在人脸,如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。目前，该技术广泛应用于安全管理、精准考勤、电子护照及身份证、公安刑侦、银行自助服务、信息安全等领域，还未被用于教育领域。

4.统计学

统计学是通过搜索、整理、分析、描述数据等手段，以达到推断所测对象的本质，甚至预测对象未来的一门综合性科学。统计学用到了大量的数学及其它学科的专业知识，其应用范围几乎覆盖了社会科学和自然科学的各个领域。

5.置信区间

置信区间是指由样本统计量所构造的总体参数的估计区间。在统计学中，一个概率样本的置信区间(Confidence interval)是对这个样本的某个总体参数的区间估计。置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程度。置信区间给出的是被测量参数的测量值的可信程度，即前面所要求的“一个概率”。

实施例1

如图1所示，本实施例提供一种基于人脸识别技术的实时专注度分析方法，包括以下步骤：

S1：通过摄像头采集课堂上课时学生的脸部视频；

所述摄像头的数目根据教室规模大小设置为1-2个。本实施例中，采用摄像头的数目为2个，部署位置居于教室中央两侧，能够采集所覆盖范围的所有人脸图像。设摄像头的部署高度为ha，摄像头的部署高度是指摄像头与教室人脸平均高度的高度差，摄像头覆盖长度为la，则ha和la满足：

arc tan(ha/la)＝10°～arc tan(ha/la)＝30°。

上述ha和la的部署能够保证最佳的视频采集效果。

S2：依据人脸识别算法，提取出视频图像中的人脸区域，提取人脸区域的特征；具体包括如下步骤S2.1～S2.3：

S2.1：对采集的课堂上课时学生的脸部视频进行图像取样，取样值由用户自定义，范围为1-30秒/帧；

S2.2：依据人脸识别原理，对图像中的人脸图像进行特征提取，将特征集入库存取；

S2.3：如涉及到多个摄像头，则将不同摄像头之间采集到的特征集进行比对，按照设定的阈值确认人员重复数量，消重，避免人员被重复统计。

S3：根据提取的人脸区域的特征判断抬头的学生数目，根据学生是否抬头设定学生的专注度为1或0；

将教学过程和学生专注度分析进行关联，对大数据采集样本进行预处理和置换，在老师讲授、师生互动、教学资源播放三种教学阶段，抬头表示专注度为1，低头表示专注度为0；在学生互动讨论、静默练习两种教学阶段，则将专注度进行置反处理。

S4：依据统计学的二项式分布原理，即重复n次的伯努利试验，得到学生整体专注度的均值概率，并得出均值概率置信区间。由于设置的n足够大，根据概率论的大数定律，随机事件的频率近似于它的真实概率，从而可以得到整个课堂学生整体专注度的置信区间。

在具体实施过程中，所述方法还包括：建立全校学生的人脸图库，通过人脸比对从而识别每个学生个人的专注度数据，从而判断每个特定学生的专注度行为。

在具体实施过程中，所述方法还包括：导入课堂过程数据，形成课堂过程专注度分布分析，具体包括：

1、导入课堂教学的教学阶段、知识点内容和教学方式数据；

2、以时间值为维度进行数据关联；

3、以时间为轴线，形成课堂过程专注度分布结果，完成教学诊断。

本实施例提供一种基于人脸识别技术的实时专注度分析方法，通过信息技术领域AI(人工智能)的人脸识别技术对当前视频监控环境下的人员脸部图像进行采样分析，能够在课堂教学过程中，在无干扰状态下，建立学生专注度的大数据采集标准，判断其专注度，通过科学的大数据算法，为课堂教学的学情分析，提供了客观、真实的数据结果。将上述结果应用在教育技术领域，利用统计学原理和本发明算法，可完成整个课堂的学生专注度分析。结合其它相关数据，如课堂教学过程分析，人脸识别精准匹配等，可对课堂教学过程中的学生学情进行精准分析。

实施例2

一种基于人脸识别技术的实时专注度分析方法，包括：

摄像头：用于采集课堂上课时学生的脸部视频；

人脸特征提取模块：用于依据人脸识别算法，提取出视频图像中的人脸区域，提取人脸区域的特征；

专注度评价模块：用于根据提取的人脸区域的特征判断抬头的学生数目，根据学生是否抬头设定学生的专注度为A或B，其中A≠B，A表示专注度高，B表示专注度低；

专注度分析计算模块：依据统计学的二项式分布原理，即重复n次的伯努利试验，得到学生整体专注度的均值概率，并得出均值概率置信区间。

本实施例提供一种基于人脸识别技术的实时专注度分析系统，与实施例1所述的方法相结合实现了精准的实时专注度分析。

应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于人脸识别技术的实时专注度分析方法，其特征在于，包括以下步骤：

S1：通过摄像头采集课堂上课时学生的脸部视频；

S2：依据人脸识别算法，提取出视频图像中的人脸区域，提取人脸区域的特征；

S3：根据提取的人脸区域的特征判断抬头的学生数目，根据学生是否抬头设定学生的专注度为A或B，其中A≠B，A表示专注度高，B表示专注度低；

S4：依据统计学的二项式分布原理，即重复n次的伯努利试验，得到学生整体专注度均值概率，并得出均值概率的置信区间。

2.根据权利要求1所述的基于人脸识别技术的实时专注度分析方法，其特征在于，所述摄像头的数目根据教室规模大小设置为1-2个。

3.根据权利要求2所述的基于人脸识别技术的实时专注度分析方法，其特征在于，所述摄像头的数目为2个，部署位置居于教室中央两侧，能够采集所覆盖范围的所有人脸图像。

4.根据权利要求2所述的基于人脸识别技术的实时专注度分析方法，其特征在于，设摄像头的部署高度为ha，摄像头的部署高度是指摄像头与教室人脸平均高度的高度差，摄像头覆盖长度为la，则ha和la满足：

arc tan(ha/la)＝10°～arc tan(ha/la)＝30°。

5.根据权利要求1所述的基于人脸识别技术的实时专注度分析方法，其特征在于，步骤S2中，提取视频图像中的人脸区域包括以下步骤：

S2.1：对采集的课堂上课时学生的脸部视频进行图像取样，取样值由用户自定义，范围为1-30秒/帧；

S2.2：依据人脸识别原理，对图像中的人脸图像进行特征提取，将特征集入库存取；

S2.3：如涉及到多个摄像头，则将不同摄像头之间采集到的特征集进行比对，按照设定的阈值确认人员重复数量，消重，避免人员被重复统计。

6.根据权利要求1所述的基于人脸识别技术的实时专注度分析方法，其特征在于，步骤S3中，取A＝1，B＝0。

7.根据权利要求1所述的基于人脸识别技术的实时专注度分析方法，其特征在于，步骤S3中，将教学过程和学生专注度分析进行关联，对大数据采集样本进行预处理和置换，在老师讲授、师生互动、教学资源播放三种教学阶段，抬头表示专注度高，低头表示专注度低；在学生互动讨论、静默练习两种教学阶段，则将专注度进行置反处理。

8.根据权利要求1所述的基于人脸识别技术的实时专注度分析方法，其特征在于，所述方法还包括：建立全校学生的人脸图库，通过人脸比对从而识别每个学生个人的专注度数据，从而判断每个特定学生的专注度行为。

9.根据权利要求1所述的基于人脸识别技术的实时专注度分析方法，其特征在于，所述方法还包括：导入课堂过程数据，形成课堂过程专注度分布分析，具体包括：

1、导入课堂教学的教学阶段、知识点内容和教学方式数据；

2、以时间值为维度进行数据关联；

3、以时间为轴线，形成课堂过程专注度分布结果，完成教学诊断。

10.一种基于人脸识别技术的实时专注度分析系统，其特征在于，包括：

摄像头：用于采集课堂上课时学生的脸部视频；

人脸特征提取模块：用于依据人脸识别算法，提取出视频图像中的人脸区域，提取人脸区域的特征；

专注度评价模块：用于根据提取的人脸区域的特征判断抬头的学生数目，根据学生是否抬头设定学生的专注度为A或B，其中A≠B，A表示专注度高，B表示专注度低；

专注度分析计算模块：依据统计学的二项式分布原理，即重复n次的伯努利试验，得到学生整体专注度的均值概率，并得出均值概率置信区间。