CN109255739A - 一种基于人脸表情和人体动作识别的课堂学习效率分析算法 - Google Patents

Abstract

一种基于人脸表情和人体动作识别的课堂学习效率分析算法，首先把一节课按照时间划分为多个区间段，并利用布置在教室内的监视与信息处理系统获取各区间段内每个同学的表情和动作等统计信息。该算法基于上述信息计算八种行为的个数在每个区间段的占比，根据占比赋予其动态权值，并建立“好”行为因子和“坏”行为因子模型，从而由集体“好”行为因子占总行为因子的比率计算集体课堂学习效率。同时，对课堂内每一个体计算“好”行为因子和“坏”行为因子，进而计算出个体课堂学习效率。综合集体课堂学习效率与个体课堂学习效率，确立一节课最终的课堂学习效率。本发明方法避免了单一的集体课堂学习效率算法带来的课堂学习效率过分转移，所得的效率分析结果能够较好的反应学生课堂学习情况。

Description

一种基于人脸表情和人体动作识别的课堂学习效率分析算法

技术领域

本发明涉及课堂教学效率研究领域，具体的说是一种基于人脸表情和人体动作识别的课堂学习效率分析算法。

背景技术

一般情况下，对于学生课堂学习效果的考察是通过课后作业，一系列的考试等来判断的。但是这些手段都有着相应的不确定性和一定的弊端，例如:课后作业做得好并不能说明这个学生上课效率高，通过考前突击加之一些老师会在考前划重点这会导致考试成绩并不能准确反映学生上课情况的好坏。

因此亟需一种能够准确和及时地评估学生课堂学习效率的算法。通过此算法，当一节课结束后系统立马就能够得到学生的课堂学习效率，做到了用具体的数据来反映学生的课堂学习情况，也为授课教师及时了解和改进自己的教学提供了帮助。

发明内容

本发明的目的在于提供一种基于人脸表情和人体动作识别的课堂学习效率分析算法，可对学生的课堂学习效率进行评估，且将集体课堂学习效率算法和个体课堂学习效率算法综合起来，避免了单一课堂学习效率算法的缺陷，使得评估结果更为准确。

本发明采取的技术方案为：

一种基于人脸表情和人体动作识别的课堂学习效率分析算法，包括以下步骤：

步骤1，将一节课按时间分成M个区间段；利用布置在教室内的多个摄像机与热释红外探测器等监视与信息处理系统获取各区间段内N个同学的8种行为的统计信息。“好”行为为A—抬头认真听讲，B—低头看课本，C—做笔记，D—提问/回答老师的问题，“坏”行为为E—打瞌睡，F—交头接耳说话，G—玩手机，H—中途离场。

步骤2，计算学生集体课堂学习效率。首先根据每一种行为在各区间段总人数的表现，选取“好”行为A,B,C,D在各区间的行为权值，如表2所示：

表2：A,B,C,D行为在各区间段的行为权值

其中：这里θ的取值为0.55，D行为的权属优先级高于A,B,C,即只要区间内有D行为出现，即该区间的权属按四权赋权值。

其次，计算每个区间段“好”行为因子P_jg，j＝1,2,3...M；其中：w_j1,w_j2,w_j3,w_j4分别为“好”行为A,B,C,D在第j区间的行为权值，A_ji,B_ji,C_ji,D_ji指第j区间段第i个学生若产生对应的行为时其值为1，否则为0。

计算每个区间段“坏”行为因子P_jb，j＝1,2,3...M；其中w₅,w₆,w₇,w₈分别为“坏”行为E,F,G,H的行为权值，其取值为w₅＝0.35，w₆＝0.2，w₇＝0.35，w₈＝0.1；E_ji,F_ji,G_ji,H_ji指第j区间段第i个学生若产生对应的行为时其值为1，否则为0。

最后，可以计算得到一节课内集体“好”行为因子集体“坏”行为因子进一步，计算集体课堂学习效率

步骤3，为了避免集体课堂学习效率算法带来的学习效率过分转移的情况，下面用考虑个体课堂学习效率算法来补偿集体算法的缺点。

计算每个学生的“好”行为因子P_ig，i＝1，2,3...N(班上总人数为N)，其中，w_j1,w_j2,w_j3,w_j4分别为“好”行为A,B,C,D在第j区间的行为权值，其取值情况如表2所示；A_ij,B_ij,C_ij,D_ij指第i个学生在第j区间若产生对应的行为时其值为1，否则为0。

计算每个学生的“坏”行为因子P_ib,i＝1，2,3...N(班上总人数为N)，其中w₅,w₆,w₇,w₈分别为“坏”行为E,F,G,H的行为权值，其取值一般为w₅＝0.35，w₆＝0.2，w₇＝0.35，w₈＝0.1，E_ij,F_ij,G_ij,H_ij指第i个学生在第j区间若产生对应的行为时其值为1，否则为0。

最后，可以计算得到一节课内每个学生的课堂学习效率 统计出p_i≥P_set的人数Z,P_set表示学生的期望课堂学习效率定值，可以视具体情况而定，例如一般情况下，认为计算得出的单个学生学习效率达到P_set＝55％以上，就代表该学生上课是比较认真的，若对学生的要求更高，则可相应的提高学习效率定值P_set。进一步，计算个体课堂学习效率为

步骤4，根据步骤2和步骤3所得的p_a和p_β，可以得出考虑个体因素的集体算法的最终课堂效率计算结果为p＝λ₁p_α+λ₂p_β，其中λ₁，λ₂分别为P_α和P_β的分配系数，可视具体情况而定，例如一般情况下取P_α＝P_β＝0.5，当人们更注重课堂上的整体学习效果时，可以适当增加p_a的比率，而当人们更注重从认真学习的学生人数占总人数的比值来判断整个课堂学习的效率时，可以适当增加p_β的比率。

本发明一种基于人脸表情和人体动作识别的课堂学习效率分析算法，有益效果如下：

本发明方法结合个体课堂学习效率对集体课堂学习效率算法做了补充，避免了单一的集体算法带来的学习效率过分转移导致对整个课堂学习效率算法的结果带来的不好影响，并且在每个区间段内给各个动作赋予的权值是不一样的，即给予该区间应该出现的行为更高的权值，这样更符合实际情况，最终所得的结果能更加准确的反映学生的课堂学习情况。

附图说明

图1为应用本发明的算法流程图。

具体实施方式

本发明提出的基于人脸表情和人体动作识别的课堂学习效率分析算法，结合附图及实施例详细说明如下：

实施例选取一个班上有50人即N＝50，设一节课45分钟，将其分成45个小的区间段，即M＝45，学生的上课情况按区间段统计情况如下表3所示：

表3：按区间统计的学生课堂上课情况

其中：权属是指该区间内给每个动作所赋予的权值是按照表2来赋值的。按各个学生的上课情况统计如下表4所示：

表4：按每个学生上课情况统计的课堂情况

(1)先用集体课堂学习算法算出学生的集体课堂学习效率p_α，步骤如下：

用公式和求出每个区间段“好”和“坏”行为因子：

第一区间段“好”行为因子为p_1g＝(27×0.3+5×0.2+1×0.3+0×0.2)＝9.4；

第一区间“坏”行为因子为P_1b＝0×0.35+6×0.2+11×0.35+0×0.1＝5.05，同理可得p_2g，p_3g...p_45g及p_2b，p_3b...p_45b，其结果见表3。

进而可得在一节课45分钟内“好”行为因子总共为

“坏”行为因子共有

进一步，利用集体课堂学习效率算法计算得到学生集体课堂学习效率为：

(2)再用个体课堂学习效率算法计算得出学生的课堂学习效率p_β，步骤如下：

先由表3可得到一到五权占总权属的比例，简称权占比，如下表5所示

表5：集体算法中一到五权的权占比

注：例如权一的权占比为6/45＝0.133,该值可以体现整体50人在每个区间各动作的大致赋权情况，也可以用于具体的每个学生在各区间，对其8种行为的赋权值情况，下面求每个人在每个区间的“好”和“坏”的行为的赋权值将按照这些权占比来分配权重。

然后，由公式和算出第i个学生的“好”和“坏”行为因子。

即第一个同学的好的行为因子为：

注：这里用到了表5的权占比，即各学生的8种行为的权属情况按照权占比分配。如表4所示以第一名学生的A动作发生在20个区间段为例，这20个区间段里这位同学所产生的20个A行为所赋予的权值是不一样的，这要根据这20个区间段里的8种行为情况而定，即要根据表二而定，而可以设计这20个A行为有13.3％按照第一套权值赋值，即按一权赋值，6.7％按照二权赋值，8.9％按照三权赋值，17.8％按照四权赋值，53.3％按照五权赋值，同理对表4中每个学生A,B,C,D行为在每个区间段的赋值情况可以按照此法赋权值。

第一个同学的“坏”行为因子为：

进一步，可得第一个同学的课堂学习效率为：

同理可得其他学生的“好”和“坏”行为因子p_2g,p_3g,...p_50g；p_2b,p_3b,...p_50b，最终可得第2到50名学生的课堂学习效率分别为：p₂,p₃,...p₅₀，其结果如表4所示。

统计出课堂学习效率大于或等于p_set，这里取p_set＝60％的学生人数Z＝37,最终可得出利用个体课堂学习效率算法求得学生的课堂学习效率

(3)由步骤(1)，(2)所得的P_α和P_β，计算求得最终的学生课堂学习效率：P＝λ₁P_α+λ₂P_β＝0.5×77.76％+0.5×74％＝75.88％，这里取λ₁＝λ₂＝0.5，可以得出该班的学生课堂学习效率良好。

Claims (3)

1.一种基于人脸表情和人体动作识别的课堂学习效率分析算法，其特征在于包括以下步骤：

步骤1，将一节课按时间分成M个区间段；利用布置在教室内的监视与信息处理系统，获取各区间段内每个同学的表情和动作等统计信息，基于N个学生上课时的表情和动作具体情况，设置“好”行为为Aⁱ，i＝1,2,...,α；“坏”行为为Bⁱ，i＝1,2,...,β；

步骤2，计算学生集体课堂学习效率P_α，具体如下：

步骤2-1、首先根据每一种行为在各区间段总人数的表现，选取“好”行为A¹,A²,A³,...,A^α在各区间的行为权值；

步骤2-2、计算每个区间段“好”行为因子P_jg，j＝1,2,3...M；其中：w_j1,w_j2,w_j3,...,w_jα分别为“好”行为A¹,A²,A³,...,A^α在第j区间的行为权值，A¹ _ji,A² _ji,A³ _ji,...,A^α _ji指第j区间段第i个学生若产生对应的行为时其值为1，否则为0；

步骤2-3、计算每个区间段“坏”行为因子P_jb，，j＝1,2,3...M；其中：w_b1,w_b2,w_b3,...,w_bβ分别为B¹ _ji,B² _ji,B³ _ji,...,B^β _ji的行为权值，其取值一般为固定值；B¹ _ji,B² _ji,B³ _ji,...,B^β _ji指第j区间段第i个学生若产生对应的行为时其值为1，否则为0；

步骤2-4、计算得到一节课内集体“好”行为因子集体“坏”行为因子

步骤2-5、计算集体课堂学习效率

步骤3，考虑个体课堂学习效率算法来补偿集体算法的缺点，具体如下：

步骤3-1、计算每个学生的“好”行为因子P_ig，i＝1，2,3...N，班上总人数为N，其中：w_j1,w_j2,w_j3,...,w_jα分别为“好”行为A¹,A²,A³,...,A^α在第j区间的行为权值，A¹ _ij,A² _ij,A³ _ij,...,A^α _ij指第i个学生在第j区间若产生对应的行为时其值为1，否则为0；

步骤3-2、计算每个学生的“坏”行为因子P_ib,i＝1，2,3...N，班上总人数为N，其中：w_b1,w_b2,w_b3,...,w_bβ分别为“坏”行为B¹,B²,B³,...,B^β的行为权值，其取值一般为固定值，B¹ _ij,B² _ij,B³ _ij,...,B^β _ij指第i个学生在第j区间若产生对应的行为时其值为1，否则为0；

步骤3-3、计算一节课内每个学生的课堂学习效率统计出p_i≥P_set的人数Z,P_set表示学生的期望课堂学习效率定值，可以视具体情况而定，进一步，计算个体课堂学习效率为

步骤4，根据步骤2和步骤3所得的p_a和p_β，可以得出考虑个体因素的集体算法的最终课堂效率计算结果为p＝λ₁p_α+λ₂p_β，其中：λ₁，λ₂分别为P_α和P_β的分配系数，可视具体情况而定。

2.根据权利要求1所述的一种基于人脸表情和人体动作识别的课堂学习效率分析算法，其特征在于：

利用布置在教室内的多个摄像机与热释红外探测器，获取各区间段内N个同学的8种行为的统计信息；“好”行为为A—抬头认真听讲，B—低头看课本，C—做笔记，D—提问/回答老师的问题，“坏”行为为E—打瞌睡，F—交头接耳说话，G—玩手机，H—中途离场；

首先根据每一种行为在各区间段总人数的表现，选取“好”行为A,B,C,D在各区间的行为权值，如表2所示：

表2：A,B,C,D行为在各区间段的行为权值

其中：这里θ的取值为0.55，D行为的权属优先级高于A,B,C,即只要区间内有D行为出现，即该区间的权属按四权赋权值。

3.根据权利要求1所述的一种基于人脸表情和人体动作识别的课堂学习效率分析算法，其特征在于：上述步骤2-1、步骤2-2、步骤3-1中所述的行为权值的取值方法，如表1所示：

表1：A¹,A¹,A¹,...,A^α行为在各区间段的行为权值

其中：θ表示A¹,A¹,A¹,...,A^α行为在各区间段产生的人次占总人数的比例，num₁₁，num₁₂，...，num_nα表示行为权值。