CN111914801A - 一种用于智慧教育的课堂分析方法 - Google Patents
一种用于智慧教育的课堂分析方法 Download PDFInfo
- Publication number
- CN111914801A CN111914801A CN202010826870.XA CN202010826870A CN111914801A CN 111914801 A CN111914801 A CN 111914801A CN 202010826870 A CN202010826870 A CN 202010826870A CN 111914801 A CN111914801 A CN 111914801A
- Authority
- CN
- China
- Prior art keywords
- classroom
- student
- analysis
- image
- sub
- 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.)
- Withdrawn
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 165
- 230000006399 behavior Effects 0.000 claims abstract description 45
- 238000010276 construction Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000002123 temporal effect Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 210000003127 knee Anatomy 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007786 learning performance Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Educational Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Psychiatry (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用于智慧教育的课堂分析方法,其包括:教师终端发送课堂分析请求到课堂分析平台;课堂分析平台的课程视频获取模块根据课堂分析请求获取目标课堂视频;部位划分模块将通过目标课堂视频生成的学生分析标准图像集中的每张学生分析标准图像划分为若干个部位子区域,并识别每个部位子区域的区域关键特征点;行为构建模块对每个部位子区域的各区域关键特征点进行归一化处理以得到每个部位子区域的归一化特征节点;行为构建模块通过学生分析标准图像集中的每张学生分析标准图像的每个部位子区域的归一化特征节点的轨迹信息构建学生行为以生成课堂表现报告;教师终端根据每个学生的课堂表现报告进行教学评估和教学管理。
Description
技术领域
本发明涉及大数据和智慧教育领域,尤其涉及一种用于智慧教育的课堂分析方法。
背景技术
智慧教育即教育信息化,是指在教育管理、教育教学和教育科研中全面深入地运用现代信息技术来促进教育改革与发展的过程。其技术特点是数字化、网络化、智能化和多媒体化,基本特征是开放、共享、交互、协作。以教育信息化促进教育现代化,用信息技术改变传统模式。
学生的课堂表现的价值体现在教学测评、师资培养、学生个性化辅导等多个方面。一方面可记录教师真实的教学情况,并据此作为评教和自评的客观依据,以提升教师的教学能力;另一方面能记录学生千差万别的个性、能力和学习习惯,尽可能实现个性化的辅导,并对其成长状况进行长期监测。
现阶段观察记录和分析学生的课堂学习表现主要是靠授课老师课堂现场人为监督,以及授课老师在课后通过视频资料对学生学习表现进行评估,并由授课老师根据学生的学习表进行分析和统计以得到学生的课堂表现。
然而,这两种评估方式主要存在工作耗时长、自动化程度低、授课老师分散精力,降低授课效率和无法全面准确地记录所有学生的学习行为等问题。
发明内容
针对现有技术之不足,本发明提供了一种用于智慧教育的课堂分析方法,其包括以下步骤:教师终端发送课堂分析请求到课堂分析平台,所述课堂分析请求包括:授课时间、授课地点、授课教师和课程名称;
课堂分析平台的课程视频获取模块根据课堂分析请求的授课时间、授课地点、授课教师和课程名称从数据库获取目标课堂视频;
课堂视频分割模块在时间维度上按照预设时间步长对目标课堂视频进行图像帧切割处理以得到课堂图像集;
课堂分析图像模块提取课堂图像集中每个课堂图像的多维空间特征和多维时间特征,并将每个课堂图像的多维空间特征和多维时间特征在时间维度和空间维度进行加权特征融合以得课堂分析图像,然后对所有课堂分析图像进行处理以得到课堂分析图像集;
学生识别模块识别课堂分析图像集的每个课堂分析图像的每个学生,并提取每个课堂分析图像的每个学生的图像以得到每个学生的学生分析图像集;
图像预处理模块对学生分析图像集中的每个学生分析图像进行前景图像分割,并识别每个学生分析图像中的学生并获取每个学生的中心点,然后根据每个学生的中心点对每个学生进行定位以得到学生分析标准图像集;
部位划分模块将学生分析标准图像集中的每张学生分析标准图像划分为若干个部位子区域,并识别每个部位子区域的区域关键特征点,然后获取每个区域关键特征点在学生坐标系下的坐标位置;
行为构建模块对每张学生分析标准图像的每个部位子区域的各区域关键特征点进行归一化处理以得到每个部位子区域的归一化特征节点;
行为构建模块通过学生分析标准图像集中的每张学生分析标准图像的每个部位子区域的归一化特征节点的轨迹信息构建学生行为,并根据所述学生行为生成学生的课堂表现报告,并将其发送到教师终端;
教师终端根据接收到的每个学生的课堂表现报告进行教学评估和教学管理。
根据一个优选实施方式,教师终端为教师使用的具有通信功能和数据传输功能的智能设备,其包括:智能手机、平板电脑、笔记本电脑和台式电脑。
根据一个优选实施方式,所述学生课堂表现报告包括学生的课堂活跃度、课堂行为占比、课堂行为趋势和学生专注度。
根据一个优选实施方式,所述课堂行为包括:举手、站立、侧身、趴桌和端正。
根据一个优选实施方式,所述部位子区域包括:头部子区域、颈部子区域、肩部子区域、肘部子区域、手部子区域、臀部子区域、膝部子区域和脚部子区域。
根据一个优选实施方式,部位划分模块将每张学生分析标准图像划分为若干个部位子区域包括:
部位划分模块获取每张学生分析标准图像的图像共生矩阵,并根据所述图像共生矩阵获取每个部位子区域的区域大小和边界长度;所述图像共生矩阵为对图像上保持特定距离的两象素分别具有某灰度的状况进行统计得到;
部位划分模块根据每个部位子区域的区域大小和边界长度进行第一部位划分以得到第一部位划分结果;
部位划分模块根据第一部位划分结果获取每个部位子区域的边缘点的初始位置;
部位划分模块根据各部位子区域的区域平滑曲线、区域紧凑性和区域大小构建每个部位子区域的约束划分条件;
部位划分模块根据第一部位划分结果和每个部位子区域的约束划分条件进行第二部位划分以得到若干个部位子区域。
根据一个优选实施方式,课堂分析图像模块提取课堂图像集中每个课堂图像的多维空间特征和多维时间特征包括:
课堂分析图像模块获取课堂图像的空间特征和时间特征;
课堂分析图像模块根据课堂图像的相邻像素的关联特性利用白化进行去相关操作以去除空间特征和时间特征的冗余信息;
课堂分析图像模块获取课堂图像中的特征点和每个特征点的编码系数,并对每个特征点的编码系数求和,然后将得到的和值作为课堂图像的全局表示;
课堂分析图像模块获取空间特征和时间特征的空间编码向量和时间编码向量,并将空间编码向量和时间编码向量进行归一化操作以得到课堂图像的多维空间特征和多维时间特征。
根据一个优选实施方式,所述学生坐标系为以对应学生的中心点为坐标系原点的坐标系。
根据一个优选实施方式,所述区域关键特征点为对学生行为分析具有关键性作用的特征点。
本发明具有以下有益效果:本发明可以通过对目标课堂视频进行图像帧切割处理和加权特征融合以得到课堂分析图像集,并根据课堂分析图像集对学生的部位子区域的进行分析以识别学生在课堂中举手、站立、侧身、趴桌、端正等多种课堂行为并生成学生的课堂分析报告。
此外,根据学生的课堂分析报告对课堂中学生的课堂活跃度、课堂行为占比、课堂行为趋势和专注度进行分析以帮助老师了解课堂的关键活跃环节和学生的活跃区域分布等信息,通过统计课堂行为占比和分析课堂行为趋势帮助学校进行更细致的教学评估和更合理的教学管理工作。
附图说明
图1为一示例性实施例提供的用于智慧教育的课堂分析方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
参见图1,在一个实施例中,用于智慧教育的课堂分析方法可以包括:
S1、教师终端发送课堂分析请求到课堂分析平台,所述课堂分析请求包括授课时间、授课地点、授课教师和课程名称。
具体地,教师终端为教师使用的具有通信功能和数据传输功能的智能设备,其包括:智能手机、平板电脑、笔记本电脑和台式电脑。
可选地,课堂分析请求用于指示课堂分析平台对参与目标课程的学生的课堂注意力,课堂行为和学习态度进行分析。
可选地,课堂分析请求包括目标课程的课程标识符、授课时间、授课地点、授课教师和课程名称,目标课程为教师终端指示课堂分析平台正在进行课堂分析的课程,课程标识符用于对课程进行唯一标识,即两不同课程之间的课程标识符不同,不同时间段上课的两相同课程之间的课程标识符不同。
S2、课堂分析平台的课程视频获取模块根据课堂分析请求的授课时间、授课地点、授课教师和课程名称从数据库获取目标课堂视频。
具体地,目标课堂视频为目标课程授课过程中的监控视频。
S3、课堂视频分割模块在时间维度上按照预设时间步长对目标课堂视频进行图像帧切割处理以得到课堂图像集。
可选地,所述课堂图像集包含多个按时间顺序排列的课堂图像,所述预设时间步长为系统预设的获取到的两个课堂图像之间的时间间隔。
课堂图像集为课堂视频分割模块按照预设的时间间隔对目标课堂视频进行图像帧切割以得到若干课堂图像,并将若干课堂图像按照时间先后顺序进行排序以得到课堂图像集。
可选地,预设时间步长根据实际需求和计算资源进行预先设置。
S4、课堂分析图像模块提取课堂图像集中每个课堂图像的多维空间特征和多维时间特征,并将每个课堂图像的多维空间特征和多维时间特征在时间维度和空间维度进行加权特征融合以得课堂分析图像,然后对所有课堂分析图像进行处理以得到课堂分析图像集。
具体地,步骤S4包括:
S4.1、课堂分析图像模块获取课堂图像的空间特征和时间特征,并根据课堂图像的相邻像素的关联特性利用白化进行去相关操作以去除空间特征和时间特征的冗余信息。
S4.2、课堂分析图像模块获取课堂图像中的特征点和每个特征点的编码系数,并对每个特征点的编码系数求和,然后将得到的和值作为课堂图像的全局表示。
S4.3、课堂分析图像模块获取空间特征和时间特征的空间编码向量和时间编码向量,并将空间编码向量和时间编码向量进行归一化操作以得到课堂图像的多维空间特征和多维时间特征。
S4.4、课堂分析图像模块将课堂图像的多维空间特征和多维时间特征在时间维度和空间维度进行加权特征融合得到相应课堂图像的多维时空特征,并根据多维时空特征进行图像重构以得相应的课堂分析图像。
可选地,课堂分析图像模块将课堂图像的多维空间特征和多维时间特征在时间维度和空间维度进行加权特征融合得到相应课堂图像的多维时空特征包括:
课堂分析图像模块将所有的课堂分析图像进行处理得到课堂分析图像集。
S5、学生识别模块识别课堂分析图像集的每个课堂分析图像的每个学生,并提取每个课堂分析图像的每个学生的图像以得到每个学生的学生分析图像集。
可选地,每个学生均有一个对应的学生分析图像集;学生分析图像集用于对对应的学生的课堂表现进行分析。学生分析图像集,包括若干张学生分析图像。
具体地,学生识别模块识别课堂分析图像集中第一个课堂分析图像中的第一个学生,并提取课堂分析图像集中第一个课堂分析图像中的目标学生的学生图像,学生识别模块依次识别课堂分析图像集中接下来每个课堂分析图像中的目标学生,并依次提取课堂分析图像集中每个课堂分析图像中的目标学生的学生图像,并将所有的学生图像进行处理得到目标学生的学生分析图像集。
S6、图像预处理模块对学生分析图像集中的每个学生分析图像进行前景图像分割,并识别每个学生分析图像中的学生并获取每个学生的中心点,然后根据每个学生的中心点对每个学生进行定位以得到学生分析标准图像集。
具体地,学生分析标准图像集包括,若干张学生分析标准图像。
可选地,图像预处理模块识别每个学生分析图像中的学生并获取学生的中心点,并根据学生在对应的学生分析图像中的位置获取学生中心点在每个学生分析图像中的位置。
S7、部位划分模块将学生分析标准图像集中的每张学生分析标准图像划分为若干个部位子区域,并识别每个部位子区域的区域关键特征点,然后获取每个区域关键特征点在学生坐标系下的坐标位置。
可选地,学生坐标系为以对应学生的中心点为坐标系原点的坐标系。
可选地,区域关键特征点为对学生行为分析具有关键性作用的特征点。
部位子区域包括头部子区域、颈部子区域、肩部子区域、肘部子区域、手部子区域、臀部子区域、膝部子区域和脚部子区域。
具体地,步骤S7包括:
S7.1、部位划分模块获取每张学生分析标准图像的图像共生矩阵,并根据所述图像共生矩阵获取每个部位子区域的区域大小和边界长度;所述图像共生矩阵为对图像上保持特定距离的两象素分别具有某灰度的状况进行统计得到。
S7.2、部位划分模块根据每个部位子区域的区域大小和边界长度进行第一部位划分以得到第一部位划分结果。
S7.2、部位划分模块根据第一部位划分结果获取每个部位子区域的边缘点的初始位置。
S7.3、部位划分模块根据各部位子区域的区域平滑曲线、区域紧凑性和区域大小构建每个部位子区域的约束划分条件。
S7.4、部位划分模块根据第一部位划分结果和每个部位子区域的约束划分条件进行第二部位划分以得到若干个部位子区域。
S8、行为构建模块对每张学生分析标准图像的每个部位子区域的各区域关键特征点进行归一化处理以得到每个部位子区域的归一化特征节点。
S9、行为构建模块通过学生分析标准图像集中的每张学生分析标准图像的每个部位子区域的归一化特征节点的轨迹信息构建学生行为,并根据所述学生行为生成学生的课堂表现报告,并将其发送到教师终端。
学生课堂表现报告包括学生的课堂活跃度、课堂行为占比、课堂行为趋势和学生专注度。
可选地,课堂行为包括举手、站立、侧身、趴桌和端正。
可选地,课堂活跃度为学生在课堂上的活跃程度、
可选地,课堂行为占比为学生在课堂中每个行为的时间占比,例如在整节课中,学生趴在桌上的时间占整堂课时间的比例,学生端正坐着的时间占整堂课时间的比例。
S10、教师终端根据接收到的每个学生的课堂表现报告进行教学评估和教学管理。
本发明可以通过对目标课堂视频进行图像帧切割处理和加权特征融合以得到课堂分析图像集,并根据课堂分析图像集对学生的部位子区域的进行分析以识别学生在课堂中举手、站立、侧身、趴桌、端正等多种课堂行为并生成学生的课堂分析报告。
此外,根据学生的课堂分析报告对课堂中学生的课堂活跃度、课堂行为占比、课堂行为趋势和专注度进行分析以帮助老师了解课堂的关键活跃环节和学生的活跃区域分布等信息,并通过统计课堂行为占比和分析课堂行为趋势帮助学校进行更细致的教学评估和更合理的教学管理工作。
在一个实施例中,用于实现本发明方法的智慧教育课堂分析系统包括:若干个教师终端和课堂分析平台,其中课堂分析平台分别与若干个教师终端具有通信连接,教师终端为教师或管理员使用的具有通信功能和数据传输功能的智能设备,其包括:智能手机、平板电脑、笔记本电脑和台式电脑。
教师终端用于根据需要发送课堂分析请求到课堂分析平台并根据接收到的每个学生的课堂表现报告进行教学评估和教学管理。
课堂分析平台包括:课程视频获取模块、课堂视频分割模块、课堂分析图像模块、学生识别模块、图像预处理模块、部位划分模块、行为构建模块和数据库,其中各模块间具有通信连接。
课程视频用于根据课堂分析请求从数据库获取目标课堂视频。
课堂视频分割模块在时间维度上按照预设时间步长对目标课堂视频进行图像帧切割处理以得到课堂图像集。
课堂分析图像模块用于提取课堂图像集中每个课堂图像的多维空间特征和多维时间特征,并将每个课堂图像的多维空间特征和多维时间特征在时间维度和空间维度进行加权特征融合以得课堂分析图像,然后对所有课堂分析图像进行处理以得到课堂分析图像集。
学生识别模块用于识别课堂分析图像集的每个课堂分析图像的每个学生,并提取每个课堂分析图像的每个学生的图像以得到每个学生的学生分析图像集。
图像预处理模块用于对学生分析图像集中的每个学生分析图像进行前景图像分割,并识别每个学生分析图像中的学生并获取每个学生的中心点,然后根据每个学生的中心点对每个学生进行定位以得到学生分析标准图像集。
部位划分模块用于将学生分析标准图像集中的每张学生分析标准图像划分为若干个部位子区域,并识别每个部位子区域的区域关键特征点,然后获取每个区域关键特征点在学生坐标系下的坐标位置。
行为构建模块用于对每张学生分析标准图像的每个部位子区域的各区域关键特征点进行归一化处理以得到每个部位子区域的归一化特征节点。
行为构建模块用于通过学生分析标准图像集中的每张学生分析标准图像的每个部位子区域的归一化特征节点的轨迹信息构建学生行为,并根据所述学生行为生成学生的课堂表现报告。数据库用于存储课堂监控视频和其他用于进行课堂分析的数据。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (8)
1.一种用于智慧教育的课堂分析方法,其特征在于,教师终端发送课堂分析请求到课堂分析平台,所述课堂分析请求包括:授课时间、授课地点、授课教师和课程名称;
课堂分析平台的课程视频获取模块根据课堂分析请求的授课时间、授课地点、授课教师和课程名称从数据库获取目标课堂视频;
课堂视频分割模块在时间维度上按照预设时间步长对目标课堂视频进行图像帧切割处理以得到课堂图像集;
课堂分析图像模块提取课堂图像集中每个课堂图像的多维空间特征和多维时间特征,并将每个课堂图像的多维空间特征和多维时间特征在时间维度和空间维度进行加权特征融合以得课堂分析图像,然后对所有课堂分析图像进行处理以得到课堂分析图像集;
学生识别模块识别课堂分析图像集的每个课堂分析图像的每个学生,并提取每个课堂分析图像的每个学生的图像以得到每个学生的学生分析图像集;
图像预处理模块对学生分析图像集中的每个学生分析图像进行前景图像分割,并识别每个学生分析图像中的学生并获取每个学生的中心点,然后根据每个学生的中心点对每个学生进行定位以得到学生分析标准图像集;
部位划分模块将学生分析标准图像集中的每张学生分析标准图像划分为若干个部位子区域,并识别每个部位子区域的区域关键特征点,然后获取每个区域关键特征点在学生坐标系下的坐标位置;
行为构建模块对每张学生分析标准图像的每个部位子区域的各区域关键特征点进行归一化处理以得到每个部位子区域的归一化特征节点;
行为构建模块通过学生分析标准图像集中的每张学生分析标准图像的每个部位子区域的归一化特征节点的轨迹信息构建学生行为,并根据所述学生行为生成学生的课堂表现报告,并将其发送到教师终端;
教师终端根据接收到的每个学生的课堂表现报告进行教学评估和教学管理。
2.根据权利要求1所述的方法,其特征在于,所述学生课堂表现报告包括学生的课堂活跃度、课堂行为占比、课堂行为趋势和学生专注度。
3.根据权利要求2所述的方法,其特征在于,所述课堂行为包括:举手、站立、侧身、趴桌和端正。
4.根据权利要求3所述的方法,其特征在于,所述部位子区域包括:头部子区域、颈部子区域、肩部子区域、肘部子区域、手部子区域、臀部子区域、膝部子区域和脚部子区域。
5.根据权利要求4所述的方法,其特征在于,部位划分模块将每张学生分析标准图像划分为若干个部位子区域包括:
部位划分模块获取每张学生分析标准图像的图像共生矩阵,并根据所述图像共生矩阵获取每个部位子区域的区域大小和边界长度;所述图像共生矩阵为对图像上保持特定距离的两象素分别具有某灰度的状况进行统计得到;
部位划分模块根据每个部位子区域的区域大小和边界长度进行第一部位划分以得到第一部位划分结果;
部位划分模块根据第一部位划分结果获取每个部位子区域的边缘点的初始位置;
部位划分模块根据各部位子区域的区域平滑曲线、区域紧凑性和区域大小构建每个部位子区域的约束划分条件;
部位划分模块根据第一部位划分结果和每个部位子区域的约束划分条件进行第二部位划分以得到若干个部位子区域。
6.根据权利要求5所述的方法,其特征在于,课堂分析图像模块提取课堂图像集中每个课堂图像的多维空间特征和多维时间特征包括:
课堂分析图像模块获取课堂图像的空间特征和时间特征;
课堂分析图像模块根据课堂图像的相邻像素的关联特性利用白化进行去相关操作以去除空间特征和时间特征的冗余信息;
课堂分析图像模块获取课堂图像中的特征点和每个特征点的编码系数,并对每个特征点的编码系数求和,然后将得到的和值作为课堂图像的全局表示;
课堂分析图像模块获取空间特征和时间特征的空间编码向量和时间编码向量,并将空间编码向量和时间编码向量进行归一化操作以得到课堂图像的多维空间特征和多维时间特征。
7.根据权利要求6所述的方法,其特征在于,所述学生坐标系为以对应学生的中心点为坐标系原点的坐标系。
8.根据权利要求7所述的方法,其特征在于,所述区域关键特征点为对学生行为分析具有关键性作用的特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826870.XA CN111914801A (zh) | 2020-08-17 | 2020-08-17 | 一种用于智慧教育的课堂分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826870.XA CN111914801A (zh) | 2020-08-17 | 2020-08-17 | 一种用于智慧教育的课堂分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111914801A true CN111914801A (zh) | 2020-11-10 |
Family
ID=73278265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010826870.XA Withdrawn CN111914801A (zh) | 2020-08-17 | 2020-08-17 | 一种用于智慧教育的课堂分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914801A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610676A (zh) * | 2021-07-08 | 2021-11-05 | 湖南电子科技职业学院 | 一种基于云平台的计算机教学授课系统 |
CN117095464A (zh) * | 2023-09-12 | 2023-11-21 | 广州乐庚信息科技有限公司 | 一种基于图像识别的学生课堂学习习惯分析方法及系统 |
CN117201742A (zh) * | 2023-09-11 | 2023-12-08 | 江苏财经职业技术学院 | 用于智慧课堂的视频监控系统 |
-
2020
- 2020-08-17 CN CN202010826870.XA patent/CN111914801A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610676A (zh) * | 2021-07-08 | 2021-11-05 | 湖南电子科技职业学院 | 一种基于云平台的计算机教学授课系统 |
CN117201742A (zh) * | 2023-09-11 | 2023-12-08 | 江苏财经职业技术学院 | 用于智慧课堂的视频监控系统 |
CN117095464A (zh) * | 2023-09-12 | 2023-11-21 | 广州乐庚信息科技有限公司 | 一种基于图像识别的学生课堂学习习惯分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522815B (zh) | 一种专注度评估方法、装置及电子设备 | |
CN111914801A (zh) | 一种用于智慧教育的课堂分析方法 | |
CN109284737A (zh) | 一种用于智慧教室的学生行为分析和识别系统 | |
US10922991B2 (en) | Cluster analysis of participant responses for test generation or teaching | |
CN111726586A (zh) | 一种生产体系操作规范监测提醒系统 | |
JP2020525965A (ja) | 教学補助方法およびその方法を採用する教学補助システム | |
ZA202300610B (en) | System and method for crop monitoring | |
CN109902912B (zh) | 一种基于性格特征的个性化图像美学评价方法 | |
CN112541529A (zh) | 表情与姿态融合的双模态教学评价方法、设备及存储介质 | |
EP3623998A1 (en) | Character recognition | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
Abdulkader et al. | Optimizing student engagement in edge-based online learning with advanced analytics | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN110163567A (zh) | 基于多任务级联卷积神经网络的课堂点名系统 | |
CN113705510A (zh) | 目标识别跟踪的方法、装置、设备及存储介质 | |
CN111160277A (zh) | 行为识别分析方法和系统、计算机可读存储介质 | |
CN115578770A (zh) | 基于自监督的小样本面部表情识别方法及系统 | |
CN114898460A (zh) | 一种基于图卷积神经网络的教师非言语行为检测方法 | |
CN114187640A (zh) | 一种基于线上课堂的学情观察方法、系统、设备及介质 | |
CN111832543A (zh) | 一种用于智慧教育的课堂分析系统 | |
Prasad Dhore et al. | Resourceful Investigation of Malnutrition with Machine Learning Using CNN Procedure | |
US20110305366A1 (en) | Adaptive Action Detection | |
Takane et al. | Multidimensional scaling | |
CN115984968A (zh) | 一种学生时空动作识别方法、装置、终端设备及介质 | |
CN115221452A (zh) | 基于可视化配置的门户构建方法、系统、电子设备及介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201110 |
|
WW01 | Invention patent application withdrawn after publication |