CN112182415B - 智能学习引导方法和系统 - Google Patents

智能学习引导方法和系统 Download PDF

Info

Publication number
CN112182415B
CN112182415B CN202010924422.3A CN202010924422A CN112182415B CN 112182415 B CN112182415 B CN 112182415B CN 202010924422 A CN202010924422 A CN 202010924422A CN 112182415 B CN112182415 B CN 112182415B
Authority
CN
China
Prior art keywords
learning data
face image
knowledge learning
preset user
image
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.)
Active
Application number
CN202010924422.3A
Other languages
English (en)
Other versions
CN112182415A (zh
Inventor
许昭慧
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.)
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Original Assignee
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
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 Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd filed Critical Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority to CN202010924422.3A priority Critical patent/CN112182415B/zh
Publication of CN112182415A publication Critical patent/CN112182415A/zh
Application granted granted Critical
Publication of CN112182415B publication Critical patent/CN112182415B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了智能学习引导方法和系统，其通过对不同预设用户进行预先的图像拍摄、和脸部图像与历史知识学习数据的处理，再根据当前实际用户的实际脸部图像与所有预设用户的脸部图像之间的图像相似度来向该当前实际用户推送合适的知识学习数据，其能够针对不同实际用户自身的特点，向其推送匹配的知识学习数据，从而引导用户进行合适的知识学习进度和提高用户的知识学习效率和改善用户的学习体验。

Description

智能学习引导方法和系统
技术领域
本发明涉及智能教育的技术领域，特别涉及智能学习引导方法和系统。
背景技术
目前，用户在线上学习过程中，都是根据预先制定的课程大纲进行知识学习，这种线上学习模式的知识学习过程过于固化，其并不能针对不同用户自身的特点，引导用户学习不同的知识数据或者调整用户的知识学习进度，这不能提高用户的知识学习效率和改善用户的学习体验。
发明内容
针对现有技术存在的缺陷，本发明提供智能学习引导方法和系统，其通过对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对该脸部图像进行图像预处理，从而形成标准化脸部图像，再获取每一个预设用户的历史知识学习数据集合，从该历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据，并且针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息，最后根据当前实际用户的实际脸部图像与该标准化脸部图像之间的图像差异信息以及该对应关系信息，向该当前实际用户推送对应的预设用户的具有最高兴趣度的知识学习数据；可见，该智能学习引导方法和系统通过对不同预设用户进行预先的图像拍摄、和脸部图像与历史知识学习数据的处理，再根据当前实际用户的实际脸部图像与所有预设用户的脸部图像之间的图像相似度来向该当前实际用户推送合适的知识学习数据，其能够针对不同实际用户自身的特点，向其推送匹配的知识学习数据，从而引导用户进行合适的知识学习进度和提高用户的知识学习效率和改善用户的学习体验。
本发明提供智能学习引导方法，其特征在于，其包括如下步骤：
步骤S1，对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对所述脸部图像进行图像预处理，从而形成标准化脸部图像；
步骤S2，获取每一个预设用户的历史知识学习数据集合，从所述历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据，并且针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息；
步骤S3，根据当前实际用户的实际脸部图像与所述标准化脸部图像之间的图像差异信息以及所述对应关系信息，向所述当前实际用户推送对应的预设用户的具有最高兴趣度的知识学习数据；
进一步，在所述步骤S1中，对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对所述脸部图像进行图像预处理，从而形成标准化脸部图像具体包括：
步骤S101，对预设用户进行双目拍摄，以此获得关于预设用户在两个不同方位角度的第一视角子图像和第二视角子图像，再根据所述第一视角子图像和所述第二视角子图像之间的图像视差，生成关于预设用户的脸部图像；
步骤S102，对预设用户的脸部图像进行图像色度调整处理和图像像素锐化处理，从而形成所述标准化脸部图；
进一步，在所述步骤S102中，对预设用户的脸部图像进行图像像素锐化处理具体包括：根据下面公式（1）对所述脸部图像进行图像像素锐化处理，以此将所述脸部图像的原图像像素转换为锐化处理后的图像像素，
Figure 487851DEST_PATH_IMAGE001
（1）
在上述公式（1）中，
Figure 685614DEST_PATH_IMAGE002
(x,y)表示锐化处理后脸部图像在坐标为(x,y)的像素的像素亮度值，h表示预设锐化系数、且其取值为[2，8]，t表示锐化处理的持续时间，c表示锐化处理对应的像素亮度偏移误差系数、且其取值为[0.5，1.5]，f(x,y)表示锐化处理前脸部图像在坐标为(x,y)的像素的像素亮度值；
进一步，在所述步骤S2中，获取每一个预设用户的历史知识学习数据集合，从所述历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据，并且针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息具体包括：
步骤S201，获取预设用户的历史学习过程中的若干项历史知识学习数据，以此组合形成所述历史知识学习数据集合；
步骤S202，确定所述预设用户对每一项历史知识学习数据的学习时间信息，并根据所述学习时间信息，确定所述预设用户的具有最高兴趣度的知识学习数据；
步骤S203，针对每一个预设用户，构建关于所述预设用户自身的标准化脸部图像与其具有最高兴趣度的知识学习数据的一一对应关系信息；
进一步，在所述步骤S202中，根据所述学习时间信息，确定所述预设用户的具有最高兴趣度的知识学习数据具体包括：
将所述预设用户对第一项历史知识学习数据的学习时间与所述预设用户对第二项历史知识学习数据的学习时间进行比较，以此得到第一比较结果，所述第一比较结果为所述第一项历史知识学习数据的学习时间与所述第二项历史学习数据的学习时间中的最大值，再将所述第一比较结果与所述预设用户对第三项历史知识学习数据的学习时间进行比较，从得到第二比较结果，重复上述的过程，直到第N-2比较结果与所述预设用户对第N项历史知识学习数据的学习时间进行比较，从而得到第N-1比较结果，其中N表示所述预设用户对应的历史知识学习数据的总数量，最终将所述第N-1比较结果对应的历史知识学习数据作为所述预设用户的具有最高兴趣度的知识学习数据；
本发明还提供智能学习引导系统，其特征在于，其包括脸部图像拍摄与预处理模块、知识学习数据处理模块、脸部图像-知识学习数据关联构建模块和知识学习数据推送模块；其中，
所述脸部图像拍摄与预处理模块用于对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对所述脸部图像进行图像预处理，从而形成标准化脸部图像；
所述知识学习数据处理模块用于获取每一个预设用户的历史知识学习数据集合，从所述历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据；
所述脸部图像-知识学习数据关联构建模块用于针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息；
所述知识学习数据推送模块用于根据当前实际用户的实际脸部图像与所述标准化脸部图像之间的图像差异信息以及所述对应关系信息，向所述当前实际用户推送对应的预设用户的具有最高兴趣度的知识学习数据；
进一步，所述脸部图像拍摄与预处理模块对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对所述脸部图像进行图像预处理，从而形成标准化脸部图像具体包括：
对预设用户进行双目拍摄，以此获得关于预设用户在两个不同方位角度的第一视角子图像和第二视角子图像，再根据所述第一视角子图像和所述第二视角子图像之间的图像视差，生成关于预设用户的脸部图像；
再对预设用户的脸部图像进行图像色度调整处理和图像像素锐化处理，从而形成所述标准化脸部图像；
进一步，所述知识学习数据处理模块获取每一个预设用户的历史知识学习数据集合，从所述历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据具体包括：
获取预设用户的历史学习过程中的若干项历史知识学习数据，以此组合形成所述历史知识学习数据集合；
再确定所述预设用户对每一项历史知识学习数据的学习时间信息，并根据所述学习时间信息，确定所述预设用户的具有最高兴趣度的知识学习数据；
以及，
所述脸部图像-知识学习数据关联构建模块针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息具体包括针对每一个预设用户，构建关于所述预设用户自身的标准化脸部图像与其具有最高兴趣度的知识学习数据的一一对应关系信息；
相比于现有技术，该智能学习引导方法和系统通过对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对该脸部图像进行图像预处理，从而形成标准化脸部图像，再获取每一个预设用户的历史知识学习数据集合，从该历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据，并且针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息，最后根据当前实际用户的实际脸部图像与该标准化脸部图像之间的图像差异信息以及该对应关系信息，向该当前实际用户推送对应的预设用户的具有最高兴趣度的知识学习数据；可见，该智能学习引导方法和系统通过对不同预设用户进行预先的图像拍摄、和脸部图像与历史知识学习数据的处理，再根据当前实际用户的实际脸部图像与所有预设用户的脸部图像之间的图像相似度来向该当前实际用户推送合适的知识学习数据，其能够针对不同实际用户自身的特点，向其推送匹配的知识学习数据，从而引导用户进行合适的知识学习进度和提高用户的知识学习效率和改善用户的学习体验。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的智能学习引导方法的流程示意图。
图2为本发明提供的智能学习引导系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，为本发明实施例提供的智能学习引导方法的流程示意图。该智能学习引导方法包括如下步骤：
步骤S1，对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对该脸部图像进行图像预处理，从而形成标准化脸部图像；
步骤S2，获取每一个预设用户的历史知识学习数据集合，从该历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据，并且针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息；
步骤S3，根据当前实际用户的实际脸部图像与该标准化脸部图像之间的图像差异信息以及该对应关系信息，向该当前实际用户推送对应的预设用户的具有最高兴趣度的知识学习数据。
优选地，在该步骤S1中，对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对该脸部图像进行图像预处理，从而形成标准化脸部图像具体包括：
步骤S101，对预设用户进行双目拍摄，以此获得关于预设用户在两个不同方位角度的第一视角子图像和第二视角子图像，再根据该第一视角子图像和该第二视角子图像之间的图像视差，生成关于预设用户的脸部图像；
步骤S102，对预设用户的脸部图像进行图像色度调整处理和图像像素锐化处理，从而形成该标准化脸部图像。
优选地，在该步骤S102中，对预设用户的脸部图像进行图像像素锐化处理具体包括：根据下面公式（1）对该脸部图像进行图像像素锐化处理，以此将该脸部图像的原图像像素转换为锐化处理后的图像像素，
Figure 357904DEST_PATH_IMAGE003
f(x,y)（1）
在上述公式（1）中，
Figure 590302DEST_PATH_IMAGE002
(x,y)表示锐化处理后脸部图像在坐标为(x,y)的像素的像素亮度值，h表示预设锐化系数、且其取值为[2，8]，t表示锐化处理的持续时间，c表示锐化处理对应的像素亮度偏移误差系数、且其取值为[0.5，1.5]，f(x,y)表示锐化处理前脸部图像在坐标为(x,y)的像素的像素亮度值。
优选地，在该步骤S2中，获取每一个预设用户的历史知识学习数据集合，从该历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据，并且针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息具体包括：
步骤S201，获取预设用户的历史学习过程中的若干项历史知识学习数据，以此组合形成该历史知识学习数据集合；
步骤S202，确定该预设用户对每一项历史知识学习数据的学习时间信息，并根据该学习时间信息，确定该预设用户的具有最高兴趣度的知识学习数据；
步骤S203，针对每一个预设用户，构建关于该预设用户自身的标准化脸部图像与其具有最高兴趣度的知识学习数据的一一对应关系信息。
优选地，在该步骤S202中，根据该学习时间信息，确定该预设用户的具有最高兴趣度的知识学习数据具体包括：
将该预设用户对第一项历史知识学习数据的学习时间与该预设用户对第二项历史知识学习数据的学习时间进行比较，以此得到第一比较结果，该第一比较结果为该第一项历史知识学习数据的学习时间与该第二项历史学习数据的学习时间中的最大值，再将该第一比较结果与该预设用户对第三项历史知识学习数据的学习时间进行比较，从得到第二比较结果，重复上述的过程，直到第N-2比较结果与该预设用户对第N项历史知识学习数据的学习时间进行比较，从而得到第N-1比较结果，其中N表示该预设用户对应的历史知识学习数据的总数量，最终将该第N-1比较结果对应的历史知识学习数据作为该预设用户的具有最高兴趣度的知识学习数据。
总体而言，通过设置与不同标准化脸部图像对应的具有最高兴趣度的知识学习数据，当识别确定当前实际用户的实际脸部图像与某一标准化脸部图像之间的具有最高图像相似度时，表明该当前实际用户的实际脸部图像即为预先存储的某一标准化脸部图像，这样就能够直接向该当前实际用户推送该某一标准化脸部图像对应的具有最高兴趣度的知识学习数据，使该当前实际用户能够及时地和准确地获得自己最感兴趣的知识，从而引导该当前实际用户进入相应的知识学习进程中，提高了用户学习的积极性，提升了学习的乐趣以及提高用户学习的智能化水平。
参阅图2，为本发明实施例提供的智能学习引导系统的结构示意图。该智能学习引导系统包括脸部图像拍摄与预处理模块、知识学习数据处理模块、脸部图像-知识学习数据关联构建模块和知识学习数据推送模块；其中，
该脸部图像拍摄与预处理模块用于对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对该脸部图像进行图像预处理，从而形成标准化脸部图像；
该知识学习数据处理模块用于获取每一个预设用户的历史知识学习数据集合，从该历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据；
该脸部图像-知识学习数据关联构建模块用于针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息；
该知识学习数据推送模块用于根据当前实际用户的实际脸部图像与该标准化脸部图像之间的图像差异信息以及该对应关系信息，向该当前实际用户推送对应的预设用户的具有最高兴趣度的知识学习数据。
优选地，该脸部图像拍摄与预处理模块对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对该脸部图像进行图像预处理，从而形成标准化脸部图像具体包括：
对预设用户进行双目拍摄，以此获得关于预设用户在两个不同方位角度的第一视角子图像和第二视角子图像，再根据该第一视角子图像和该第二视角子图像之间的图像视差，生成关于预设用户的脸部图像；
再对预设用户的脸部图像进行图像色度调整处理和图像像素锐化处理，从而形成该标准化脸部图像。
优选地，该知识学习数据处理模块获取每一个预设用户的历史知识学习数据集合，从该历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据具体包括：
获取预设用户的历史学习过程中的若干项历史知识学习数据，以此组合形成该历史知识学习数据集合；
再确定该预设用户对每一项历史知识学习数据的学习时间信息，并根据该学习时间信息，确定该预设用户的具有最高兴趣度的知识学习数据；
以及，
该脸部图像-知识学习数据关联构建模块针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息具体包括针对每一个预设用户，构建关于该预设用户自身的标准化脸部图像与其具有最高兴趣度的知识学习数据的一一对应关系信息。
总体而言，通过设置与不同标准化脸部图像对应的具有最高兴趣度的知识学习数据，当识别确定当前实际用户的实际脸部图像与某一标准化脸部图像之间的具有最高图像相似度时，表明该当前实际用户的实际脸部图像即为预先存储的某一标准化脸部图像，这样就能够直接向该当前实际用户推送该某一标准化脸部图像对应的具有最高兴趣度的知识学习数据，使该当前实际用户能够及时地和准确地获得自己最感兴趣的知识，从而引导该当前实际用户进入相应的知识学习进程中，提高了用户学习的积极性，提升了学习的乐趣以及提高用户学习的智能化水平。
从上述实施例的内容可知，该智能学习引导方法和系统通过对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对该脸部图像进行图像预处理，从而形成标准化脸部图像，再获取每一个预设用户的历史知识学习数据集合，从该历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据，并且针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息，最后根据当前实际用户的实际脸部图像与该标准化脸部图像之间的图像差异信息以及该对应关系信息，向该当前实际用户推送对应的预设用户的具有最高兴趣度的知识学习数据；可见，该智能学习引导方法和系统通过对不同预设用户进行预先的图像拍摄、和脸部图像与历史知识学习数据的处理，再根据当前实际用户的实际脸部图像与所有预设用户的脸部图像之间的图像相似度来向该当前实际用户推送合适的知识学习数据，其能够针对不同实际用户自身的特点，向其推送匹配的知识学习数据，从而引导用户进行合适的知识学习进度和提高用户的知识学习效率和改善用户的学习体验。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.智能学习引导方法，其特征在于，其包括如下步骤：
步骤S1，对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对所述脸部图像进行图像预处理，从而形成标准化脸部图像；
步骤S2，获取每一个预设用户的历史知识学习数据集合，从所述历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据，并且针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息；
步骤S3，根据当前实际用户的实际脸部图像与所述标准化脸部图像之间的图像差异信息以及所述对应关系信息，向所述当前实际用户推送对应的预设用户的具有最高兴趣度的知识学习数据；
其中，在所述步骤S1中，对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对所述脸部图像进行图像预处理，从而形成标准化脸部图像具体包括：
步骤S101，对预设用户进行双目拍摄，以此获得关于预设用户在两个不同方位角度的第一视角子图像和第二视角子图像，再根据所述第一视角子图像和所述第二视角子图像之间的图像视差，生成关于预设用户的脸部图像；
步骤S102，对预设用户的脸部图像进行图像色度调整处理和图像像素锐化处理，从而形成所述标准化脸部图像；
其中，在所述步骤S102中，对预设用户的脸部图像进行图像像素锐化处理具体包括：根据下面公式（1）对所述脸部图像进行图像像素锐化处理，以此将所述脸部图像的原图像像素转换为锐化处理后的图像像素，
Figure 889054DEST_PATH_IMAGE001
（1）
在上述公式（1）中，
Figure 839823DEST_PATH_IMAGE002
表示锐化处理后脸部图像在坐标为
Figure 692242DEST_PATH_IMAGE003
的像素的像素亮度值，h表示预设锐化系数、且其取值为[2，8]，t表示锐化处理的持续时间，c表示锐化处理对应的像素亮度偏移误差系数、且其取值为[0.5，1.5]，
Figure 915413DEST_PATH_IMAGE004
表示锐化处理前脸部图像在坐标为
Figure 495167DEST_PATH_IMAGE003
的像素的像素亮度值。
2.如权利要求1所述的智能学习引导方法，其特征在于：
在所述步骤S2中，获取每一个预设用户的历史知识学习数据集合，从所述历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据，并且针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息具体包括：
步骤S201，获取预设用户的历史学习过程中的若干项历史知识学习数据，以此组合形成所述历史知识学习数据集合；
步骤S202，确定所述预设用户对每一项历史知识学习数据的学习时间信息，并根据所述学习时间信息，确定所述预设用户的具有最高兴趣度的知识学习数据；
步骤S203，针对每一个预设用户，构建关于所述预设用户自身的标准化脸部图像与其具有最高兴趣度的知识学习数据的一一对应关系信息。
3.如权利要求2所述的智能学习引导方法，其特征在于：
在所述步骤S202中，根据所述学习时间信息，确定所述预设用户的具有最高兴趣度的知识学习数据具体包括：
将所述预设用户对第一项历史知识学习数据的学习时间与所述预设用户对第二项历史知识学习数据的学习时间进行比较，以此得到第一比较结果，所述第一比较结果为所述第一项历史知识学习数据的学习时间与所述第二项历史学习数据的学习时间中的最大值，再将所述第一比较结果与所述预设用户对第三项历史知识学习数据的学习时间进行比较，从得到第二比较结果，重复上述的过程，直到第N-2比较结果与所述预设用户对第N项历史知识学习数据的学习时间进行比较，从而得到第N-1比较结果，其中N表示所述预设用户对应的历史知识学习数据的总数量，最终将所述第N-1比较结果对应的历史知识学习数据作为所述预设用户的具有最高兴趣度的知识学习数据。
4.智能学习引导系统，其特征在于，其包括脸部图像拍摄与预处理模块、知识学习数据处理模块、脸部图像-知识学习数据关联构建模块和知识学习数据推送模块；其中，
所述脸部图像拍摄与预处理模块用于对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对所述脸部图像进行图像预处理，从而形成标准化脸部图像；
所述知识学习数据处理模块用于获取每一个预设用户的历史知识学习数据集合，从所述历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据；
所述脸部图像-知识学习数据关联构建模块用于针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息；
所述知识学习数据推送模块用于根据当前实际用户的实际脸部图像与所述标准化脸部图像之间的图像差异信息以及所述对应关系信息，向所述当前实际用户推送对应的预设用户的具有最高兴趣度的知识学习数据；
其中，所述脸部图像拍摄与预处理模块对若干不同预设用户进行拍摄，以此获得关于每一个预设用户的脸部图像，并对所述脸部图像进行图像预处理，从而形成标准化脸部图像具体包括：
对预设用户进行双目拍摄，以此获得关于预设用户在两个不同方位角度的第一视角子图像和第二视角子图像，再根据所述第一视角子图像和所述第二视角子图像之间的图像视差，生成关于预设用户的脸部图像；
再对预设用户的脸部图像进行图像色度调整处理和图像像素锐化处理，从而形成所述标准化脸部图像；
其中，所述对预设用户的脸部图像进行图像像素锐化处理具体包括：根据下面公式（1）对所述脸部图像进行图像像素锐化处理，以此将所述脸部图像的原图像像素转换为锐化处理后的图像像素，
Figure 752973DEST_PATH_IMAGE001
（1）
在上述公式（1）中，
Figure 979555DEST_PATH_IMAGE002
表示锐化处理后脸部图像在坐标为
Figure 299810DEST_PATH_IMAGE003
的像素的像素亮度值，h表示预设锐化系数、且其取值为[2，8]，t表示锐化处理的持续时间，c表示锐化处理对应的像素亮度偏移误差系数、且其取值为[0.5，1.5]，
Figure 309354DEST_PATH_IMAGE004
表示锐化处理前脸部图像在坐标为
Figure 811879DEST_PATH_IMAGE003
的像素的像素亮度值。
5.如权利要求4所述的智能学习引导系统，其特征在于：
所述知识学习数据处理模块获取每一个预设用户的历史知识学习数据集合，从所述历史知识学习数据集合中确定每一个预设用户各自对应的具有最高兴趣度的知识学习数据具体包括：
获取预设用户的历史学习过程中的若干项历史知识学习数据，以此组合形成所述历史知识学习数据集合；
再确定所述预设用户对每一项历史知识学习数据的学习时间信息，并根据所述学习时间信息，确定所述预设用户的具有最高兴趣度的知识学习数据；
以及，
所述脸部图像-知识学习数据关联构建模块针对每一个预设用户构建关于标准化脸部图像与具有最高兴趣度的知识学习数据的对应关系信息具体包括针对每一个预设用户，构建关于所述预设用户自身的标准化脸部图像与其具有最高兴趣度的知识学习数据的一一对应关系信息。
CN202010924422.3A 2020-09-04 2020-09-04 智能学习引导方法和系统 Active CN112182415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010924422.3A CN112182415B (zh) 2020-09-04 2020-09-04 智能学习引导方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010924422.3A CN112182415B (zh) 2020-09-04 2020-09-04 智能学习引导方法和系统

Publications (2)

Publication Number Publication Date
CN112182415A CN112182415A (zh) 2021-01-05
CN112182415B true CN112182415B (zh) 2021-08-17

Family

ID=73924251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010924422.3A Active CN112182415B (zh) 2020-09-04 2020-09-04 智能学习引导方法和系统

Country Status (1)

Country Link
CN (1) CN112182415B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0908845A1 (en) * 1997-10-09 1999-04-14 Agfa-Gevaert N.V. Image sharpening and re-sampling method
CN105550998A (zh) * 2015-12-09 2016-05-04 江苏理工学院 基于二代小波整数变换的图像增强方法及图像增强系统
JP2017028657A (ja) * 2015-07-28 2017-02-02 株式会社Ｓｃｒｅｅｎホールディングス 画像処理方法および画像処理装置
CN107424136A (zh) * 2017-07-31 2017-12-01 北京酷我科技有限公司 一种Mac下图片高斯模糊的处理算法
CN108509851A (zh) * 2018-03-01 2018-09-07 曹婷 基于图像分析的气候危情报警平台
CN109215098A (zh) * 2018-08-20 2019-01-15 广州视源电子科技股份有限公司 笔迹擦除方法和装置
CN109600508A (zh) * 2018-04-10 2019-04-09 吴秋琴 手机播放故障自查方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5772751B2 (ja) * 2012-07-30 2015-09-02 コニカミノルタ株式会社 画像処理装置、表示装置およびプログラム
CN103793518B (zh) * 2014-02-12 2017-11-10 广东小天才科技有限公司 一种学习资源推送方法和装置
CN104732562A (zh) * 2015-03-24 2015-06-24 中国石油集团川庆钻探工程有限公司 一种电成像测井图像相似度比对方法
CN104935787A (zh) * 2015-05-29 2015-09-23 努比亚技术有限公司 图像处理方法及装置
US20190130361A1 (en) * 2017-10-26 2019-05-02 Monangku HAZARIKA Method for rendering human talent management-as-a-service (htmaas) in cloud computing based human talent management system
CN110443122B (zh) * 2019-06-26 2021-07-27 深圳市天彦通信股份有限公司 信息处理方法及相关产品

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0908845A1 (en) * 1997-10-09 1999-04-14 Agfa-Gevaert N.V. Image sharpening and re-sampling method
JP2017028657A (ja) * 2015-07-28 2017-02-02 株式会社Ｓｃｒｅｅｎホールディングス 画像処理方法および画像処理装置
CN105550998A (zh) * 2015-12-09 2016-05-04 江苏理工学院 基于二代小波整数变换的图像增强方法及图像增强系统
CN107424136A (zh) * 2017-07-31 2017-12-01 北京酷我科技有限公司 一种Mac下图片高斯模糊的处理算法
CN108509851A (zh) * 2018-03-01 2018-09-07 曹婷 基于图像分析的气候危情报警平台
CN109600508A (zh) * 2018-04-10 2019-04-09 吴秋琴 手机播放故障自查方法
CN109215098A (zh) * 2018-08-20 2019-01-15 广州视源电子科技股份有限公司 笔迹擦除方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Optimized Laplacian image sharpening algorithm based on graphic processing unit;TinghuaiMa等;《Physica A: Statistical Mechanics and its Applications》;20141215;第416卷;第400-410页 *
基于主成分分析的人脸识别研究;邓楠;《中国优秀硕士学位论文全文数据库信息科技辑》;20060915(第9期);第I138-753页 *
基于彩色图像的人脸检测研究;高旭升;《中国优秀硕士学位论文全文数据库信息科技辑》;20061115(第11期);第I138-648页 *

Also Published As

Publication number Publication date
CN112182415A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
EP3944200B1 (en) Facial image generation method and apparatus, device and storage medium
US10855909B2 (en) Method and apparatus for obtaining binocular panoramic image, and storage medium
CN106651767A (zh) 一种获取全景图像的方法及装置
CN105320271A (zh) 利用直接几何建模的头戴式显示器校准
CN109165680A (zh) 基于视觉slam的室内场景下单一目标物体字典模型改进方法
US11367195B2 (en) Image segmentation method, image segmentation apparatus, image segmentation device
KR20060058147A (ko) 화상 대조 시스템 및 화상 대조 방법
CN104457758B (zh) 基于视频采集的Visual Map数据库建立方法及利用该数据库的室内视觉定位方法
CN109274883A (zh) 姿态矫正方法、装置、终端及存储介质
CN112541484B (zh) 人脸抠图方法、系统、电子装置及存储介质
CN112085835A (zh) 三维卡通人脸生成方法、装置、电子设备及存储介质
CN112207821A (zh) 视觉机器人的目标搜寻方法及机器人
CN112004078A (zh) 基于生成对抗网络的虚拟现实视频质量评价方法及系统
CN109801325A (zh) 一种双目立体视觉系统获取视差图的方法及装置
CN107203961B (zh) 一种表情迁移的方法及电子设备
CN115008454A (zh) 一种基于多帧伪标签数据增强的机器人在线手眼标定方法
WO2022126921A1 (zh) 全景图片的检测方法、装置、终端及存储介质
CN107133260A (zh) 一种地标图像的匹配识别方法和装置
CN112182415B (zh) 智能学习引导方法和系统
CN111161399B (zh) 基于二维影像生成三维模型的数据处理方法及组件
CN110996128B (zh) 在线教学视频推送管理系统
CN116152121A (zh) 基于畸变参数的曲面屏生成方法、矫正方法
CN114608558A (zh) 基于特征匹配网络的slam方法、系统、设备及存储介质
CN115564638A (zh) 网络训练方法、图像换脸方法、装置和电子设备
CN112560705A (zh) 人脸检测方法和装置，电子设备

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
PP01 Preservation of patent right

Effective date of registration: 20221020

Granted publication date: 20210817

PP01 Preservation of patent right