CN112287844A - 学情分析方法及装置、电子设备和存储介质 - Google Patents

学情分析方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112287844A
CN112287844A CN202011190170.2A CN202011190170A CN112287844A CN 112287844 A CN112287844 A CN 112287844A CN 202011190170 A CN202011190170 A CN 202011190170A CN 112287844 A CN112287844 A CN 112287844A
Authority
CN
China
Prior art keywords
classroom
student
target detection
video data
frame
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
CN202011190170.2A
Other languages
English (en)
Other versions
CN112287844B (zh
Inventor
孙贺然
王磊
曹军
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.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development 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 Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN202011190170.2A priority Critical patent/CN112287844B/zh
Publication of CN112287844A publication Critical patent/CN112287844A/zh
Priority to PCT/CN2021/088690 priority patent/WO2022088622A1/zh
Priority to KR1020217041731A priority patent/KR20220058857A/ko
Priority to TW110121133A priority patent/TW202219792A/zh
Priority to US17/730,800 priority patent/US20220254158A1/en
Application granted granted Critical
Publication of CN112287844B publication Critical patent/CN112287844B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/74—Browsing; Visualisation therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G06F16/784—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content the detected or recognised objects being people
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • 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
    • 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
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06V40/174—Facial expression recognition
    • 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
    • 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
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • 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
    • G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种学情分析方法及装置、电子设备和存储介质，所述方法包括：获取待分析的课堂视频数据；通过对所述课堂视频数据进行学员检测，得到课堂行为事件，所述课堂行为事件用于反映学员在课堂上的行为；根据所述课堂行为事件，确定所述课堂视频数据对应的学情分析结果，所述学情分析结果用于反映学员在课堂上的学习情况。本公开实施例可实现有效分析学员在课堂上的学习情况，得到学情分析结果。

Description

学情分析方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种学情分析方法及装置、电子设备和存储介质。
背景技术
课堂作为教师传授知识、学员学习知识的主要场所，是教师与学员之间交往互动的空间，是教师引导学员发展、探究知识的渠道。为了方便教师或教学机构能够及时关注学员学习状态，以及优化课堂教学效果，需要有效分析学员在课堂上的学习情况。
发明内容
本公开提出了一种学情分析方法及装置、电子设备和存储介质的技术方案。
根据本公开的一方面，提供了一种学情分析方法，包括：获取待分析的课堂视频数据；通过对所述课堂视频数据进行学员检测，得到课堂行为事件，所述课堂行为事件用于反映学员在课堂上的行为；根据所述课堂行为事件，确定所述课堂视频数据对应的学情分析结果，所述学情分析结果用于反映学员在课堂上的学习情况。
在一种可能的实现方式中，所述方法还包括：响应于回放或实时播放所述课堂视频数据，通过播放所述课堂视频数据的显示界面，展示所述学情分析结果。
在一种可能的实现方式中，所述通过对所述课堂视频数据进行学员检测，得到课堂行为事件，包括：对所述课堂视频数据中的图像进行所述学员检测，得到至少一个检测框，所述检测框用于在所述图像中标识出所述学员检测的至少一项检测结果；将多帧图像中包括的相同检测框作为目标检测框，并对所述课堂视频数据中的所述目标检测框进行跟踪，得到所述目标检测框对应学员的所述课堂行为事件。
在一种可能的实现方式中，所述学员检测包括人脸检测和人体检测中的至少一项；在所述学员检测包括人脸检测的情况下，对所述课堂视频数据中的图像进行所述学员检测，得到至少一个人脸框；在所述学员检测包括人体检测的情况下，对所述课堂视频数据中的图像进行所述学员检测，得到至少一个人体框。
在一种可能的实现方式中，所述课堂行为事件包括专注事件、左顾右盼事件、低头事件、举手事件和起立事件中的至少一项。
在一种可能的实现方式中，所述学员检测包括人脸检测，所述检测框包括人脸框；所述将多帧图像中包括的相同检测框作为目标检测框，并对所述课堂视频数据中的目标检测框进行跟踪，得到所述目标检测框对应学员的所述课堂行为事件，包括：将多帧图像中包括的相同人脸框作为目标检测框，并对所述课堂视频数据中的所述目标检测框进行跟踪；在多帧图像中跟踪检测到所述目标检测框中的人脸在水平方向的人脸角度小于第一角度阈值的情况下，确定所述目标检测框对应的学员出现一次所述专注事件；和/或，在多帧图像中跟踪检测到所述目标检测框中的人脸在水平方向的人脸角度大于或等于第二角度阈值的情况下，确定所述目标检测框对应的学员出现一次所述左顾右盼事件，所述第一角度阈值小于或等于所述第二角度阈值；和/或，在多帧图像中跟踪检测到所述目标检测框中的人脸在竖直方向的人脸角度大于或等于第三角度阈值的情况下，确定所述目标检测框对应的学员出现一次所述低头事件。
在一种可能的实现方式中，所述学员检测包括人体检测，所述检测框包括人体框；所述将多帧图像中包括的相同检测框作为目标检测框，并对所述课堂视频数据中的目标检测框进行跟踪，得到所述目标检测框对应学员的所述课堂行为事件，包括：将多帧图像中包括的相同人体框作为目标检测框，并对所述课堂视频数据中的所述目标检测框进行跟踪；在多帧图像中跟踪检测到所述目标检测框中的人体存在举手动作的情况下，确定所述目标检测框对应的学员出现一次所述举手事件；和/或，在所述课堂视频数据中跟踪检测到所述目标检测框中的人体依次存在起立动作、站立动作以及坐下动作的情况下，确定所述目标检测框对应的学员出现一次起立事件。
在一种可能的实现方式中，所述在所述课堂视频数据中跟踪检测到所述目标检测框中的人体依次存在起立动作、站立动作以及坐下动作的情况下，确定所述目标检测框对应的学员出现一次起立事件，包括：在所述课堂视频数据中大于时长阈值的目标时间段内，跟踪检测到所述目标检测框的中心点在水平方向的偏移幅度小于第一水平偏移阈值，在竖直方向的偏移幅度小于第一竖直偏移阈值，且所述目标时间段内的第一帧图像相对于所述目标时间段之前的图像，所述中心点在竖直方向的偏移幅度大于第二竖直偏移阈值，且所述目标时间段内的最后一帧图像相对于所述目标时间段之后的图像，所述中心点在竖直方向的偏移幅度大于第三竖直偏移阈值的情况下，确定所述目标检测框对应的学员出现一次起立事件。
在一种可能的实现方式中，所述方法还包括：在所述目标检测框对应学员出现相邻两次同一课堂行为事件之间的时间间隔小于第一时间间隔阈值的情况下，对所述相邻两次同一课堂行为事件进行合并。
在一种可能的实现方式中，所述方法还包括：通过播放所述课堂视频数据的显示页面，展示所述目标检测框对应学员的人物图像，所述人物图像的展示次序与所述目标检测框对应学员出现所述课堂行为事件的时间相关。
在一种可能的实现方式中，所述学情分析结果，包括如下至少一项：不同所述课堂行为事件对应的学员人数、占比和时长中的至少一项；课堂专注度、课堂互动度和课堂愉悦度中的至少一项。
在一种可能的实现方式中，所述方法还包括如下至少一项：对所述目标检测框中的人脸图像进行表情识别，得到所述目标检测框对应学员的表情类别，并通过播放所述课堂视频数据的显示界面中所述人脸图像的关联区域，展示所述目标检测框对应学员的表情类别；根据预设人脸库，对所述目标检测框中的人脸图像进行人脸识别，得到所述目标检测框对应学员的身份信息，并通过播放所述课堂视频数据的显示界面中所述人脸图像的关联区域，展示所述目标检测框对应学员的身份信息。
在一种可能的实现方式中，所述方法还包括：根据所述课堂视频数据中不同所述目标检测框对应学员的身份信息，确定所述课堂视频数据对应的出勤人数，并通过播放所述课堂视频数据的显示界面，展示所述出勤人数。
根据本公开的一方面，提供了一种学情分析装置，包括：视频获取模块，用于获取待分析的课堂视频数据；课堂行为事件检测模块，用于通过对所述课堂视频数据进行学员检测，得到课堂行为事件，所述课堂行为事件用于反映学员在课堂上的行为；学情分析模块，用于根据所述课堂行为事件，确定所述课堂视频数据对应的学情分析结果，所述学情分析结果用于反映学员在课堂上的学习情况。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，获取待分析的课堂视频数据，由于课堂视频数据中包括上课过程中学员的视频数据，因此，通过对课堂视频数据进行学员检测，可以得到用于反映学员在课堂上的行为的课堂行为事件，进而根据学员在课堂上的行为，可以有效分析学员在课堂上的学习情况，得到学情分析结果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的学情分析方法的流程图；
图2示出根据本公开实施例的课堂开始之前显示界面的示意图；
图3示出根据本公开实施例的课堂开始之后显示界面的示意图；
图4示出根据本公开实施例的学情分析装置的框图；
图5示出根据本公开实施例的电子设备的框图；
图6示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的学情分析方法的流程图。该方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可以通过服务器执行该方法。如图1所示，该方法可以包括：
在步骤S11中，获取待分析的课堂视频数据。
待分析的课堂视频数据指的是学员上课过程中拍摄的视频数据，比如，可以为包括上课过程中教师、学员以及课堂环境的视频数据。需要说明的是，本公开提供的技术方案同样适应于会议场景对于参会人员的状态分析，以及视频/幻灯片宣传过程中参与人员的状态分析等，在此对于应用场景不予限定，可以包括但不限于上述例举情况。在本公开中，以授课场景为例，对本公开提供的技术方案进行阐述。
本公开实施例中，待分析的课堂视频数据可以是实时视频流数据，例如，在课堂中的预设空间位置安装图像采集设备(例如，摄像头)，执行学情分析的电子设备通过连接图像采集设备，实时获取图像采集设备拍摄的课堂视频流数据。其中，预设空间位置可以包括一个或是多个位置区域。比如，在预设空间位置包括一个位置区域的情况下，图像采集设备可以为360度全景摄像头，以拍摄包括了课堂内各参与人员(不限于学生、教师)的视频图像。再比如，在预设空间位置包括多个位置区域的情况下，图像采集设备可以包括多个相同或是不同配置的摄像头，各摄像头的采集范围可以存在部分重叠或是完全不重叠。这样可以基于各摄像头采集到的视频数据，得到课堂内各参与人员的视频图像。
本公开实施例中，待分析的课堂视频数据可以是预先录制好的视频文件，例如，在课堂中的预设空间位置安装图像采集设备(例如，摄像头)，图像采集设备录制课堂视频数据，在需要进行学情分析时，可以将预先录制的该课堂视频数据导入执行学情分析的电子设备。
本公开实施例中，可以在执行学情分析的电子设备的配置界面中，配置待分析的课堂视频数据的获取方式。例如，可以在配置页面中配置待分析的课堂视频数据的获取方式包括：实时视频流或视频文件。待分析的课堂视频数据的获取方式，除了可以配置为上述实时视频流和视频文件两种方式以外，还可以根据实际情况配置为其它方式，本公开对此不做具体限定。
在步骤S12中，通过对课堂视频数据进行学员检测，得到课堂行为事件，课堂行为事件用于反映学员在课堂上的行为。
由于待分析的课堂视频数据中包括上课过程中学员的视频数据，因此，通过对课堂视频数据进行学员检测，就可以得到用于反映学员在课堂上的行为的课堂行为事件。
在步骤S13中，根据课堂行为事件，确定课堂视频数据对应的学情分析结果，学情分析结果用于反映学员在课堂上的学习情况。
由于课堂行为事件能够反映学员在课堂上的行为，而学员在课堂上的行为是可以反映其学习状态的，因此，根据课堂行为事件，可以有效分析学员在课堂上的学习情况，得到学情分析结果。
根据本公开的实施例，获取待分析的课堂视频数据，由于课堂视频数据中包括上课过程中学员的视频数据，因此，通过对课堂视频数据进行学员检测，可以得到用于反映学员在课堂上的行为的课堂行为事件，进而根据学员在课堂上的行为，可以有效分析学员在课堂上的学习情况，得到学情分析结果。
在一种可能的实现方式中，该方法还包括：响应于回放或实时播放课堂视频数据，通过播放课堂视频数据的显示界面，展示学情分析结果。
通过回放或实时播放课堂视频数据的显示界面，展示学情分析结果，有利于直观地观察了解学员在课堂上的学习情况。也就意味着，学情分析结果可以在播放课堂视频数据的过程中同步展示，以辅助查看课堂视频数据的用户更直观地了解课堂上各学员的学习情况，和/或各学员整体的学习情况等。
在一种可能的实现方式中，考虑到学情分析往往会耗费大量计算资源，因此，即便待分析的课堂视频数据中包括课堂开始之前的视频数据，但针对课堂开始之前的视频数据，可以不进行学情分析，从而在节省计算资源的情况下，提升学情分析结果的有效性。也就意味着，使得到的学情分析结果更能反馈真实的课堂内学习情况。
图2示出根据本公开实施例的课堂开始之前显示界面的示意图。如图2所示，在执行学情分析的电子设备中，响应于回放或实时播放课堂视频数据，通过播放课堂视频数据的显示界面，仅对课堂视频数据中包括的课堂开始之前的视频数据进行播放。由于电子设备对课堂开始之前的视频数据不进行学情分析，因此，在播放课堂开始之前的视频数据时，没有对应的学情分析结果进行展示。
在一种可能的实现方式中，在用于播放课堂视频数据的显示界面中包括“开始上课”的控件，通过触发显示界面中“开始上课”的控件，开启对课堂视频数据中包括的课堂开始之后的视频数据的学情分析。当然，是否开始或是结束学情分析，除了可以通过用户手动触发外，还可以通过预先设置上课及下课时间，以自动实现定点时段内的学情分析。在此对于触发及关闭学情分析的实现方式，不予限定，可以包括但不限于上述例举的情况。
在一种可能的实现方式中，当待分析的课堂视频数据的视频预览方式是视频文件时，可以通过对视频文件进行预处理，确定视频文件中包括的课堂视频数据对应的课堂开始时刻，进而在播放课堂视频数据的过程中，在到达该课堂开启时刻时，开启对课堂视频数据中包括的课堂开始之后的视频数据的学情分析。
在一种可能的实现方式中，通过对课堂视频数据进行学员检测，得到课堂行为事件，包括：对课堂视频数据中的图像进行学员检测，得到至少一个检测框框，检测框用于在图像中标识出学员检测的至少一项检测结果；将多帧图像中包括的相同检测框作为目标检测框，并对课堂视频数据中的目标检测框进行跟踪，得到目标检测框对应的课堂行为事件。
由于课堂视频数据中包括上课过程中学员的视频数据，因此，针对课堂开始之后的视频数据，通过对视频数据中的图像进行学员检测，可以得到至少一个检测框。在多帧图像中包括相同检测框的情况下，可以认为该多帧图像中包括的相同检测框对应同一学员，因此，将该多帧图像中包括的相同检测框作为目标检测框，并对课堂视频数据中的目标检测框进行跟踪，以实现对目标检测框对应学员的跟踪，通过对课堂视频数据中目标检测框对应学员的跟踪，可以得到目标检测框对应学员的课堂行为事件。
本公开实施例中，多帧图像可以是课堂视频数据中在时序上相邻或不相邻的多帧图像。例如，多帧图像包括课堂视频数据中的一个视频片段(即包括多帧相邻的图像)、多个不相邻的视频片段、对课堂视频数据进行采样得到的多帧不相邻的图像等。本公开对多帧图像的具体形式不做限定。
在一种可能的实现方式中，学员检测包括人脸检测和人体检测中的至少一项；在学员检测包括人脸检测的情况下，对课堂视频数据中的图像进行学员检测，得到至少一个人脸框；在学员检测包括人体检测的情况下，对课堂视频数据中的图像进行学员检测，得到至少一个人体框。
由于学员检测包括人脸检测和人体检测中的至少一项，因此，对课堂视频数据进行学员检测得到的检测框可以包括人脸框和人体框中的至少一个。对应同一学员的目标检测框可以包括一个检测框，例如该学员对应的人脸框或人体框，也可以包括多个检测框的组合，例如，该学员对应的人脸框和人体框的组合。本公开对目标检测框的具体形式不做限定。
在一种可能的实现方式中，课堂行为事件包括专注事件、左顾右盼事件、低头事件、举手事件和起立事件中的至少一项。
通过跟踪检测学员在课堂上的专注事件、左顾右盼事件、低头事件、举手事件和起立事件中的至少一项，可以有效确定学员对课堂授课内容是否感兴趣，进而可以得到反映学员在课堂上的学习情况的学情分析结果。
在一种可能的实现方式中，学员检测包括人脸检测，检测框包括人脸框；将多帧图像中包括的相同检测框作为目标检测框，并对课堂视频数据中的目标检测框进行跟踪，得到目标检测框对应学员的课堂行为事件，包括：将多帧图像中包括的相同人脸框作为目标检测框，并对课堂视频数据中的目标检测框进行跟踪；在多帧图像中跟踪检测到目标检测框中的人脸在水平方向的人脸角度小于第一角度阈值的情况下，确定目标检测框对应的学员出现一次专注事件。
其中，水平方向可以为人脸左右摆动时对应的方向，目标检测框中的人脸在水平方向的人脸角度小于第一角度阈值，可以反映目标检测框对应的学员此时是目视前方的。例如，学员此时是注视讲台上的黑板或注视讲台上的教师的。其中，第一角度阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。
多帧图像中第一帧和最后一帧之间的时间间隔可以大于第二时间间隔阈值，即在课堂视频数据中大于第二时间间隔阈值的视频片段中，部分或全部图像中检测到目标检测框中的人脸在水平方向的人脸角度小于第一角度阈值。其中，第二时间间隔阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。
因此，在多帧图像中跟踪检测到目标检测框中的人脸在水平方向的人脸角度小于第一角度阈值的情况下，可以确定目标检测框对应的学员在该多帧图像所在的视频片段内出现了一次专注事件。
通过在多帧图像中跟踪检测目标检测框中的人脸在水平方向的人脸角度是否小于第一角度阈值，可以快速有效地确定目标检测框对应的人脸是否出现专注事件。
在一种可能的实现方式中，该方法还包括：在目标检测框对应的学员出现相邻两次同一课堂行为事件之间的时间间隔小于第一时间间隔阈值的情况下，对相邻两次同一课堂行为事件进行合并。
由于检测过程中可能会出现某几帧检测失败或某几帧检测误差较大的情况，因此，为了提高检测精度，在目标检测框对应的学员出现相邻两次专注事件之间的时间间隔小于第一时间间隔阈值的情况下，可以确定该相邻两次专注事件之间的时间间隔内可能出现了检测失败或检测误差较大的情况，因此，可以将该相邻两次专注事件合并为一次专注事件。其中，第一时间间隔阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。
在一种可能的实现方式中，该方法还包括：在多帧图像中跟踪检测到目标检测框中的人脸图像在水平方向的人脸角度大于或等于第二角度阈值的情况下，确定目标检测框对应的学员出现一次左顾右盼事件，其中，第一角度阈值小于或等于第二角度阈值。
其中，目标检测框中的人脸在水平方向的人脸角度大于或等于第二角度阈值，可以反映目标检测框对应的学员此时并没有目视前方，而是正在左顾右盼。例如，目标检测框中的人脸在水平方向的人脸角度大于或等于正的第二角度阈值时，可以反映目标检测框对应的学员正在向左转头顾盼；目标检测框中的人脸在水平方向的人脸角度大于或等于负的第二角度阈值时，可以反映目标检测框对应的学员正在向右转头顾盼。
由于学员在左顾右盼时的人脸的摆动幅度，相对于目视前方时的人脸的摆动幅度较大，因此，第一角度阈值小于或等于第二角度阈值，但是，第二角度阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。
多帧图像中第一帧和最后一帧之间的时间间隔可以大于第三时间间隔阈值，即在课堂视频数据中大于第三时间间隔阈值的视频片段中，部分或全部图像中检测到目标检测框中的人脸在水平方向的人脸角度大于或等于第二角度阈值。其中，第三时间间隔阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。
因此，在多帧图像中跟踪检测到目标检测框中的人脸在水平方向的人脸角度大于或等于第二角度阈值的情况下，可以确定目标检测框对应的学员在该多帧图像对应的视频片段内出现了一次左顾右盼事件。
通过在多帧图像中跟踪检测目标检测框中的人脸在水平方向的人脸角度是否大于或等于第二角度阈值，可以快速有效地确定目标检测框对应的人脸是否出现左顾右盼事件。
由于检测过程中可能会出现某几帧检测失败或某几帧检测误差较大的情况，因此，为了提高检测精度，在目标检测框对应的学员出现相邻两次左顾右盼事件之间的时间间隔小于第一时间间隔阈值的情况下，可以确定该相邻两次左顾右盼事件之间的时间间隔内可能出现了检测失败或检测误差较大的情况，因此，可以将该相邻两次左顾右盼事件合并为一次左顾右盼事件。
在一种可能的实现方式中，该方法还包括：在多帧图像中跟踪检测到目标检测框中的人脸在竖直方向的人脸角度大于或等于第三角度阈值的情况下，确定目标检测框对应的学员出现一次低头事件。
其中，竖直方向可以为人脸上下摆动时对应的方向，目标检测框中的人脸图像在竖直方向的人脸角度大于或等于第三角度阈值，可以反映目标检测框对应的学员此时是低头状态的。其中，第三角度阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。
多帧图像中第一帧和最后一帧之间的时间间隔可以大于第四时间间隔阈值，即在课堂视频数据中大于第四时间间隔阈值的视频片段中，部分或全部图像中检测到目标检测框中的人脸在竖直方向的人脸角度大于或等于第三角度阈值。其中，第四时间间隔阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。
因此，在多帧图像中跟踪检测到目标检测框中的人脸在竖直方向的人脸角度大于或等于第三角度阈值的情况下，可以确定目标检测框对应的学员在该多帧图像对应的视频片段内出现了一次低头事件。
通过在多帧图像中跟踪检测目标检测框中的人脸在竖直方向的人脸角度是否大于或等于第三角度阈值，可以快速有效地确定目标检测框对应的人脸是否出现低头事件。
由于检测过程中可能会出现某几帧检测失败或某几帧检测误差较大的情况，因此，为了提高检测精度，在目标检测框对应的学员出现相邻两次低头事件之间的时间间隔小于第一时间间隔阈值的情况下，可以确定该相邻两次低头事件之间的时间间隔内可能出现了检测失败或检测误差较大的情况，因此，可以将该相邻两次低头事件合并为一次低头事件。
在一种可能的实现方式中，学员检测包括人体检测，检测框包括人体框；将多帧图像中包括的相同检测框作为目标检测框，并对所述课堂视频数据中的目标检测框进行跟踪，得到目标检测框对应学员的课堂行为事件，包括：将多帧图像中包括的相同人体框作为目标检测框，并对课堂视频数据中的目标检测框进行跟踪；在多帧图像中跟踪检测到目标检测框中的人体存在举手动作的情况下，确定目标检测框对应的学员出现一次举手事件。
其中，多帧图像中第一帧和最后一帧之间的时间间隔可以大于第五时间间隔阈值，即在课堂视频数据中大于第五时间间隔阈值的视频片段中，部分或全部图像中检测到目标检测框中的人体存在举手动作。其中，第五时间间隔阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。
因此，在多帧图像中跟踪检测到目标检测框中的人体存在举手动作的情况下，可以确定目标检测框对应的学员在该多帧图像所在的视频片段内出现了一次举手事件。
通过在多帧图像中跟踪检测目标检测框中的人体是否存在举手动作，可以快速有效地确定目标检测框对应的人脸是否出现举手事件。
在一种可能的实现方式中，通过举手检测模型，在多帧图像中跟踪检测目标检测框中的人体是否存在举手动作。
其中，举手检测模型可以通过预先训练得到，举手检测模型的训练过程可以根据需要采用相应的网络训练方式，本公开对此不做具体限定。
在一种可能的实现方式中，通过对目标人体框中的人体进行关键点检测，得到人体的大臂和手肘之间的角度，和/或人体的肩膀和大臂之间的角度；在多帧图像中跟踪检测到人体的大臂和手肘之间的角度小于或等于第四角度阈值，和/或人体的肩膀和大臂之间的角度小于或等于第五角度阈值的情况下，确定目标检测框中的人体存在举手动作。
其中，第四角度阈值和第五角度阈值的具体取值可以根据实际情况确定，本公开不做具体限定。
由于检测过程中可能会出现某几帧检测失败或某几帧检测误差较大的情况，因此，为了提高检测精度，在目标检测框对应的学员出现相邻两次举手事件之间的时间间隔小于第一时间间隔阈值的情况下，可以确定该相邻两次举手事件之间的时间间隔内可能出现了检测失败或检测误差较大的情况，因此，可以将该相邻两次举手事件合并为一次举手事件。
在一种可能的实现方式中，该方法还包括：在课堂视频数据中跟踪检测到目标检测框中的人体依次存在起立动作、站立动作以及坐下动作的情况下，确定目标检测框对应的学员出现一次起立事件。
为了区别于学员一直处于站立的事件，以及学员从坐下到站立后走出课堂的事件，将一次有效的起立事件设定为包括起立动作、站立动作以及坐下动作三个阶段，因此，在课堂视频数据中跟踪检测到目标检测框中的人体依次存在起立动作、站立动作以及坐下动作的情况下，可以确定目标检测框对应的学员出现一次起立事件。
在一种可能的实现方式中，在课堂视频数据中跟踪检测到目标检测框中的人体依次存在起立动作、站立动作以及坐下动作的情况下，确定目标检测框对应的学员出现一次起立事件，包括：在课堂视频数据中大于时长阈值的目标时间段内，跟踪检测到目标检测框的中心点在水平方向的偏移幅度小于第一水平偏移阈值，在竖直方向的偏移幅度小于第一竖直偏移阈值，且目标时间段内的第一帧图像相对于目标时间段之前的图像，中心点在竖直方向的偏移幅度大于第二竖直偏移阈值，且目标时间段内的最后一帧图像相对于目标时间段之后的图像，中心点在竖直方向的偏移幅度大于第三竖直偏移阈值的情况下，确定目标检测框对应的学员出现一次起立事件。
其中，目标检测框的中心点在水平方向的偏移幅度，可以反映目标检测框对应的学员是否出现走动动作；目标检测框的中心点在竖直方向的偏移幅度，可以反映目标检测框对应的学员是否出现站立动作。
在课堂视频数据中大于时长阈值的目标时间段内的第一帧图像相对于目标时间段之前的图像，目标检测框的中心点在竖直方向的偏移幅度大于第二竖直偏移阈值，可以反映目标检测框对应的学员出现起立动作；
在目标时间段内跟踪检测到目标检测框的中心点在水平方向的偏移幅度小于第一水平偏移阈值，在竖直方向的偏移幅度小于第一竖直偏移阈值，可以反映目标检测框对应的学员在目标时间段内出现持续的站立动作；
在目标时间段内的最后一帧图像相对于目标时间段之后的图像，目标检测框的中心点在竖直方向的偏移幅度大于第三竖直偏移阈值，可以反映目标检测框对应的学员出现坐下动作；
因此，可以确定目标检测框对应的学员依次出现起立动作、站立动作以及坐下动作三个阶段，也即，目标检测框对应的学员出现一次起立事件。
其中，第一水平偏移阈值、第一竖直偏移阈值、第二竖直偏移阈值、第三竖直偏移阈值的具体取值可以根据实际情况确定，本公开对此不做具体限定。
本公开实施例中，第一、第二和第N(N为正整数)仅仅用于区分不同的事物，不应理解为对本公开保护范围的限定，例如不应当理解为对不同事物顺序、大小的限定。
在一种可能的实现方式中，可以在执行学情分析的电子设备的配置页面中，配置通过播放课堂视频数据的页面，需要展示的内容。例如，需要展示的内容包括下述至少一项：人脸框、人体框、人脸信息框、学员ID、学生姓名、举手事件、起立事件、专注事件、低头事件、左顾右盼事件等。
在一种可能的实现方式中，该方法还包括：通过播放课堂视频数据的显示界面，展示至少一个目标检测框，其中，目标检测框包括目标检测框对应的学员的人脸框和/或人体框。
图3示出根据本公开实施例的课堂开始之后显示界面的示意图。如图3所示，通过播放课堂视频数据的显示界面，展示当前播放时刻对应的至少一个人脸框和/或至少一个人体框。其中，人脸框中包括人脸图像，人体框中包括人体图像。
在一种可能的实现方式中，该方法还包括：根据预设人脸库，对目标检测框中的人脸图像进行人脸识别，得到目标检测框对应的学员的身份信息，并通过播放课堂视频数据的显示界面中人脸图像的关联区域，展示目标检测框对应的学员的身份信息。
其中，关联区域可以是该人脸图像周围的区域，例如，关联区域为距离人脸图像所在的人脸框的距离在预设距离范围内的区域。
仍以上述图3为例，如图3所示，将人脸框1对应的学员的身份信息在该人脸框1中的人脸图像的关联区域2内进行展示。
在一种可能的实现方式中，预设人脸库中存储有待分析的课堂视频数据对应的注册学员的人脸图像、以及各人脸图像对应的身份信息，身份信息可以包括：学员ID(学员的唯一标识)、学员姓名。注册学员为需要参加本次课堂的学员。
在一种可能的实现方式中，可以在执行学情分析的电子设备的配置页面中，配置预设人脸库的来源。预设人脸库的来源可以是由存储有该预设人脸库的云端(例如，服务器端)下发的，也可以是本地创建的(例如，将预设人脸库导入执行学情分析的电子设备)。
在对课堂视频数据进行学情分析时，根据预设人脸库，对目标检测框中的人脸图像进行人脸识别，得到目标检测框对应的学员的身份信息。
在一种可能的实现方式中，对课堂视频数据中的各帧图像均执行人脸识别操作，从而准确得到各帧图像中目标检测框对应的学员的身份信息；为了提高识别效率，也可以对课堂视频数据中预设时间间隔的图像执行人脸识别操作，例如，每隔10秒执行一次人脸识别操作。人脸识别的具体方式可以根据实际情况确定，本公开对此不做具体限定。
在一种可能的实现方式中，该方法还包括：对目标检测框中的人脸图像进行表情识别，得到目标检测框对应学员的表情类别，并通过播放课堂视频数据的显示界面中人脸图像的关联区域，展示目标检测框对应学员的表情类别。
仍以上述图3为例，如图3所示，将人脸框1对应学员的表情类别在该人脸框1中的人脸图像的关联区域2内进行展示。
在一种可能的实现方式中，表情类别包括平静、愉悦。对目标检测框中的人脸图像进行表情识别，确定目标检测框对应学员的表情类别是平静、愉悦或其它。
在一种可能的实现方式中，在目标检测框对应学员的表情类别为愉悦的情况下，确定目标检测框对应学员的微笑值，并通过播放课堂视频数据的显示界面中人脸图像的关联区域，展示目标检测框对应学员的微笑值。
仍以上述图3为例，如图3所示，在人脸框1对应学员的表情类别为愉悦的情况下，在该人脸框1中的人脸图像的关联区域2内进行展示人脸框1对应学员的微笑值。
通过识别并展示学员对应的表情类别，可以快速了解学员在课堂上的心情状态。
在一种可能的实现方式中，学情分析结果，包括如下至少一项：不同课堂行为事件对应的学员人数、占比和时长中的至少一项；课堂专注度、课堂互动度和课堂愉悦度中的至少一项。
在一种可能的实现方式中，根据不同目标检测框出现的课堂行为事件，确定不同课堂行为事件对应的学员人数，并通过播放课堂视频数据的显示界面中的事件人数展示区域，展示不同课堂行为事件对应的学员人数。
其中，事件人数展示区域可以根据实际情况确定，例如，播放课堂视频数据的显示界面中上方不覆盖视频画面的区域，本公开不做具体限定。
根据不同目标检测框出现的课堂行为事件，确定专注事件对应的学员人数、左顾右盼事件对应的学员人数、低头事件对应的学员人数、举手事件对应的学员人数、起立事件对应的学员人数，并通过播放课堂视频数据的显示界面中的事件人数展示区域，展示专注事件对应的学员人数、左顾右盼事件对应的学员人数、低头事件对应的学员人数、举手事件对应的学员人数、起立事件对应的学员人数。
仍以上述图3为例，如图3所示，通过播放课堂视频数据的显示界面中的区域3，分别展示专注事件对应的学员人数、左顾右盼事件对应的学员人数、低头事件对应的学员人数、举手事件对应的学员人数、起立事件对应的学员人数。本公开对不同课堂行为事件对应的学员人数的展示次序不做具体限定。
在一种可能的实现方式中，该方法还包括：根据专注事件对应的学员人数占比，确定课堂专注度，并通过播放课堂视频数据的显示界面中的课堂专注度展示区域，展示课堂专注度。
其中，课堂专注度展示区域可以根据实际情况确定，例如，播放课堂视频数据的显示界面中右方不覆盖视频画面的区域，本公开不做具体限定。
仍以上述图3为例，如图3所示，播放课堂视频数据的显示界面中的区域4，展示课堂专注度。其中，课堂专注度为各播放时刻出现专注事件的学员人数占比，在本公开中可以通过折线图对课堂专注度进行展示。课堂专注度还可以根据实际情况以其它展示形式进行展示，本公开对此不做具体限定。
在一种可能的实现方式中，该方法还包括：根据举手事件对应的学员人数和/或起立事件对应的学员人数，确定课堂互动度；通过播放课堂视频数据的显示界面中的课堂互动展示区域，展示课堂互动度。
其中，课堂互动度展示区域可以根据实际情况确定，例如，播放课堂视频数据的显示界面中右方不覆盖视频画面的区域，本公开不做具体限定。
仍以上述图3为例，如图3所示，通过播放课堂视频数据的显示界面中的区域5，展示课堂互动度。其中，课堂互动度为预设时长内出现举手事件的学员人数和出现起立事件的学员人数，在本公开中可以通过柱形图对课堂互动度进行展示。课堂互动度还可以根据实际情况以其它展示形式进行展示，本公开对此不做具体限定。
在一种可能的实现方式中，该方法还包括：根据不同表情类别对应的学员人数占比，确定课堂愉悦度，并播放课堂视频数据的显示界面的课堂愉悦度展示区域，展示课堂愉悦度。
其中，课堂愉悦度展示区域可以根据实际情况确定，例如，播放课堂视频数据的显示界面中右方不覆盖视频画面的区域，本公开不做具体限定。
仍以上述图3为例，如图3所示，通过播放课堂视频数据的显示界面中的区域6，展示课堂愉悦度。其中，课堂愉悦度为不同时刻不同表情类别对应的学员人数占比，在本公开中可以通过折线图对课堂愉悦度进行展示。课堂愉悦度还可以根据实际情况以其它展示形式进行展示，本公开对此不做具体限定。
通过展示课堂愉悦度，可以直观有效地了解学员对课堂不同时间段授课内容的心情状态。
在一种可能的实现方式中，该方法还包括：根据课堂视频数据中不同目标检测框对应学员的身份信息，确定课堂视频数据对应的出勤人数，并通过播放课堂视频数据的显示界面，展示出勤人数。
仍以上述图3为例，如图3所示，通过播放课堂视频数据的显示页面中的区域7，展示出勤人数，即课堂视频数据中的实际学员人数。此外，还可以通过播放课堂视频数据的显示页面中的区域7，展示注册人数，即该课堂视频数据实际应该对应的学员人数。
在一种可能的实现方式中，该方法还包括：通过播放课堂视频数据的显示页面，展示目标检测框对应学员的人物图像，人物图像的展示次序与目标检测框对应学员出现课堂行为事件的时间相关。
其中，目标检测框对应学员的人物图像可以为目标检测框对应学员的抓拍图像，也可以为预设人脸库中存储的可以用于区分不同学员身份的人物图像，本公开对此不做具体限定。
仍以上述图3为例，如图3所示，通过播放课堂视频数据的显示界面中的区域8，展示目标检测框对应的人物图像。在目标检测框对应学员出现目标课堂行为事件时，突出展示目标检测框对应学员的人物图像，例如，将出现目标课堂行为事件的目标检测框对应的人物图像在第一位优先展示，和/或通过高亮、闪烁等展示方式突出展示其出现的目标行为事件。目标课堂行为事件可以包括举手事件或起立事件。并且，根据目标检测框对应学员出现目标课堂行为时间的时间，切换在第一位需要优先展示的人物图像，例如，将最新出现目标课堂行为事件的人物图像切换到第一位优先展示。
在一种可能的实现方式中，该方法还包括：确定目标检测框对应的学员出现课堂行为事件的时长，并通过播放课堂视频数据的显示界面，展示目标检测框对应的学员出现课堂行为事件的时长。
仍以上述图3为例，如图3所示，通过播放课堂视频数据的显示页面中区域8右侧的区域9，展示目标检测框对应学员的出现专注时间的专注时长、出现左顾右盼事件的时长、出现低头事件的时长。此外，还可以在区域9中展示目标检测框对应学员出现举手事件的次数和出现起立事件的次数。
在一种可能的实现方式中，在对待分析的课堂视频数据进行学情分析结束后，可以下载得到学情分析结果对应的报表。其中，学情分析结果对应的报表中包括下述至少一个内容：学员抓拍图、学员在人脸识别库中的识别图、学员ID、学员姓名、愉悦表情总时长、平静表情总时长、其它表情总时长、课堂停留时长(学员在课堂上持续被识别到的总时长)、首次考勤时刻(首次识别到学员的时刻)、末次考勤时刻(最后一次识别到学员的时刻)、专注总时长、低头总时长、左顾右盼总时长、举手次数、起立次数等。
通过学情结果对应的报表，可以更加直观有效地了解到每个学员在课堂上的学习情况、互动情况，以使得可以根据学情分析结果，优化教师的课堂教学效果。比如，对于互动情况较少的课堂而言，可以指导教师在恰当时机通过增加问答环节与学员进行互动，以提高学员的融入度，从而提升授课质量。再比如，对于左顾右盼事件、低头事件等不利于学习的课堂行为事件多发的情况而言，可以指导教师改变授课方式，增加课堂内容的趣味性，以吸引学员注意力，从而提升授课质量。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了学情分析装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种学情分析方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图4示出根据本公开实施例的学情分析装置的框图。如图4所示，装置40包括：
视频获取模块41，用于获取待分析的课堂视频数据；
课堂行为事件检测模块42，用于通过对课堂视频数据进行学员检测，得到课堂行为事件，课堂行为事件用于反映学员在课堂上的行为；
学情分析模块43，用于根据课堂行为事件，确定课堂视频数据对应的学情分析结果，学情分析结果用于反映学员在课堂上的学习情况。
在一种可能的实现方式中，装置40还包括：
第一展示模块，用于响应于回放或实时播放课堂视频数据，通过播放课堂视频数据的显示界面，展示学情分析结果。
在一种可能的实现方式中，课堂行为事件检测模块42，包括：
第一检测子模块，用于对课堂视频数据中的图像进行学员检测，得到至少一个检测框，检测框用于在图像中标识出学员检测的至少一项检测结果；
第二检测子模块，用于将多帧图像中包括的相同检测框作为目标检测框，并对课堂视频数据中的目标检测框进行跟踪，得到目标检测框对应学员的课堂行为事件。
在一种可能的实现方式中，学员检测包括人脸检测和人体检测中的至少一项；
在学员检测包括人脸检测的情况下，对课堂视频数据中的图像进行学员检测，得到至少一个人脸框；
在学员检测包括人体检测的情况下，对课堂视频数据中的图像进行学员检测，得到至少一个人体框。
在一种可能的实现方式中，课堂行为事件包括专注事件、左顾右盼事件、低头事件、举手事件和起立事件中的至少一项。
在一种可能的实现方式中，学员检测包括人脸检测，检测框包括人脸框；
第二检测子模块，包括：
第一检测单元，用于将多帧图像中包括的相同人脸框作为目标检测框，并对课堂视频数据中的目标检测框进行跟踪；
第二检测单元，用于在多帧图像中跟踪检测到目标检测框中的人脸在水平方向的人脸角度小于第一角度阈值的情况下，确定目标检测框对应的学员出现一次专注事件；
和/或，
第三检测单元，用于在多帧图像中跟踪检测到目标检测框中的人脸在水平方向的人脸角度大于或等于第二角度阈值的情况下，确定目标检测框对应的学员出现一次左顾右盼事件，第一角度阈值小于或等于第二角度阈值；
和/或，
第四检测单元，用于在多帧图像中跟踪检测到目标检测框中的人脸在竖直方向的人脸角度大于或等于第三角度阈值的情况下，确定目标检测框对应的学员出现一次低头事件。
在一种可能的实现方式中，学员检测包括人体检测，检测框包括人体框；
第二检测子模块，包括：
第五检测单元，用于将多帧图像中包括的相同人体框作为目标检测框，并对课堂视频数据中的目标检测框进行跟踪；
第六检测单元，用于在多帧图像中跟踪检测到目标检测框中的人体存在举手动作的情况下，确定目标检测框对应的学员出现一次举手事件；
和/或，
第七检测单元，用于在课堂视频数据中跟踪检测到目标检测框中的人体依次存在起立动作、站立动作以及坐下动作的情况下，确定所述目标检测框对应的学员出现一次起立事件。
在一种可能的实现方式中，第七检测单元，具体用于：
在课堂视频数据中大于时长阈值的目标时间段内，跟踪检测到目标检测框的中心点在水平方向的偏移幅度小于第一水平偏移阈值，在竖直方向的偏移幅度小于第一竖直偏移阈值，且目标时间段内的第一帧图像相对于目标时间段之前的图像，中心点在竖直方向的偏移幅度大于第二竖直偏移阈值，且目标时间段内的最后一帧图像相对于目标时间段之后的图像，中心点在竖直方向的偏移幅度大于第三竖直偏移阈值的情况下，确定目标检测框对应的学员出现一次起立事件。
在一种可能的实现方式中，装置40还包括：
合并模块，用于在目标检测框对应学员出现相邻两次同一课堂行为事件之间的时间间隔小于第一时间间隔阈值的情况下，对相邻两次同一课堂行为事件进行合并。
在一种可能的实现方式中，装置40还包括：
第二展示模块，用于通过播放课堂视频数据的显示页面，展示目标检测框对应学员的人物图像，人物图像的展示次序与目标检测框对应学员出现课堂行为事件的时间相关。
在一种可能的实现方式中，学情分析结果，包括如下至少一项：
不同课堂行为事件对应的学员人数、占比和时长中的至少一项；
课堂专注度、课堂互动度和课堂愉悦度中的至少一项。
在一种可能的实现方式中，装置40还包括如下至少一项：
表情识别模块，用于对目标检测框中的人脸图像进行表情识别，得到目标检测框对应学员的表情类别，并通过播放课堂视频数据的显示界面中人脸图像的关联区域，展示目标检测框对应学员的表情类别；
身份识别模块，根据预设人脸库，对目标检测框中的人脸图像进行人脸识别，得到目标检测框对应学员的身份信息，并通过播放课堂视频数据的显示界面中人脸图像的关联区域，展示目标检测框对应学员的身份信息。
在一种可能的实现方式中，装置40还包括：
第三展示模块，用于根据课堂视频数据中不同目标检测框对应学员的身份信息，确定课堂视频数据对应的出勤人数，并通过播放课堂视频数据的显示界面，展示出勤人数。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的学情分析方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的学情分析方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的电子设备的框图。如图5所示，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的电子设备的框图。如图6所示，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (16)

1.一种学情分析方法，其特征在于，包括：
获取待分析的课堂视频数据；
通过对所述课堂视频数据进行学员检测，得到课堂行为事件，所述课堂行为事件用于反映学员在课堂上的行为；
根据所述课堂行为事件，确定所述课堂视频数据对应的学情分析结果，所述学情分析结果用于反映学员在课堂上的学习情况。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
响应于回放或实时播放所述课堂视频数据，通过播放所述课堂视频数据的显示界面，展示所述学情分析结果。
3.根据权利要求1或2所述的方法，其特征在于，所述通过对所述课堂视频数据进行学员检测，得到课堂行为事件，包括：
对所述课堂视频数据中的图像进行所述学员检测，得到至少一个检测框，所述检测框用于在所述图像中标识出所述学员检测的至少一项检测结果；
将多帧图像中包括的相同检测框作为目标检测框，并对所述课堂视频数据中的所述目标检测框进行跟踪，得到所述目标检测框对应学员的所述课堂行为事件。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述学员检测包括人脸检测和人体检测中的至少一项；
在所述学员检测包括人脸检测的情况下，对所述课堂视频数据中的图像进行所述学员检测，得到至少一个人脸框；
在所述学员检测包括人体检测的情况下，对所述课堂视频数据中的图像进行所述学员检测，得到至少一个人体框。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述课堂行为事件包括专注事件、左顾右盼事件、低头事件、举手事件和起立事件中的至少一项。
6.根据权利要求3或5所述的方法，其特征在于，所述学员检测包括人脸检测，所述检测框包括人脸框；
所述将多帧图像中包括的相同检测框作为目标检测框，并对所述课堂视频数据中的目标检测框进行跟踪，得到所述目标检测框对应学员的所述课堂行为事件，包括：
将多帧图像中包括的相同人脸框作为目标检测框，并对所述课堂视频数据中的所述目标检测框进行跟踪；
在多帧图像中跟踪检测到所述目标检测框中的人脸在水平方向的人脸角度小于第一角度阈值的情况下，确定所述目标检测框对应的学员出现一次所述专注事件；
和/或，
在多帧图像中跟踪检测到所述目标检测框中的人脸在水平方向的人脸角度大于或等于第二角度阈值的情况下，确定所述目标检测框对应的学员出现一次所述左顾右盼事件，所述第一角度阈值小于或等于所述第二角度阈值；
和/或，
在多帧图像中跟踪检测到所述目标检测框中的人脸在竖直方向的人脸角度大于或等于第三角度阈值的情况下，确定所述目标检测框对应的学员出现一次所述低头事件。
7.根据权利要求3或5所述的方法，其特征在于，所述学员检测包括人体检测，所述检测框包括人体框；
所述将多帧图像中包括的相同检测框作为目标检测框，并对所述课堂视频数据中的目标检测框进行跟踪，得到所述目标检测框对应学员的所述课堂行为事件，包括：
将多帧图像中包括的相同人体框作为目标检测框，并对所述课堂视频数据中的所述目标检测框进行跟踪；
在多帧图像中跟踪检测到所述目标检测框中的人体存在举手动作的情况下，确定所述目标检测框对应的学员出现一次所述举手事件；
和/或，
在所述课堂视频数据中跟踪检测到所述目标检测框中的人体依次存在起立动作、站立动作以及坐下动作的情况下，确定所述目标检测框对应的学员出现一次起立事件。
8.根据权利要求7所述的方法，其特征在于，所述在所述课堂视频数据中跟踪检测到所述目标检测框中的人体依次存在起立动作、站立动作以及坐下动作的情况下，确定所述目标检测框对应的学员出现一次起立事件，包括：
在所述课堂视频数据中大于时长阈值的目标时间段内，跟踪检测到所述目标检测框的中心点在水平方向的偏移幅度小于第一水平偏移阈值，在竖直方向的偏移幅度小于第一竖直偏移阈值，且所述目标时间段内的第一帧图像相对于所述目标时间段之前的图像，所述中心点在竖直方向的偏移幅度大于第二竖直偏移阈值，且所述目标时间段内的最后一帧图像相对于所述目标时间段之后的图像，所述中心点在竖直方向的偏移幅度大于第三竖直偏移阈值的情况下，确定所述目标检测框对应的学员出现一次起立事件。
9.根据权利要求3、6至8中任意一项所述的方法，其特征在于，所述方法还包括：
在所述目标检测框对应学员出现相邻两次同一课堂行为事件之间的时间间隔小于第一时间间隔阈值的情况下，对所述相邻两次同一课堂行为事件进行合并。
10.根据权利要求3、6至9中任意一项所述的方法，其特征在于，所述方法还包括：
通过播放所述课堂视频数据的显示页面，展示所述目标检测框对应学员的人物图像，所述人物图像的展示次序与所述目标检测框对应学员出现所述课堂行为事件的时间相关。
11.根据权利要求1至9中任意一项所述的方法，其特征在于，所述学情分析结果，包括如下至少一项：
不同所述课堂行为事件对应的学员人数、占比和时长中的至少一项；
课堂专注度、课堂互动度和课堂愉悦度中的至少一项。
12.根据权利要求3、6至9中任意一项所述的方法，其特征在于，所述方法还包括如下至少一项：
对所述目标检测框中的人脸图像进行表情识别，得到所述目标检测框对应学员的表情类别，并通过播放所述课堂视频数据的显示界面中所述人脸图像的关联区域，展示所述目标检测框对应学员的表情类别；
根据预设人脸库，对所述目标检测框中的人脸图像进行人脸识别，得到所述目标检测框对应学员的身份信息，并通过播放所述课堂视频数据的显示界面中所述人脸图像的关联区域，展示所述目标检测框对应学员的身份信息。
13.根据权利要求12所述的方法，其特征在于，所述方法还包括：
根据所述课堂视频数据中不同所述目标检测框对应学员的身份信息，确定所述课堂视频数据对应的出勤人数，并通过播放所述课堂视频数据的显示界面，展示所述出勤人数。
14.一种学情分析装置，其特征在于，包括：
视频获取模块，用于获取待分析的课堂视频数据；
课堂行为事件检测模块，用于通过对所述课堂视频数据进行学员检测，得到课堂行为事件，所述课堂行为事件用于反映学员在课堂上的行为；
学情分析模块，用于根据所述课堂行为事件，确定所述课堂视频数据对应的学情分析结果，所述学情分析结果用于反映学员在课堂上的学习情况。
15.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至13中任意一项所述的方法。
16.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至13中任意一项所述的方法。
CN202011190170.2A 2020-10-30 2020-10-30 学情分析方法及装置、电子设备和存储介质 Active CN112287844B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202011190170.2A CN112287844B (zh) 2020-10-30 2020-10-30 学情分析方法及装置、电子设备和存储介质
PCT/CN2021/088690 WO2022088622A1 (zh) 2020-10-30 2021-04-21 学情分析方法及装置、电子设备和存储介质、计算机程序
KR1020217041731A KR20220058857A (ko) 2020-10-30 2021-04-21 학습 상황 분석 방법 및 장치, 전자 기기 및 기억 매체, 컴퓨터 프로그램
TW110121133A TW202219792A (zh) 2020-10-30 2021-06-10 學情分析方法及裝置、電子設備和儲存媒體
US17/730,800 US20220254158A1 (en) 2020-10-30 2022-04-27 Learning situation analysis method, electronic device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011190170.2A CN112287844B (zh) 2020-10-30 2020-10-30 学情分析方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112287844A true CN112287844A (zh) 2021-01-29
CN112287844B CN112287844B (zh) 2023-04-18

Family

ID=74353274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011190170.2A Active CN112287844B (zh) 2020-10-30 2020-10-30 学情分析方法及装置、电子设备和存储介质

Country Status (5)

Country Link
US (1) US20220254158A1 (zh)
KR (1) KR20220058857A (zh)
CN (1) CN112287844B (zh)
TW (1) TW202219792A (zh)
WO (1) WO2022088622A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052088A (zh) * 2021-03-29 2021-06-29 北京大米科技有限公司 一种图像处理的方法、装置、可读存储介质和电子设备
CN113239915A (zh) * 2021-07-13 2021-08-10 北京邮电大学 一种课堂行为的识别方法、装置、设备及存储介质
CN113516087A (zh) * 2021-07-21 2021-10-19 湖北海天时代科技发展有限公司 一种基于网络视频课程的学情分析系统、方法及终端
CN113591678A (zh) * 2021-07-28 2021-11-02 北京百度网讯科技有限公司 课堂注意力确定方法、装置、设备、存储介质及程序产品
WO2021232775A1 (zh) * 2020-05-22 2021-11-25 北京市商汤科技开发有限公司 视频处理方法及装置、电子设备和存储介质
CN113723284A (zh) * 2021-08-30 2021-11-30 未鲲(上海)科技服务有限公司 信息生成方法、终端设备及存储介质
CN113743250A (zh) * 2021-08-16 2021-12-03 华中师范大学 一种课堂教学行为事件描述模型的构建方法及系统
WO2022088622A1 (zh) * 2020-10-30 2022-05-05 北京市商汤科技开发有限公司 学情分析方法及装置、电子设备和存储介质、计算机程序
CN114601478A (zh) * 2022-05-11 2022-06-10 西南交通大学 一种提高司机警觉度的方法、装置、设备及可读存储介质
CN115097965A (zh) * 2022-06-23 2022-09-23 北京新唐思创教育科技有限公司 信息处理方法、装置、设备和存储介质
CN115205982A (zh) * 2022-09-08 2022-10-18 深圳市维海德技术股份有限公司 起立跟踪检测方法、电子设备及介质
CN115907507A (zh) * 2022-10-13 2023-04-04 华中科技大学 一种联合课堂场景的学生课堂行为检测和学情分析方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI768704B (zh) * 2021-02-05 2022-06-21 宏碁股份有限公司 計算關注焦點的方法及電腦程式產品
CN113920534A (zh) * 2021-10-08 2022-01-11 北京领格卓越科技有限公司 一种视频精彩片段提取方法、系统和存储介质
CN115082266B (zh) * 2022-06-27 2023-05-05 山东普照教育科技有限公司 一种学生教育学科综合化发展分析评价系统
CN114895795A (zh) * 2022-07-14 2022-08-12 安徽淘云科技股份有限公司 交互方法、装置、平台、电子设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100291528A1 (en) * 2009-05-12 2010-11-18 International Business Machines Corporation Method and system for improving the quality of teaching through analysis using a virtual teaching device
CN109815795A (zh) * 2018-12-14 2019-05-28 深圳壹账通智能科技有限公司 基于人脸监测的课堂学生状态分析方法及装置
CN110110958A (zh) * 2019-03-18 2019-08-09 深圳市深网视界科技有限公司 一种学情分析方法、电子设备及存储介质
CN110232346A (zh) * 2019-06-06 2019-09-13 南京睦泽信息科技有限公司 一种基于深度学习的视频智能分析系统
CN110414415A (zh) * 2019-07-24 2019-11-05 北京理工大学 面向课堂场景的人体行为识别方法
CN110991381A (zh) * 2019-12-12 2020-04-10 山东大学 一种基于行为和语音智能识别的实时课堂学生状态分析与指示提醒系统和方法
CN111241926A (zh) * 2019-12-30 2020-06-05 新大陆数字技术股份有限公司 考勤与学情分析方法、系统、设备及可读存储介质
CN111553323A (zh) * 2020-05-22 2020-08-18 北京市商汤科技开发有限公司 视频处理方法及装置、电子设备和存储介质
CN111709358A (zh) * 2020-06-14 2020-09-25 东南大学 基于课堂视频的师生行为分析系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106851216B (zh) * 2017-03-10 2019-05-28 山东师范大学 一种基于人脸和语音识别的课堂行为监控系统及方法
CN108108684B (zh) * 2017-12-15 2020-07-17 杭州电子科技大学 一种融合视线检测的注意力检测方法
CN107895244A (zh) * 2017-12-26 2018-04-10 重庆大争科技有限公司 课堂教学质量评估方法
CN111507283B (zh) * 2020-04-21 2021-11-30 浙江蓝鸽科技有限公司 基于课堂场景的学生行为识别方法及系统
CN112287844B (zh) * 2020-10-30 2023-04-18 北京市商汤科技开发有限公司 学情分析方法及装置、电子设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100291528A1 (en) * 2009-05-12 2010-11-18 International Business Machines Corporation Method and system for improving the quality of teaching through analysis using a virtual teaching device
CN109815795A (zh) * 2018-12-14 2019-05-28 深圳壹账通智能科技有限公司 基于人脸监测的课堂学生状态分析方法及装置
CN110110958A (zh) * 2019-03-18 2019-08-09 深圳市深网视界科技有限公司 一种学情分析方法、电子设备及存储介质
CN110232346A (zh) * 2019-06-06 2019-09-13 南京睦泽信息科技有限公司 一种基于深度学习的视频智能分析系统
CN110414415A (zh) * 2019-07-24 2019-11-05 北京理工大学 面向课堂场景的人体行为识别方法
CN110991381A (zh) * 2019-12-12 2020-04-10 山东大学 一种基于行为和语音智能识别的实时课堂学生状态分析与指示提醒系统和方法
CN111241926A (zh) * 2019-12-30 2020-06-05 新大陆数字技术股份有限公司 考勤与学情分析方法、系统、设备及可读存储介质
CN111553323A (zh) * 2020-05-22 2020-08-18 北京市商汤科技开发有限公司 视频处理方法及装置、电子设备和存储介质
CN111709358A (zh) * 2020-06-14 2020-09-25 东南大学 基于课堂视频的师生行为分析系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FABIAN NATER ET AL.: "Transferring activities: Updating human behavior analysis" *
孙众等: "基于人工智能的课堂教学分析", 《中国电化教育》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021232775A1 (zh) * 2020-05-22 2021-11-25 北京市商汤科技开发有限公司 视频处理方法及装置、电子设备和存储介质
WO2022088622A1 (zh) * 2020-10-30 2022-05-05 北京市商汤科技开发有限公司 学情分析方法及装置、电子设备和存储介质、计算机程序
CN113052088A (zh) * 2021-03-29 2021-06-29 北京大米科技有限公司 一种图像处理的方法、装置、可读存储介质和电子设备
CN113239915A (zh) * 2021-07-13 2021-08-10 北京邮电大学 一种课堂行为的识别方法、装置、设备及存储介质
CN113239915B (zh) * 2021-07-13 2021-11-30 北京邮电大学 一种课堂行为的识别方法、装置、设备及存储介质
CN113516087A (zh) * 2021-07-21 2021-10-19 湖北海天时代科技发展有限公司 一种基于网络视频课程的学情分析系统、方法及终端
CN113591678B (zh) * 2021-07-28 2023-06-23 北京百度网讯科技有限公司 课堂注意力确定方法、装置、设备、存储介质及程序产品
CN113591678A (zh) * 2021-07-28 2021-11-02 北京百度网讯科技有限公司 课堂注意力确定方法、装置、设备、存储介质及程序产品
CN113743250A (zh) * 2021-08-16 2021-12-03 华中师范大学 一种课堂教学行为事件描述模型的构建方法及系统
CN113743250B (zh) * 2021-08-16 2024-02-13 华中师范大学 一种课堂教学行为事件描述模型的构建方法及系统
CN113723284A (zh) * 2021-08-30 2021-11-30 未鲲(上海)科技服务有限公司 信息生成方法、终端设备及存储介质
CN114601478A (zh) * 2022-05-11 2022-06-10 西南交通大学 一种提高司机警觉度的方法、装置、设备及可读存储介质
CN115097965A (zh) * 2022-06-23 2022-09-23 北京新唐思创教育科技有限公司 信息处理方法、装置、设备和存储介质
CN115205982A (zh) * 2022-09-08 2022-10-18 深圳市维海德技术股份有限公司 起立跟踪检测方法、电子设备及介质
CN115907507A (zh) * 2022-10-13 2023-04-04 华中科技大学 一种联合课堂场景的学生课堂行为检测和学情分析方法
CN115907507B (zh) * 2022-10-13 2023-11-14 华中科技大学 一种联合课堂场景的学生课堂行为检测和学情分析方法

Also Published As

Publication number Publication date
US20220254158A1 (en) 2022-08-11
CN112287844B (zh) 2023-04-18
KR20220058857A (ko) 2022-05-10
WO2022088622A1 (zh) 2022-05-05
TW202219792A (zh) 2022-05-16

Similar Documents

Publication Publication Date Title
CN112287844B (zh) 学情分析方法及装置、电子设备和存储介质
WO2021232775A1 (zh) 视频处理方法及装置、电子设备和存储介质
EP3937154A1 (en) Method for video interaction and electronic device
CN107644646B (zh) 语音处理方法、装置以及用于语音处理的装置
CN110121093A (zh) 视频中目标对象的搜索方法及装置
US20090113278A1 (en) System and methods for generating automatic and user-controllable movies of presentations on small devices
JP2015528120A (ja) 目のトラッキングに基づくディスプレイの一部の選択的強調
CN113052085B (zh) 视频剪辑方法、装置、电子设备以及存储介质
WO2019153925A1 (zh) 一种搜索方法及相关装置
CN112652200A (zh) 人机交互系统、方法、服务器、交互控制设备及存储介质
US20130215214A1 (en) System and method for managing avatarsaddressing a remote participant in a video conference
JP2022534345A (ja) データ処理方法及び装置、電子機器並びに記憶媒体
CN109766473B (zh) 信息交互方法、装置、电子设备及存储介质
CN110730360A (zh) 视频上传、播放的方法、装置、客户端设备及存储介质
CN112991553A (zh) 信息展示方法及装置、电子设备和存储介质
CN108986803B (zh) 场景控制方法及装置、电子设备、可读存储介质
CN106331328B (zh) 信息提示的方法及装置
CN107105311B (zh) 直播方法及装置
CN105306229B (zh) 进行通讯控制的方法和装置
CN111832455A (zh) 获取内容图像的方法、装置、存储介质和电子设备
CN111680179A (zh) 目标数据的获取方法及装置、电子设备和存储介质
CN116527828A (zh) 一种图像处理方法、装置、电子设备及可读存储介质
CN110636377A (zh) 视频处理方法、装置、存储介质、终端及服务器
CN114095747B (zh) 直播互动系统和方法
CN116912723A (zh) 课堂导播的方法、装置、电子设备及存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40042381

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant