CN112307855A - 一种用户状态检测方法、装置、电子设备及存储介质 - Google Patents
一种用户状态检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112307855A CN112307855A CN201910727420.2A CN201910727420A CN112307855A CN 112307855 A CN112307855 A CN 112307855A CN 201910727420 A CN201910727420 A CN 201910727420A CN 112307855 A CN112307855 A CN 112307855A
- Authority
- CN
- China
- Prior art keywords
- user
- external
- features
- video stream
- neural network
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000001815 facial effect Effects 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims description 42
- 241001282135 Poromitra oscitans Species 0.000 claims description 26
- 206010048232 Yawning Diseases 0.000 claims description 26
- 210000001747 pupil Anatomy 0.000 claims description 26
- 210000000988 bone and bone Anatomy 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 14
- 230000004397 blinking Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 description 21
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 210000003128 head Anatomy 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 206010041349 Somnolence Diseases 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000006996 mental state Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000032140 Sleepiness Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000004399 eye closure Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000002618 waking effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Social Psychology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种用户状态检测方法、装置、电子设备及存储介质，该方法包括：获取用户学习时的视频流；基于所述视频流对用户的外部特征进行识别，得到用户的外部特征；基于所述外部特征确定用户当前的状态，其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征。本公开实施例的技术方案，实现了对用户学习时的状态进行准确检测的目的。
Description
技术领域
本公开实施例涉及计算机技术领域，尤其涉及一种用户状态检测方法、装置、电子设备及存储介质。
背景技术
通常小学生的自我控制能力较差，尤其是在学习方面，很多小学生比较排斥，需要家长一对一的检测其写作业或者温习功课等。
而现在的生活节奏越来越快，家长的时间也非常宝贵，因而很多家长无法做到现场检测孩子写作业或者温习功课。家长的缺席导致很多孩子无法高效地学习，以及养成良好的学习习惯。
发明内容
本公开实施例提供一种用户状态检测方法、装置、电子设备及存储介质，以实现对用户学习时的状态进行准确检测。
第一方面，本公开实施例提供了一种用户状态检测方法，该方法包括：
获取用户学习时的视频流；
基于所述视频流对用户的外部特征进行识别，得到用户的外部特征；
基于所述外部特征确定用户当前的状态；
其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征。
第二方面，本公开实施例还提供了一种用户状态检测装置，该装置包括：
获取模块，用于获取用户学习时的视频流；
识别模块，用于基于所述视频流对用户的外部特征进行识别，得到用户的外部特征；
确定模块，用于基于所述外部特征确定用户当前的状态；
其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征。
第三方面，本公开实施例还提供了一种设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的用户状态检测方法。
第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的用户状态检测方法。
本公开实施例的技术方案，通过获取用户学习时的视频流；基于所述视频流对用户的外部特征进行识别，并基于所述外部特征确定用户当前的状态；其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征，通过用户的人脸特征以及骨骼关键点的特征共同确定用户当前的状态，实现了对用户状态的准确识别。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例一所提供的一种用户状态检测方法流程示意图；
图2为本公开实施例二所提供的一种用户状态检测方法流程示意图；
图3为本公开实施例三所提供的一种用户状态检测装置结构示意图；
图4为本公开实施例四所提供的一种电子设备结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
实施例一
图1为本公开实施例一所提供的一种用户状态检测方法流程示意图。本实施例提供的用户状态检测方法可适用于对小学生学习时或者考试时的行为或者精神状态进行检测的场景。具体的，当检测到小学生在学习或者考试时出现打盹、趴睡或者左顾右盼的情况时，及时向小学生发出提醒，以提高小学生的学习效率，帮助小学生养成良好的学习习惯以及正确的学习姿势，或者帮助维持考试时考场的纪律。该方法可以由用户状态检测装置来执行，该装置可以通过软件和/或硬件的形式实现，并通常布设于学习桌的正前方或者教室的合适位置，该合适位置具体指能够拍摄到用户学习或者考试时的图像的位置。
具体参见图1所示，本实施例提供的用户状态检测方法包括如下步骤：
步骤110、获取用户学习时的视频流。
其中，所述用户可包括小学生、各年龄阶段的考生等。
具体的，获取用户学习时的视频流，包括：
通过为当前应用场景专门设置的摄像头获取用户学习时的视频流。例如，通过设置在小学生学习桌前上方的摄像头获取小学生学习时的视频流；或者通过设置在教室、考场合适位置的摄像头获取考生考试时的视频流，所述合适位置指能够拍摄到用户完整图像的位置。
步骤120、基于所述视频流对用户的外部特征进行识别，得到用户的外部特征。
其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征，所述人脸特征例如具体包括：频繁眨眼、眼神迷离或者眼睛闭合等特征；所述骨骼关键点的特征具体为骨骼关键点的坐标值，或者各骨骼关键点的坐标值所组成的轮廓的特征。所述外部特征包括：趴睡特征、身体歪斜特征或者困盹特征等。所述趴睡特征以及身体歪斜特征可通过用户的骨骼关键点的位置信息进行判别。所述骨骼关键点具体指能够明显表征身体姿态的点，例如组成肩膀轮廓的点，组成头部轮廓的点等。在学习场景，拍摄到的用户的图像通常仅包括用户上半身的图像，因此，可从用户的肩膀以及头部定位骨骼关键点，当用户趴睡时，整个肩膀以及头部则具有比较明显的特征轮廓，通过将基于拍摄图像识别出的特征与设定轮廓进行比对，则可确定当前用户的外部特征。所述设定轮廓具体是用户保持正确姿势或者标准姿势学习时的身体轮廓，其实质是组成身体的各点的坐标值以及各点之间的位置关系。进一步的，除了通过轮廓对比确定用户当前的外部特征之外，还可以通过单一骨骼关键点与参考点之间的相对距离进行确定。例如，可将头顶某处的点确定为骨骼关键点，或者将下巴某处的点确定为骨骼关键点，通过计算所述骨骼关键点与学习桌之间的距离确定用户当前的外部特征是否为趴睡特征。可以理解的是，当用户趴睡时，用户的头顶以及下巴与学习桌之间的距离较小，当用户保持正确的姿势或者标准的姿势学习时，头顶以及下巴与学习桌之间的距离较大，故可基于骨骼关键点与参考点之间的相对距离确定用户的外部特征是否为趴睡特征。同样的，也可基于骨骼关键点与参考点之间的相对距离确定用户的外部特征是否为身体歪斜特征。
需要说明的是，所述困盹特征包括轻度困盹和重度困盹，其中，轻度困盹的特征表现为：打哈欠的频率变大，眨眼的频率变小或者目光呆滞等；重度困盹的特征表现为：身体歪斜或者直接趴睡，故困盹特征在一些情况下包括所述趴睡特征或者歪斜特征。同时，通过结合用户的面部特征(例如打哈欠、眨眼等特征)以及身体姿态特征(即骨骼关键点的特征)，提高了疲倦识别的准确度。
具体的，本实例基于深度学习技术根据所述视频流对用户的外部特征进行识别，以提高外部特征的识别精度。
示例性的，基于所述视频流对用户的外部特征进行识别，得到用户的外部特征，包括：
将所述视频流输入至预先训练好的神经网络模型，得到用户的外部特征参数；
根据所述外部特征参数确定用户的外部特征；
其中，所述外部特征参数包括闭眼时间、眨眼频率、打哈欠频率、张嘴时间或者骨骼关键点的坐标信息中的至少一种；所述外部特征包括：趴睡特征、歪斜特征或者困盹特征。所述预先训练好的神经网络模型基于训练样本训练得到，所述训练样本包括标记了外部特征参数的视频流，所述神经网络模型包括：CNN(Convolutional Neural Networks，卷积神经网络)。卷积神经网络通过采用局部连接的方式获取图像的局部特征，卷积神经网络直接以二维图像作为输入，自动学习图像特征以及数据内部的隐含关系，无需对图像进行复杂的预处理，卷积神经网络的基本结构包括卷积层、降采样层和全连接层。卷积神经网络根据局部感受野的特性，在相邻两层神经元之间使用局部链接替代全连接，通过权值共享的方式大大减少了训练时所需的参数，通过使用降采样技术，降低了网络参数的维度。
进一步的，所述外部特征参数包括骨骼关键点的坐标信息和打哈欠频率，根据所述外部特征参数确定用户的外部特征，包括：
若所述骨骼关键点的坐标信息符合设定轮廓，且打哈欠频率超过阈值，则确定用户的外部特征为困盹特征；通过结合用户的面部特征(例如打哈欠、眨眼等特征)以及身体姿态特征(即骨骼关键点的坐标信息)，提高了困盹特征的识别精度。用户的身体姿态轮廓可通过骨骼关键点的坐标信息之间的连线生成。
步骤130、基于所述外部特征确定用户当前的状态。
具体的，当用户的外部特征为困盹特征时，所述用户当前的状态为困盹；
当用户的外部特征为趴睡特征时，所述用户当前的状态为趴睡；
当用户的外部特征为歪斜特征时，所述用户当前的状态为歪斜。
进一步的，当用户当前的状态为困盹时，触发报警装置报警，以对用户进行提醒；通过报警可达到唤醒用户的目的，使用户从困盹状态恢复到清醒状态，提高用户的学习效率。
或者，当用户当前的状态为歪斜时，播放设定语音，以对用户进行语音提醒；例如，当检测到用户的身体歪斜时，则播放“请保持规范的坐姿，以利于保护眼睛”的语音话语，帮助用户养成良好的坐姿习惯。或者，当检测到用户疲倦注意力不集中时，则播放“请珍惜时间，努力学习”的语音话语，帮助用户约束自己，提高学习效率。
或者，当检测到用户缺席、离座时，向关联的通信终端发送通知，以使监护人员获知用户的状态。所述关联的通信终端具体可以是用户监护人的手机，例如父母或者老师的手机，以实现监护人对用户的离线监测。
进一步的，所述方法还可以包括：
根据小学生在设定时间段内的实时外部特征生成学习状态报告，以使小学生自己、老师或者家长了解小学生学习时的精神状态，进而为小学生制定更加适合的学习计划，例如将小学生的学习时间调整到学习状态较好的时间段等。
本公开实施例的技术方案，通过获取用户学习时的视频流，并基于深度学习技术对所述视频流进行识别，获得用户的外部特征，该外部特征包括人脸特征和骨骼关键点的特征，通过结合骨骼关键点以及面部特征两方面确定用户当前的状态，提高了用户状态的检测精度，实现了对用户学习时的精神状态进行自动检测的目的。
实施例二
图2为本公开实施例二所提供的一种用户状态检测方法流程示意图。在上述实施例各方案的基础上，本实施例对用户状态检测方法进行了进一步优化，具体是在将获取到的视频流输入至预先训练好的神经网络模型之前，对所述视频流进行预处理，以得到所述视频流中用户的眼部区域和嘴部区域，并进一步将用户眼部区域和嘴部区域的视频流输入至预先训练好的神经网络模型。通过预先获得视频流中用户的眼部区域以及嘴部区别，减少了神经网络模型的识别工作量，此时神经网络模型仅需根据眼部区域图像以及嘴部区域图像识别具体的眼部状态和嘴部状态即可，而无需从整体图像中优先识别到眼部区域图像和嘴部区域图像，再进行具体状态的识别，进而提高了模型的识别速度和精度，尤其对于戴眼镜的用户，可准确识别该类用户的眼部状态(例如眨眼频率、眼睛闭合特征或者眼睛睁开特征)。如图2所示，所述方法包括：
步骤210、获取用户学习时的视频流。
步骤220、对所述视频流进行预处理，以得到所述视频流中用户的眼部区域和嘴部区域。
具体的，识别视频流中用户的眼部区域和嘴部区域可基于学习的方法：首先从人脸图像上采集准备大量已标注好的人眼和非人眼样本，之后通过不同的学习方法训练能够区分人眼和非人眼的分类器，在实际识别中，采用预先训练好的分类器对输入的图像区域进行扫描完成人眼区域的识别。目前常用的基于学习的方法有AdaBoost方法、SVM(SupportVector Machine，支持向量机)方法和PCA(Principal Component Analysis，主成分分析)方法。对嘴部区域的识别与对眼部区域的识别类似，不再重复介绍。
还可以基于模板的方法识别视频流中用户的眼部区域和嘴部区域，具体为：设计一个基于眼睛形状的统一模板，然后使用模板匹配的方式搜索感兴趣区域中眼睛的位置。
还可以基于特征的方法识别视频流中用户的眼部区域和嘴部区域，具体为：通过使用先验知识，利用眼睛和嘴部在人脸图像中的位置、形状、边缘信息、颜色信息以及对称性等特征进行定位。
步骤230、将用户眼部区域和嘴部区域的视频流输入至预先训练好的神经网络模型，得到用户的外部特征参数。
其中，所述外部特征参数包括闭眼时间、眨眼频率、打哈欠频率、张嘴时间或者骨骼关键点的坐标信息中的至少一种。
步骤240、根据所述外部特征参数确定用户的外部特征。
进一步的，为了提高外部特征的识别精度，尤其是对困盹特征的识别，可进一步结合用户的身体姿态，例如若身体发生歪斜动作，或者头部向下低落并慢节奏地摇晃，则可确定用户可能困盹了，此时若识别到用户的眨眼频率较低，或者打哈欠的频率较高，或者眼睛处于闭合状态，则确定用户具有困盹的外部特征。
步骤250、基于所述外部特征确定用户当前的状态。
本公开实施例的技术方案，通过在将获取到的视频流输入至预先训练好的神经网络模型之前，对所述视频流进行预处理，以得到所述视频流中用户的眼部区域和嘴部区域，并进一步将用户眼部区域和嘴部区域的视频流输入至预先训练好的神经网络模型，提高了面部行为特征的识别精度，尤其对于戴眼镜的用户，可准确识别该类用户的眼部状态(例如眨眼频率、眼睛闭合特征或者眼睛睁开特征)，并通过结合骨骼关键点的坐标信息，提高了困盹特征的识别精度，进而实现了对用户状态的准确检测。
实施例三
图3为本公开实施例三提供的一种用户状态检测装置，该装置包括：获取模块310、识别模块320和确定模块330；
其中，获取模块310，用于获取用户学习时的视频流；识别模块320，用于基于所述视频流对用户的外部特征进行识别，得到用户的外部特征；确定模块330，用于基于所述外部特征确定用户当前的状态，其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征。
在上述技术方案的基础上，识别模块320包括输入单元，用于将所述视频流输入至预先训练好的神经网络模型，得到用户的外部特征参数；确定单元，用于根据所述外部特征参数确定用户的外部特征；
其中，所述外部特征参数包括闭眼时间、眨眼频率、打哈欠频率、张嘴时间或者骨骼关键点的坐标信息中的至少一种；
所述外部特征包括：趴睡特征、歪斜特征或者困盹特征。
在上述各技术方案的基础上，所述预先训练好的神经网络模型基于训练样本训练得到，所述训练样本包括标记了外部特征参数的视频流，所述神经网络模型包括：卷积神经网络CNN。
在上述各技术方案的基础上，若所述外部特征参数包括骨骼关键点的坐标信息和打哈欠频率，所述确定单元具体用于：若所述骨骼关键点的坐标信息符合设定轮廓，且打哈欠频率超过阈值，则确定用户的外部特征为困盹特征。
在上述各技术方案的基础上，识别模块320还包括预处理单元，用于将所述视频流输入至预先训练好的神经网络模型之前，对所述视频流进行预处理，以得到所述视频流中用户的眼部区域和嘴部区域；
对应的，所述输入单元具体用于：将用户眼部区域和嘴部区域的视频流输入至预先训练好的神经网络模型。
在上述各技术方案的基础上，所述装置还包括提醒模块，用于当用户当前的状态为困盹时，触发报警装置报警，或者向关联的通信终端发送通知，以使监护人员获知用户当前的状态；当用户当前的状态为歪斜时，播放设定语音。
在上述各技术方案的基础上，所述用户包括小学生；
对应的，所述装置还包括：生成模块，用于根据小学生在设定时间段内的实时外部特征生成学习状态报告。
本公开实施例的技术方案，通过在将获取到的视频流输入至预先训练好的神经网络模型之前，对所述视频流进行预处理，以得到所述视频流中用户的眼部区域和嘴部区域，并进一步将用户眼部区域和嘴部区域的视频流输入至预先训练好的神经网络模型，提高了面部行为特征的识别精度，尤其对于戴眼镜的用户，可准确识别该类用户的眼部状态(例如眨眼频率、眼睛闭合特征或者眼睛睁开特征)，并通过结合骨骼关键点的坐标信息，提高了外部特征的识别精度，进而实现了对用户状态的准确检测。
本公开实施例所提供的用户状态检测装置可执行本公开任意实施例所提供的用户状态检测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
实施例四
下面参考图4，其示出了适于用来实现本公开实施例的电子设备(例如图4中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置406加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置406；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置406被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
本公开实施例提供的终端与上述实施例提供的用户状态检测方法属于同一发明构思，未在本公开实施例中详尽描述的技术细节可参见上述实施例，并且本公开实施例与上述实施例具有相同的有益效果。
实施例五
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的用户状态检测方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
获取用户学习时的视频流；
基于所述视频流对用户的外部特征进行识别，得到用户的外部特征；
基于所述外部特征确定用户当前的状态；
其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，可编辑内容显示单元还可以被描述为“编辑单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以下列出了本公开的一些示例实施例。
在一个方面，提供了一种用户状态检测方法，该方法包括：
获取用户学习时的视频流；
基于所述视频流对用户的外部特征进行识别，得到用户的外部特征；
基于所述外部特征确定用户当前的状态；
其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征。
在一些实施例中，基于所述视频流对用户的外部特征进行识别，得到用户的外部特征，包括：
将所述视频流输入至预先训练好的神经网络模型，得到用户的外部特征参数；
根据所述外部特征参数确定用户的外部特征；
其中，所述外部特征参数包括闭眼时间、眨眼频率、打哈欠频率、张嘴时间或者骨骼关键点的坐标信息中的至少一种；
所述外部特征包括：趴睡特征、歪斜特征或者困盹特征。
在一些实施例中，所述预先训练好的神经网络模型基于训练样本训练得到，所述训练样本包括标记了外部特征参数的视频流，所述神经网络模型包括：卷积神经网络CNN。
在一些实施例中，所述外部特征参数包括骨骼关键点的坐标信息和打哈欠频率，根据所述外部特征参数确定用户的外部特征，包括：
若所述姿态信息符合设定轮廓，且打哈欠频率超过阈值，则确定用户的外部特征为困盹特征；
当用户的外部特征为困盹特征时，所述用户当前的状态为困盹。
在一些实施例中，将所述视频流输入至预先训练好的神经网络模型之前，还包括：
对所述视频流进行预处理，以得到所述视频流中用户的眼部区域和嘴部区域；
将所述视频流输入至预先训练好的神经网络模型，包括：将用户眼部区域和嘴部区域的视频流输入至预先训练好的神经网络模型。
在一些实施例中，还包括：当用户当前的状态为困盹时，触发报警装置报警，或者向关联的通信终端发送通知，以使监护人员获知用户当前的状态；
当用户当前的状态为歪斜时，播放设定语音。
在一些实施例中，所述用户包括小学生；
所述方法还包括：
根据小学生在设定时间段内的实时外部特征生成学习状态报告。
在一个方面，提供了一种用户状态检测装置，该装置包括：
获取模块，用于获取用户学习时的视频流；
识别模块，用于基于所述视频流对用户的外部特征进行识别，得到用户的外部特征；
确定模块，用于基于所述外部特征确定用户当前的状态；
其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征。
在一些实施例中，所述识别模块包括：
输入单元，用于将所述视频流输入至预先训练好的神经网络模型，得到用户的外部特征参数；
确定单元，用于根据所述外部特征参数确定用户的外部特征；
其中，所述外部特征参数包括闭眼时间、眨眼频率、打哈欠频率、张嘴时间或者骨骼关键点的坐标信息中的至少一种；
所述外部特征包括：趴睡特征、歪斜特征或者困盹特征。
在一些实施例中，所述预先训练好的神经网络模型基于训练样本训练得到，所述训练样本包括标记了外部特征参数的视频流，所述神经网络模型包括：卷积神经网络CNN。
在一些实施例中，所述外部特征参数包括骨骼关键点的坐标信息和打哈欠频率，所述确定单元具体用于：若所述骨骼关键点的坐标信息符合设定轮廓，且打哈欠频率超过阈值，则确定用户的外部特征为困盹特征。
在一些实施例中，所述识别模块还包括预处理单元，用于将所述视频流输入至预先训练好的神经网络模型之前，对所述视频流进行预处理，以得到所述视频流中用户的眼部区域和嘴部区域；
所述输入单元具体用于：将用户眼部区域和嘴部区域的视频流输入至预先训练好的神经网络模型。
在一些实施例中，所述装置还包括提醒模块，用于当用户当前的状态为困盹时，触发报警装置报警，或者向关联的通信终端发送通知，以使监护人员获知用户当前的状态；当用户当前的状态为歪斜时，播放设定语音。
在一些实施例中，所述用户包括小学生；
所述装置还包括：生成模块，用于根据小学生在设定时间段内的实时外部特征生成学习状态报告。
在一个方面，提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现下述用户状态检测方法：
获取用户学习时的视频流；
基于所述视频流对用户的外部特征进行识别，得到用户的外部特征；
基于所述外部特征确定用户当前的状态；
其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征。
在一些实施例中，当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现下述用户状态检测方法：
将所述视频流输入至预先训练好的神经网络模型，得到用户的外部特征参数；
根据所述外部特征参数确定用户的外部特征；
基于所述外部特征确定用户当前的状态；
其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征；所述外部特征参数包括闭眼时间、眨眼频率、打哈欠频率、张嘴时间或者骨骼关键点的坐标信息中的至少一种；所述外部特征包括：趴睡特征、歪斜特征或者困盹特征；
所述预先训练好的神经网络模型基于训练样本训练得到，所述训练样本包括标记了外部特征参数的视频流，所述神经网络模型包括：卷积神经网络CNN。
在一些实施例中，当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现下述用户状态检测方法：
所述外部特征参数包括骨骼关键点的坐标信息和打哈欠频率，且所述骨骼关键点的坐标信息符合设定轮廓，打哈欠频率超过阈值，则确定用户的外部特征为困盹特征；
当用户的外部特征为困盹特征时，所述用户当前的状态为困盹。
在一些实施例中，当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现下述用户状态检测方法：
对所述视频流进行预处理，以得到所述视频流中用户的眼部区域和嘴部区域；
将用户眼部区域和嘴部区域的视频流输入至预先训练好的神经网络模型。
在一些实施例中，当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现下述用户状态检测方法：
当用户当前的状态为困盹时，触发报警装置报警，或者向关联的通信终端发送通知，以使监护人员获知用户当前的状态；
当用户当前的状态为歪斜时，播放设定语音。
在一些实施例中，当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现下述用户状态检测方法：
所述用户包括小学生，根据小学生在设定时间段内的实时外部特征生成学习状态报告。
在一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理装置执行时实现如下所述的用户状态检测方法：
获取用户学习时的视频流；
基于所述视频流对用户的外部特征进行识别，得到用户的外部特征；
基于所述外部特征确定用户当前的状态；
其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征。
在一些实施例中，该程序被处理装置执行时实现如下所述的用户状态检测方法：
将所述视频流输入至预先训练好的神经网络模型，得到用户的外部特征参数；
根据所述外部特征参数确定用户的外部特征；
基于所述外部特征确定用户当前的状态；
其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征；所述外部特征参数包括闭眼时间、眨眼频率、打哈欠频率、张嘴时间或者骨骼关键点的坐标信息中的至少一种；所述外部特征包括：趴睡特征、歪斜特征或者困盹特征；
所述预先训练好的神经网络模型基于训练样本训练得到，所述训练样本包括标记了外部特征参数的视频流，所述神经网络模型包括：卷积神经网络CNN。
在一些实施例中，该程序被处理装置执行时实现如下所述的用户状态检测方法：
所述外部特征参数包括骨骼关键点的坐标信息和打哈欠频率，且所述骨骼关键点的坐标信息符合设定轮廓，打哈欠频率超过阈值，则确定用户的外部特征为困盹特征；
当用户的外部特征为困盹特征时，所述用户当前的状态为困盹。
在一些实施例中，该程序被处理装置执行时实现如下所述的用户状态检测方法：
对所述视频流进行预处理，以得到所述视频流中用户的眼部区域和嘴部区域；
将用户眼部区域和嘴部区域的视频流输入至预先训练好的神经网络模型。
在一些实施例中，该程序被处理装置执行时实现如下所述的用户状态检测方法：
当用户当前的状态为困盹时，触发报警装置报警，或者向关联的通信终端发送通知，以使监护人员获知用户当前的状态；
当用户当前的状态为歪斜时，播放设定语音。
在一些实施例中，该程序被处理装置执行时实现如下所述的用户状态检测方法：
所述用户包括小学生，根据小学生在设定时间段内的实时外部特征生成学习状态报告。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种用户状态检测方法，其特征在于，包括：
获取用户学习时的视频流；
基于所述视频流对用户的外部特征进行识别，得到用户的外部特征；
基于所述外部特征确定用户当前的状态；
其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征。
2.根据权利要求1所述的方法，其特征在于，基于所述视频流对用户的外部特征进行识别，得到用户的外部特征，包括：
将所述视频流输入至预先训练好的神经网络模型，得到用户的外部特征参数；
根据所述外部特征参数确定用户的外部特征；
其中，所述外部特征参数包括闭眼时间、眨眼频率、打哈欠频率、张嘴时间或者骨骼关键点的坐标信息中的至少一种；
所述外部特征包括：趴睡特征、歪斜特征或者困盹特征。
3.根据权利要求2所述的方法，其特征在于，所述预先训练好的神经网络模型基于训练样本训练得到，所述训练样本包括标记了外部特征参数的视频流，所述神经网络模型包括：卷积神经网络CNN。
4.根据权利要求2所述的方法，其特征在于，所述外部特征参数包括骨骼关键点的坐标信息和打哈欠频率，所述根据所述外部特征参数确定用户的外部特征，包括：
若所述骨骼关键点的坐标信息符合设定轮廓，且打哈欠频率超过阈值，则确定用户的外部特征为困盹特征；
当用户的外部特征为困盹特征时，所述用户当前的状态为困盹。
5.根据权利要求2所述的方法，其特征在于，将所述视频流输入至预先训练好的神经网络模型之前，还包括：
对所述视频流进行预处理，以得到所述视频流中用户的眼部区域和嘴部区域；
将所述视频流输入至预先训练好的神经网络模型，包括：将用户眼部区域和嘴部区域的视频流输入至预先训练好的神经网络模型。
6.根据权利要求1-5任一所述的方法，特征在于，还包括：
当用户当前的状态为困盹时，触发报警装置报警，或者向关联的通信终端发送通知，以使监护人员获知用户当前的状态；
当用户当前的状态为歪斜时，播放设定语音。
7.根据权利要求1-5任一所述的方法，其特征在于，所述用户包括小学生；
所述方法还包括：
根据小学生在设定时间段内的实时外部特征生成学习状态报告。
8.一种用户状态检测装置，其特征在于，包括：
获取模块，用于获取用户学习时的视频流；
识别模块，用于基于所述视频流对用户的外部特征进行识别，得到用户的外部特征；
确定模块，用于基于所述外部特征确定用户当前的状态；
其中，所述外部特征包括用户的人脸特征和骨骼关键点的特征。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的用户状态检测方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一项所述的用户状态检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910727420.2A CN112307855A (zh) | 2019-08-07 | 2019-08-07 | 一种用户状态检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910727420.2A CN112307855A (zh) | 2019-08-07 | 2019-08-07 | 一种用户状态检测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112307855A true CN112307855A (zh) | 2021-02-02 |
Family
ID=74485258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910727420.2A Pending CN112307855A (zh) | 2019-08-07 | 2019-08-07 | 一种用户状态检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112307855A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862643A (zh) * | 2021-03-01 | 2021-05-28 | 深圳市微幼科技有限公司 | 一种多媒体远程教育平台系统 |
| CN113869241A (zh) * | 2021-09-30 | 2021-12-31 | 西安理工大学 | 一种融合人脸多属性的在线学习状态分析与报警方法 |
| CN114466200A (zh) * | 2022-01-18 | 2022-05-10 | 上海应用技术大学 | 一种在线自习室学习状态监测系统及其方法 |
| WO2023040578A1 (zh) * | 2021-09-17 | 2023-03-23 | 浙江灵创网络科技有限公司 | 一种基于童脸识别的儿童坐姿检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596037A (zh) * | 2018-03-27 | 2018-09-28 | 康体佳智能科技（深圳）有限公司 | 基于神经网络的人脸识别系统及识别方法 |
| CN109117797A (zh) * | 2018-08-17 | 2019-01-01 | 浙江捷尚视觉科技股份有限公司 | 一种基于人脸质量评价的人脸抓拍识别方法 |
| CN109801105A (zh) * | 2019-01-17 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 基于人工智能的服务评分方法、装置、设备及存储介质 |
| CN109871804A (zh) * | 2019-02-19 | 2019-06-11 | 上海宝尊电子商务有限公司 | 一种店铺人流识别分析的方法和系统 |
-
2019
- 2019-08-07 CN CN201910727420.2A patent/CN112307855A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596037A (zh) * | 2018-03-27 | 2018-09-28 | 康体佳智能科技（深圳）有限公司 | 基于神经网络的人脸识别系统及识别方法 |
| CN109117797A (zh) * | 2018-08-17 | 2019-01-01 | 浙江捷尚视觉科技股份有限公司 | 一种基于人脸质量评价的人脸抓拍识别方法 |
| CN109801105A (zh) * | 2019-01-17 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 基于人工智能的服务评分方法、装置、设备及存储介质 |
| CN109871804A (zh) * | 2019-02-19 | 2019-06-11 | 上海宝尊电子商务有限公司 | 一种店铺人流识别分析的方法和系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862643A (zh) * | 2021-03-01 | 2021-05-28 | 深圳市微幼科技有限公司 | 一种多媒体远程教育平台系统 |
| WO2023040578A1 (zh) * | 2021-09-17 | 2023-03-23 | 浙江灵创网络科技有限公司 | 一种基于童脸识别的儿童坐姿检测方法及系统 |
| CN113869241A (zh) * | 2021-09-30 | 2021-12-31 | 西安理工大学 | 一种融合人脸多属性的在线学习状态分析与报警方法 |
| CN114466200A (zh) * | 2022-01-18 | 2022-05-10 | 上海应用技术大学 | 一种在线自习室学习状态监测系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112307855A (zh) | 一种用户状态检测方法、装置、电子设备及存储介质 | |
| Ramzan et al. | A survey on state-of-the-art drowsiness detection techniques | |
| Vaizman et al. | Recognizing detailed human context in the wild from smartphones and smartwatches | |
| US11030917B2 (en) | Wearable apparatus and method for monitoring posture | |
| Vinola et al. | A survey on human emotion recognition approaches, databases and applications | |
| US20210081754A1 (en) | Error correction in convolutional neural networks | |
| US11138421B2 (en) | Video feature tagging | |
| Chakraborty et al. | A human-robot interaction system calculating visual focus of human’s attention level | |
| WO2015020638A1 (en) | Emotion-related query processing | |
| Indi et al. | Detection of malpractice in e-exams by head pose and gaze estimation | |
| Su et al. | A video analytic in-class student concentration monitoring system | |
| Adireddi et al. | Detection of eye blink using svm classifier | |
| CN112464776A (zh) | 一种学习状态监测方法、系统和装置 | |
| Rozaliev et al. | Recognizing and analyzing emotional expressions in movements | |
| Bashir et al. | A smart sensor-based gesture recognition system for media player control | |
| Armenta et al. | An intelligent multi-sourced sensing system to study driver’s visual behaviors | |
| Zhang | Educational psychology analysis method for extracting students’ facial information based on image big data | |
| Kim et al. | Context-based rider assistant system for two wheeled self-balancing vehicles | |
| Craye | A framework for context-aware driver status assessment systems | |
| Zhang et al. | A Real-Time Portable IoT System for Telework Tracking | |
| Yang et al. | An efficient multi-task learning CNN for driver attention monitoring | |
| Rafiq et al. | An LSTM-based Gesture-to-Speech Recognition System | |
| Sadasivam et al. | Multimodal Approach to Identify Attention Level of Students using Jetson Nano | |
| US20240085985A1 (en) | Inertial sensing of tongue gestures | |
| WO2023090618A1 (ko) | 인공 지능을 이용하여 운전자의 주시 상태를 판단하는 차량 장치 및 그 제어 방법 |
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 |