CN113657146B - 一种基于单幅图像的学生非专注学习低耗识别方法及装置 - Google Patents

Abstract

本发明提出了一种基于单幅图像的学生非专注学习低耗识别方法及装置，涉及智能分析技术领域。一种基于单幅图像的学生非专注学习低耗识别方法包括：获取待检测图像。将待检测图像输入至预先建立好的非专注学习决策模型，得到检测评分。若检测评分与标准分数之间的相差分数超过预设分数，比较检测评分与标准分数，得到比较结果。根据比较结果，判断待检测图像是否为非专注学习图像。若相差分数未超过预设分数，计算待检测图像和非专注学习决策模型中样本的空间距离，得到计算结果。根据多个样本的类别，得到二次识别结果，根据二次识别结果判断待检测图像是否为专注学习图像。实现了通过单幅图像较为精准、低消耗地评价学生是否在专注听课的目的。

Description

一种基于单幅图像的学生非专注学习低耗识别方法及装置

技术领域

本发明涉及智能分析技术领域，具体而言，涉及一种基于单幅图像的学生非专注学习低耗识别方法及装置。

背景技术

随着时代的发展，整个社会对教育领域越来越关注。作为教育领域的核心成员，教师、家长及学生们也投入了巨大的精力。然而，很多学生在听课和自学的过程中很容易出现非专注听课的情况，这个时候会大大地降低学习的效率。如果能够非常及时地将非专注听课的情况识别出来并反馈给教师、家长及同学本身，这非常有益于学生学习。

针对上述问题，很多科研工作者已经进行了较为深入的研究。虽然一些方法有较高的识别率甚至已经投入使用，但它们往往是利用多幅图像、甚至是视频对学生是否专注听课进行判断，无法通过单幅图像较为精准、低消耗地评价学生是否在专注听课。

发明内容

本发明的目的在于提供一种基于单幅图像的学生非专注学习低耗识别方法及装置，用以改善现有技术中的无法通过单幅图像较为精准、低消耗地评价学生是否在专注听课的问题。

本发明的实施例是这样实现的：

第一方面，本申请实施例提供一种基于单幅图像的学生非专注学习低耗识别方法，其包括如下步骤：获取待检测图像，待检测图像为单幅图像。将待检测图像输入至预先建立好的非专注学习决策模型，以得到检测评分。若检测评分与标准分数之间的相差分数超过预设分数，则比较检测评分与标准分数，以得到比较结果。根据比较结果，判断待检测图像是否为非专注学习图像。若相差分数未超过预设分数，则计算待检测图像和非专注学习决策模型中样本的空间距离，以得到计算结果。根据计算结果，查询空间距离与待检测图像的空间距离邻近的多个样本及其类别。根据多个样本的类别，得到二次识别结果，并根据二次识别结果判断待检测图像是否为专注学习图像。

在本发明的一些实施例中，上述根据比较结果，判断待检测图像是否为非专注学习图像的步骤包括：若检测评分高于标准分数，则判定待检测图像为非专注学习图像。若检测评分低于标准分数，则判定待检测图像为专注学习图像。

在本发明的一些实施例中，上述获取待检测图像信息的步骤之前，该方法还包括：获取摄像头采集的图像，图像包括学生轮廓。根据学生轮廓确定待检测图像。

在本发明的一些实施例中，上述将待检测图像输入至预先建立好的非专注学习决策模型的步骤之前，方法还包括：建立初始模型。获取样本，并对样本进行图像优化处理，以得到优化结果。提取每个优化结果的HOG特征，以得到表征结果。根据表征结果训练初始模型，以得到训练好的非专注学习决策模型。

在本发明的一些实施例中，上述样本包括正训练样本和负训练样本，正训练样本为非专注学习图像，负训练样本为专注学习图像。

在本发明的一些实施例中，上述根据多个样本的类别，得到二次识别结果，并根据二次识别结果判断待检测图像是否为专注学习图像的步骤包括：若类别为正训练样本的数量超过预设数量时，则判定待检测图像为非专注学习图像。若类别为正训练样本的数量不超过预设数量时，则判定待检测图像为专注学习图像。

第二方面，本申请实施例提供一种基于单幅图像的学生非专注学习低耗识别装置，其包括：图像获取模块，用于获取待检测图像，待检测图像为单幅图像。检测评分模块，用于将待检测图像输入至预先建立好的非专注学习决策模型，以得到检测评分。分数比较模块，用于若检测评分与标准分数之间的相差分数超过预设分数，则比较检测评分与标准分数，以得到比较结果。图像判断模块，用于根据比较结果，判断待检测图像是否为非专注学习图像。计算模块，用于若相差分数未超过预设分数，则计算待检测图像和非专注学习决策模型中样本的空间距离，以得到计算结果。查询模块，用于根据计算结果，查询空间距离与待检测图像的空间距离邻近的多个样本及其类别。识别模块，用于根据多个样本的类别，得到二次识别结果，并根据二次识别结果判断待检测图像是否为专注学习图像。

在本发明的一些实施例中，上述图像判断模块包括：非专注学习图像判定模块，用于若检测评分高于标准分数，则判定待检测图像为非专注学习图像。专注学习图像判定模块，用于若检测评分低于标准分数，则判定待检测图像为专注学习图像。

在本发明的一些实施例中，上述基于单幅图像的学生非专注学习低耗识别装置还包括：图像采集模块，用于获取摄像头采集的图像，图像包括学生轮廓。图像确定模块，用于根据学生轮廓确定待检测图像。

在本发明的一些实施例中，上述基于单幅图像的学生非专注学习低耗识别装置还包括：初始模型建立模块，用于建立初始模型。样本处理模块，用于获取样本，并对样本进行图像优化处理，以得到优化结果。特征提取模块，用于提取每个优化结果的HOG特征，以得到表征结果。模型训练模块，用于根据表征结果训练初始模型，以得到训练好的非专注学习决策模型。

在本发明的一些实施例中，上述样本包括正训练样本和负训练样本，正训练样本为非专注学习图像，负训练样本为专注学习图像。

在本发明的一些实施例中，上述识别模块包括：若类别为正训练样本的数量超过预设数量时，则判定待检测图像为非专注学习图像。若类别为正训练样本的数量不超过预设数量时，则判定待检测图像为专注学习图像。

第三方面，本申请实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。

相对于现有技术，本发明的实施例至少具有如下优点或有益效果：

本发明提供一种基于单幅图像的学生非专注学习低耗识别方法及装置，其包括如下步骤：获取待检测图像，待检测图像为单幅图像。将待检测图像输入至预先建立好的非专注学习决策模型，以得到检测评分。若检测评分与标准分数之间的相差分数超过预设分数，则比较检测评分与标准分数，以得到比较结果。根据比较结果，判断待检测图像是否为非专注学习图像。若相差分数未超过预设分数，则计算待检测图像和非专注学习决策模型中样本的空间距离，以得到计算结果。根据计算结果，查询空间距离与待检测图像的空间距离邻近的多个样本及其类别。根据多个样本的类别，得到二次识别结果，并根据二次识别结果判断待检测图像是否为专注学习图像。通过将待检测图像输入至预先建立好的非专注学习决策模型，得到检测评分。并且将检测评分与标准分数进行对比，若检测评分与标准分数之间的相差分数超过预设分数，则比较检测评分与标准分数，当检测评分高于标准分数时，将该待检测图像判定为非专注学习图像。当检测评分低于标准分数时，将该待检测图像判定为专注学习图像。若相差分数未超过预设分数，则计算待检测图像和非专注学习决策模型中样本的空间距离，找出与待检测图像的空间距离最接近的多个空间距离，并查询多个空间距离对应的样本及多个样本的类别，并根据多个样本的类别判断待检测图像是否为专注学习图像，达到对待检测图像二次识别的效果，从而通过上述基于单幅图像的学生非专注学习低耗识别方法可以实现通过单幅图像较为精准、低消耗地评价学生是否在专注听课的目的。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例提供的一种基于单幅图像的学生非专注学习低耗识别方法的流程图；

图2为本发明实施例提供的一种基于单幅图像的学生非专注学习低耗识别装置的结构示意图；

图3为本发明实施例提供的一种电子设备的示意性结构框图。

图标：100-基于单幅图像的学生非专注学习低耗识别装置；110-图像获取模块；120-检测评分模块；130-分数比较模块；140-图像判断模块；150-计算模块；160-查询模块；170-识别模块；101-存储器；102-处理器；103-通信接口。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”、“第三”、“第四”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，若出现术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，若出现由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

在本申请的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。

请参照图1，图1所示为本申请实施例提供的一种基于单幅图像的学生非专注学习低耗识别方法的流程图。一种基于单幅图像的学生非专注学习低耗识别方法，包括如下步骤：

S110：获取待检测图像，待检测图像为单幅图像；

具体的，可以通过摄像头进行拍摄以获取多张图片，选取所有图片中最为清晰的一张，该图片里包含有学生轮廓和其他图像。由于非专注学习决策模型是用来评价图像是否为非专注学习图像，则需要通过学生轮廓确定待检测图像。具体而言，可以通过对图片中的各种图像进行分析判断，将学生轮廓从图片中提取出来，由此获取待检测图像，该待检测图像为单幅图像。

S120：将待检测图像输入至预先建立好的非专注学习决策模型，以得到检测评分；

具体的，将获取的待检测图像输入至预先建立好的非专注学习决策模型中，可以获得待检测图像在上述非专注学习决策模型中的得分，该得分即为待检测图像输入非专注学习决策模型后的检测评分。

S130：若检测评分与标准分数之间的相差分数超过预设分数，则比较检测评分与标准分数，以得到比较结果；

具体的，将检测评分减去标准分数的差值，再取差值的绝对值作为检测评分与标准分数之间的相差分数。该方法预先设定有标准分数和预设分数，当相差分数超过预设分数时，比较检测分数与标准分数大小，从而得到比较结果。示例性的，上述标准分数可以设定为50分，预设分数可以设定为1分，当检测评分为48分或者52分时，相差分数为2分，则相差分数超过预设分数，比较检测分数与标准分数大小，得到比较结果。

S140：根据比较结果，判断待检测图像是否为非专注学习图像；

具体的，当检测评分高于标准分数时，将该待检测图像判定为非专注学习图像。当检测评分低于标准分数时，将该待检测图像判定为专注学习图像。示例性的，当检测评分为52分，则待检测图像为非专注学习图像。当检测评分为48分，则待检测图像为专注学习图像。

S150：若相差分数未超过预设分数，则计算待检测图像和非专注学习决策模型中样本的空间距离，以得到计算结果；

具体的，可以利用欧式距离计算待检测图像和非专注学习决策模型中样本的空间距离，得到计算结果。示例性的，当检测评分为51分时，相差分数为1分，则相差分数未超过预设分数，因此需要计算待检测图像和非专注学习决策模型中样本的空间距离，以对待检测图像进行二次识别。

S160：根据计算结果，查询空间距离与待检测图像的空间距离邻近的多个样本及其类别；

具体的，根据计算结果，定位待检测图像的空间距离，找出与待检测图像的空间距离最接近的多个空间距离，并查询多个空间距离对应的样本及多个样本的类别。示例性的，选取的与待检测图像的空间距离邻近的多个样本的数量可以为20个。根据计算结果，将所有计算出的空间距离依次从大到小进行排列。当选取的与待检测图像的空间距离邻近的多个样本的数量为20个时，定位到待检测图像的空间距离，找出与待检测图像的空间距离最接近的20个空间距离，并查询这20个空间距离对应的样本及这20个样本的类别，根据这20个样本的类别可以判定待检测图像是否为非专注学习图像。

S170：根据多个样本的类别，得到二次识别结果，并根据二次识别结果判断待检测图像是否为专注学习图像。

具体的，上述二次识别结果指的是多个样本中的正训练样本的数量和负训练样本的数量。当多个样本中的大部分样本属于正训练样本时，将待检测图像判定为非专注学习图像。当多个样本中的大部分样本属于负训练样本时，将待检测图像判定为专注学习图像。示例性的，选取与待检测图像的空间距离邻近的20个样本，当这20个样本中超过10个样本为正训练样本时，将该待检测图像判定为非专注学习图像。当这20个样本中正训练样本的数量不超过10个时，将该待检测图像判定为专注学习图像，继而达到了对待检测图像进行二次识别的效果。

上述实现过程中，通过将待检测图像输入至预先建立好的非专注学习决策模型，得到检测评分。并且将检测评分与标准分数进行对比，若检测评分与标准分数之间的相差分数超过预设分数，则比较检测评分与标准分数，当检测评分高于标准分数时，将该待检测图像判定为非专注学习图像。当检测评分低于标准分数时，将该待检测图像判定为专注学习图像。若相差分数未超过预设分数，则计算待检测图像和非专注学习决策模型中样本的空间距离，找出与待检测图像的空间距离最接近的多个空间距离，并查询多个空间距离对应的样本及多个样本的类别，并根据多个样本的类别判断待检测图像是否为专注学习图像，达到对待检测图像二次识别的效果，从而通过上述基于单幅图像的学生非专注学习低耗识别方法可以实现通过单幅图像较为精准、低消耗地评价学生是否在专注听课的目的。

需要说明的是，上述非专注学习决策模型还可以是一种神经网络模型。当非专注学习决策模型是神经网络模型时，在待检测图像输入非专注学习决策模型后，可以直接获得检测评分。

在本实施例的一些实施方式中，根据比较结果，判断待检测图像是否为非专注学习图像的步骤包括：若检测评分高于标准分数，则判定待检测图像为非专注学习图像。若检测评分低于标准分数，则判定待检测图像为专注学习图像。从而通过检测评分与标准分数的大小比较，可以对待检测图像进行判断其是否为专注学习图像。

在本实施例的一些实施方式中，获取待检测图像信息的步骤之前，该方法还包括：获取摄像头采集的图像，图像包括学生轮廓，由于非专注学习决策模型是用来评价图像是否为非专注学习图像，则需要从摄像头采集的图像中提取的图像为学生轮廓。根据学生轮廓确定待检测图像。具体的，摄像头采集的图像包括学生轮廓和其他图像，通过对摄像头采集的图像进行分析判断，可以将学生轮廓提取出来，由此通过学生轮廓确定待检测图像。

在本实施例的一些实施方式中，将待检测图像输入至预先建立好的非专注学习决策模型的步骤之前，该方法还包括：建立初始模型，该初始模型即为未训练的模型。获取样本，获取的样本包括正训练样本和负训练样本，并对样本进行图像优化处理，以得到优化结果，优化可以加强样本不清晰的地方，以方便对样本进行HOG特征提取。提取每个优化结果的HOG特征，以得到表征结果。根据表征结果训练初始模型，以得到训练好的非专注学习决策模型，方便了当待检测图像输入该非专注学习决策模型时，对待检测图像进行处理。上述实现过程中，在获取样本后，可以对样本进行处理，使得样本图像的细节信息更加突出，继而提取的HOG特征更加准确，使得得到的表征结果更加准确，从而以表征结果训练非专注学习决策模型，可以使得非专注学习决策模型对待检测图像处理，得到的检测评分更加准确。

上述HOG特征是指方向梯度直方图(Histogram of Oriented Gradient)，其是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。具体的，首先将样本的图像分成小的连通区域，以得到细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成HOG特征。

需要说明的是，上述样本的数量为多个，可以根据实际情况选择数量。上述实现过程中，当需要构建更为准确的非专注学习决策模型时，可以尽量多的选取样本，具体的，选取样本的数量可以为1000张。当不想消耗过多计算量时，可以选取较少的样本训练非专注学习决策模型，具体的，可以分别选取正训练样本和负训练样本两百张到五百张。

其中，上述对样本进行图像优化处理具体可以为：首先，利用最小二乘滤波器对样本的图像进行处理，得到样本图像的多个尺度图像。然后对不同的尺度图像进行计算，以得到一些不同程度的细节信息。最后将不同程度的细节信息加权到样本的图像中，得到样本的加强图像。与样本的图像相比，样本的加强图像的细节更加突出，便于后续对样本的处理。

在本实施例的一些实施方式中，样本包括正训练样本和负训练样本，正训练样本为非专注学习图像，负训练样本为专注学习图像。具体的，为方便对正训练样本和负训练样本进行HOG特征提取，正训练样本和负训练样本均需要进行上述图像优化处理，正训练样本和负训练样本可以使得建立的非专注学习决策模型中的样本图像信息更加完整，从而由训练出的非专注学习决策模型对待检测图像进行评分，得到的检测评分可以更加准确。

在本实施例的一些实施方式中，根据多个样本的类别，得到二次识别结果，并根据二次识别结果判断待检测图像是否为专注学习图像的步骤包括：若类别为正训练样本的数量超过预设数量时，则判定待检测图像为非专注学习图像。若类别为正训练样本的数量不超过预设数量时，则判定待检测图像为专注学习图像。具体的，当多个样本中的大部分样本属于正训练样本时，将待检测图像判定为非专注学习图像。当多个样本中的大部分样本属于负训练样本时，将待检测图像判定为专注学习图像。需要说明的是，上述过程为二次判定的过程。具体的，当待检测图像输入非专注学习决策模型所得到的分数与标准分数太相近时，需要对待检测图像进行二次判定，以使最后的判定结果更加准确。

示例性的，当检测评分为49分或者51分时，需要对待检测图像进行二次判定。选取与待检测图像的空间距离邻近的20个样本，当这20个样本中超过10个样本为正训练样本时，将该待检测图像判定为非专注学习图像。当这20个样本中正训练样本的数量不超过10个时，将该待检测图像判定为专注学习图像。

请参照图2，图2所示为本申请实施例提供的一种基于单幅图像的学生非专注学习低耗识别装置100的结构示意图。一种基于单幅图像的学生非专注学习低耗识别装置100，其包括：图像获取模块110，用于获取待检测图像，待检测图像为单幅图像。检测评分模块120，用于将待检测图像输入至预先建立好的非专注学习决策模型，以得到检测评分。分数比较模块130，用于若检测评分与标准分数之间的相差分数超过预设分数，则比较检测评分与标准分数，以得到比较结果。图像判断模块140，用于根据比较结果，判断待检测图像是否为非专注学习图像。计算模块150，用于若相差分数未超过预设分数，则计算待检测图像和非专注学习决策模型中样本的空间距离，以得到计算结果。查询模块160，用于根据计算结果，查询空间距离与待检测图像的空间距离邻近的多个样本及其类别。识别模块170，用于根据多个样本的类别，得到二次识别结果，并根据二次识别结果判断待检测图像是否为专注学习图像。从而通过上述基于单幅图像的学生非专注学习低耗识别装置100可以实现通过单幅图像较为精准、低消耗地评价学生是否在专注听课的目的。

在本实施例的一些实施方式中，上述图像判断模块140包括：非专注学习图像判定模块，用于若检测评分高于标准分数，则判定待检测图像为非专注学习图像。专注学习图像判定模块，用于若检测评分低于标准分数，则判定待检测图像为专注学习图像。从而通过检测评分与标准分数的大小比较，可以对待检测图像进行判断其是否为专注学习图像。

在本实施例的一些实施方式中，上述基于单幅图像的学生非专注学习低耗识别装置100还包括：图像采集模块，用于获取摄像头采集的图像，图像包括学生轮廓。图像确定模块，用于根据学生轮廓确定待检测图像。通过图像采集模块获取摄像头采集的图像包括学生轮廓和其他图像，通过图像确定模块对摄像头采集的图像进行分析判断，将学生轮廓提取出来，由此通过学生轮廓确定待检测图像。

在本实施例的一些实施方式中，上述基于单幅图像的学生非专注学习低耗识别装置100还包括：初始模型建立模块，用于建立初始模型。样本处理模块，用于获取样本，并对样本进行图像优化处理，以得到优化结果。特征提取模块，用于提取每个优化结果的HOG特征，以得到表征结果。模型训练模块，用于根据表征结果训练初始模型，以得到训练好的非专注学习决策模型。从而方便了当待检测图像输入该非专注学习决策模型时，对待检测图像进行处理。上述实现过程中，在获取样本后，可以对样本进行处理，使得样本图像的细节信息更加突出，继而提取的HOG特征更加准确，使得得到的表征结果更加准确，从而以表征结果训练非专注学习决策模型，可以使得非专注学习决策模型对待检测图像处理得到的检测评分更加准确。

在本实施例的一些实施方式中，上述样本包括正训练样本和负训练样本，正训练样本为非专注学习图像，负训练样本为专注学习图像。正训练样本和负训练样本可以使得建立的非专注学习决策模型中的样本图像信息更加完整，从而由训练出的非专注学习决策模型对待检测图像进行评分，得到的检测评分可以更加准确。

在本实施例的一些实施方式中，上述识别模块170包括：若类别为正训练样本的数量超过预设数量时，则判定待检测图像为非专注学习图像。若类别为正训练样本的数量不超过预设数量时，则判定待检测图像为专注学习图像。具体的，当多个样本中的大部分样本属于正训练样本时，将待检测图像判定为非专注学习图像。当多个样本中的大部分样本属于负训练样本时，将待检测图像判定为专注学习图像。

请参照图3，图3为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，如本申请实施例所提供的基于单幅图像的学生非专注学习低耗识别装置100对应的程序指令/模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。

其中，存储器101可以是但不限于，随机存取存储器101(Random Access Memory，RAM)，只读存储器101(Read Only Memory，ROM)，可编程只读存储器101(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器101(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。

处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器102，包括中央处理器102(Central Processing Unit，CPU)、网络处理器102(Network Processor，NP)等；还可以是数字信号处理器102(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可以理解，图3所示的结构仅为示意，电子设备还可包括比图1中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，所述模块、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方式中，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。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器101(ROM，Read-Only Memory)、随机存取存储器101(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，本申请实施例提供一种基于单幅图像的学生非专注学习低耗识别方法及装置，其包括如下步骤：获取待检测图像，待检测图像为单幅图像。将待检测图像输入至预先建立好的非专注学习决策模型，以得到检测评分。若检测评分与标准分数之间的相差分数超过预设分数，则比较检测评分与标准分数，以得到比较结果。根据比较结果，判断待检测图像是否为非专注学习图像。若相差分数未超过预设分数，则计算待检测图像和非专注学习决策模型中样本的空间距离，以得到计算结果。根据计算结果，查询空间距离与待检测图像的空间距离邻近的多个样本及其类别。根据多个样本的类别，得到二次识别结果，并根据二次识别结果判断待检测图像是否为专注学习图像。通过将待检测图像输入至预先建立好的非专注学习决策模型，得到检测评分。并且将检测评分与标准分数进行对比，若检测评分与标准分数之间的相差分数超过预设分数，则比较检测评分与标准分数，当检测评分高于标准分数时，将该待检测图像判定为非专注学习图像。当检测评分低于标准分数时，将该待检测图像判定为专注学习图像。若相差分数未超过预设分数，则计算待检测图像和非专注学习决策模型中样本的空间距离，找出与待检测图像的空间距离最接近的多个空间距离，并查询多个空间距离对应的样本及多个样本的类别，并根据多个样本的类别判断待检测图像是否为专注学习图像，达到对待检测图像二次识别的效果，从而通过上述基于单幅图像的学生非专注学习低耗识别方法可以实现通过单幅图像较为精准、低消耗地评价学生是否在专注听课的目的。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (7)

1.一种基于单幅图像的学生非专注学习低耗识别方法，其特征在于，包括如下步骤：

获取待检测图像，所述待检测图像为单幅图像；

将所述待检测图像输入至预先建立好的非专注学习决策模型，以得到检测评分；

若所述检测评分与标准分数之间的相差分数超过预设分数，则比较检测评分与标准分数，以得到比较结果；

根据所述比较结果，判断所述待检测图像是否为非专注学习图像；

若所述相差分数未超过所述预设分数，则分别计算所述待检测图像和非专注学习决策模型中多个样本的空间距离，以得到多个空间距离的计算结果；

根据所述多个空间距离的计算结果，查询与所述待检测图像的空间距离邻近的多个所述样本及其类别；

根据多个所述样本的类别，得到二次识别结果，并根据所述二次识别结果判断所述待检测图像是否为专注学习图像；

其中

所述将所述待检测图像输入至预先建立好的非专注学习决策模型的步骤之前还包括：建立初始模型；获取样本，并对所述样本进行图像优化处理，以得到优化结果；提取每个所述优化结果的HOG特征，以得到表征结果；根据所述表征结果训练所述初始模型，以得到训练好的非专注学习决策模型；

所述样本包括正训练样本和负训练样本，所述正训练样本为非专注学习图像，所述负训练样本为专注学习图像；

所述根据多个所述样本的类别，得到二次识别结果，并根据所述二次识别结果判断所述待检测图像是否为专注学习图像的步骤包括：若所述类别为正训练样本的数量超过预设数量时，则判定所述待检测图像为非专注学习图像；若所述类别为正训练样本的数量不超过预设数量时，则判定所述待检测图像为专注学习图像。

2.根据权利要求1所述的基于单幅图像的学生非专注学习低耗识别方法，其特征在于，所述根据所述比较结果，判断所述待检测图像是否为非专注学习图像的步骤包括：

若检测评分高于标准分数，则判定所述待检测图像为非专注学习图像；

若检测评分低于标准分数，则判定所述待检测图像为专注学习图像。

3.根据权利要求1所述的基于单幅图像的学生非专注学习低耗识别方法，其特征在于，获取待检测图像的步骤之前，所述方法还包括：

获取摄像头采集的图像，所述图像包括学生轮廓；

根据所述学生轮廓确定所述待检测图像。

4.一种基于单幅图像的学生非专注学习低耗识别装置，其特征在于，包括：

图像获取模块，用于获取待检测图像，所述待检测图像为单幅图像；

检测评分模块，用于建立初始模型；获取样本，并对所述样本进行图像优化处理，以得到优化结果；提取每个所述优化结果的HOG特征，以得到表征结果；根据所述表征结果训练所述初始模型，以得到训练好的非专注学习决策模型；将所述待检测图像输入至预先建立好的非专注学习决策模型，以得到检测评分；所述样本包括正训练样本和负训练样本，所述正训练样本为非专注学习图像，所述负训练样本为专注学习图像；

分数比较模块，用于若所述检测评分与标准分数之间的相差分数超过预设分数，则比较检测评分与标准分数，以得到比较结果；

图像判断模块，用于根据所述比较结果，判断所述待检测图像是否为非专注学习图像；

计算模块，用于若所述相差分数未超过所述预设分数，则分别计算所述待检测图像和非专注学习决策模型中多个样本的空间距离，以得到多个空间距离的计算结果；

查询模块，用于根据所述多个空间距离的计算结果，查询与所述待检测图像的空间距离邻近的多个所述样本及其类别；

识别模块，用于根据多个所述样本的类别，得到二次识别结果，并根据所述二次识别结果判断所述待检测图像是否为专注学习图像；具体的，若所述类别为正训练样本的数量超过预设数量时，则判定所述待检测图像为非专注学习图像；若所述类别为正训练样本的数量不超过预设数量时，则判定所述待检测图像为专注学习图像。

5.根据权利要求4所述的基于单幅图像的学生非专注学习低耗识别装置，其特征在于，所述图像判断模块包括：

非专注学习图像判定模块，用于若检测评分高于标准分数，则判定所述待检测图像为非专注学习图像；

专注学习图像判定模块，用于若检测评分低于标准分数，则判定所述待检测图像为专注学习图像。

6.一种电子设备，其特征在于，包括：

存储器，用于存储一个或多个程序；

处理器；

当所述一个或多个程序被所述处理器执行时，实现如权利要求1-3中任一项所述的方法。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-3中任一项所述的方法。