CN114241596A - 行为分析方法、装置和设备 - Google Patents
行为分析方法、装置和设备 Download PDFInfo
- Publication number
- CN114241596A CN114241596A CN202111342368.2A CN202111342368A CN114241596A CN 114241596 A CN114241596 A CN 114241596A CN 202111342368 A CN202111342368 A CN 202111342368A CN 114241596 A CN114241596 A CN 114241596A
- Authority
- CN
- China
- Prior art keywords
- teacher
- lesson
- time
- behavior
- teaching
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000009471 action Effects 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000006399 behavior Effects 0.000 claims description 232
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 118
- 238000004590 computer program Methods 0.000 claims description 19
- 230000003542 behavioural effect Effects 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Educational Technology (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Human Computer Interaction (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种行为分析方法、装置和设备,属于数据处理技术领域。包括:获取教学课程信息,教学课程信息包括多节课中每节课的时段和对应的教师人脸图像;在到达任意一节课的时段的开始时间后,在本节课所在的教室内采集视频和音频;对视频进行人脸检测,得到进入教室的人员的人脸图像;将人员的人脸图像与本节课对应的教师人脸图像进行匹配;若人员的人脸图像与本节课对应的教师人脸图像匹配成功,则确定人员为本节课的任课教师;根据视频和音频分析任课教师的行为。本申请可以根据在本节课采集的视频和音频来分析本节课的任课教师的行为,从而有助于对教师行为的统计和监管,进而有助于规范教师的教学过程,提高教学管理效率。
Description
技术领域
本申请涉及数据处理技术领域,特别涉及一种行为分析方法、装置和设备。
背景技术
目前,教师的数量越来越多,与此同时出现了许多问题,例如,教师存在旷课、上课迟到、上课拖课、上课替课、占用体育课、在上课期间侮辱学生、打骂学生等行为。教师的这些行为如果不能得到有效的统计和监管,会给教学管理带来很大的困难。因此,亟需一种行为统计方法,来对教师在上课时的各种行为进行分析,以规范教师的教学过程。
发明内容
本申请提供了一种行为分析方法、装置和设备,有助于对教师行为进行有效的统计和监管。所述技术方案如下:
第一方面,提供了一种行为分析方法,所述方法包括:
获取教学课程信息,所述教学课程信息包括多节课中每节课的时段和对应的教师人脸图像;
在到达任意一节课的时段的开始时间后,在本节课所在的教室内采集视频和音频;
对所述视频进行人脸检测,得到进入所述教室的人员的人脸图像;
将所述人员的人脸图像与所述本节课对应的教师人脸图像进行匹配;
若所述人员的人脸图像与所述本节课对应的教师人脸图像匹配成功,则确定所述人员为所述本节课的任课教师;
根据所述视频和所述音频分析所述任课教师的行为。
在本申请中,在到达教学课程信息中任意一节课的时段的开始时间后,采集本节课所在教室的视频和音频,之后对采集的视频进行人脸检测,得到进入该教室的人员的人脸图像,并将该人员的人脸图像与教学课程信息中本节课对应的教师人脸图像进行匹配,从而可以确定出该人员是否为本节课的任课教师。若该人员为本节课的任课教师,则可以根据采集的视频和音频进一步分析该任课教师在上课期间的各种行为,从而有助于对教师行为的统计和监管,进而有助于规范教师的教学过程,提高教学管理效率。
可选地,所述教学课程信息还包括所述多节课中每节课的科目,所述将所述人员的人脸图像与所述本节课对应的教师人脸图像进行匹配之后,还包括:
若所述人员的人脸图像与所述本节课对应的教师人脸图像匹配失败,则确定所述人员不是所述本节课的任课教师;
将所述人员的人脸图像与教师人脸库中的多个教师人脸图像进行匹配;
若所述人员的人脸图像与所述多个教师人脸图像中的一个教师人脸图像匹配成功,且所述一个教师人脸图像所属的教师所授的科目与所述本节课的科目不同,则确定所述一个教师人脸图像所属的教师存在替课行为;
若所述人员的人脸图像与所述多个教师人脸图像均匹配失败,则确定所述任课教师存在缺课行为。
可选地,所述根据所述视频和所述音频分析所述任课教师的行为,包括:
根据所述视频确定所述任课教师从所述教室的门进入的时间作为第一时间;
根据所述音频确定所述教室中出现第一语音的时间作为第二时间,所述第一语音用于指示开始上课;
根据所述第一时间和所述第二时间中的至少一个确定所述任课教师的上课时间;
若所述任课教师的上课时间晚于所述本节课的时段的开始时间,且与所述本节课的时段的开始时间之间的时间差大于第一时间差,则确定所述任课教师存在上课迟到行为。
可选地,所述根据所述视频和所述音频分析所述任课教师的行为,包括:
根据所述视频确定所述任课教师从所述教室的门出去的时间作为第三时间;
根据所述音频确定所述教室中出现第二语音的时间作为第四时间,所述第二语音用于指示下课;
根据所述第三时间和所述第四时间中的至少一个确定所述任课教师的下课时间;
若所述任课教师的下课时间晚于所述本节课的时段的结束时间,且与所述本节课的时段的结束时间之间的时间差大于第二时间差,则确定所述任课教师存在拖课行为。
可选地,所述根据所述视频和所述音频分析所述任课教师的行为,包括:
根据所述视频确定所述任课教师是否出现敏感动作,以及根据所述音频确实所述任课教师是否出现敏感语音,所述敏感动作和所述敏感语音用于指示对学生的不尊重行为;
若所述任课教师出现所述敏感动作和所述敏感语音中的至少一个,则确定所述任课教师存在不尊重学生行为。
可选地,所述方法还包括:
对于学校的多个教师中的任意一个教师,获取所述一个教师的行为数据,所述行为数据包括出现多类异常行为中的每类异常行为的次数;
根据所述一个教师的行为数据确定所述一个教师的教学评分;
根据所述多个教师中每个教师的教学评分对所述多个教师进行排名。
可选地,所述根据所述一个教师的行为数据确定所述一个教师的教学评分,包括:
获取所述一个教师在本学年的课程总数;
对于所述多类异常行为中的任意一类异常行为,将所述一个教师出现所述一类异常行为的次数除以所述课程总数,得到异常行为占比;
将1减去所述异常行为占比后得到的数值乘以100,得到所述一个教师与所述一类异常行为对应的教学评分。
可选地,所述根据所述一个教师的行为数据确定所述一个教师的教学评分之后,还包括:
对于所述多类异常行为中的任意一类异常行为,将所述多个教师中每个教师与所述一类异常行为对应的教学评分累加后得到的数值除以所述多个教师的数量,得到所述学校与所述一类异常行为对应的教学评分;根据所述学校与所述多类异常行为中每类异常行为对应的教学评分,确定所述学校的教学总分。
第二方面,提供了一种行为分析装置,所述装置包括:
第一获取模块,用于获取教学课程信息,所述教学课程信息包括多节课中每节课的时段和对应的教师人脸图像;
采集模块,用于在到达任意一节课的时段的开始时间后,在本节课所在的教室内采集视频和音频;
检测模块,用于对所述视频进行人脸检测,得到进入所述教室的人员的人脸图像;
第一匹配模块,用于将所述人员的人脸图像与所述本节课对应的教师人脸图像进行匹配;
第一确定模块,用于若所述人员的人脸图像与所述本节课对应的教师人脸图像匹配成功,则确定所述人员为所述本节课的任课教师;
分析模块,用于根据所述视频和所述音频分析所述任课教师的行为。
可选地,所述教学课程信息还包括所述多节课中每节课的科目,所述装置还包括:
第二确定模块,用于若所述人员的人脸图像与所述本节课对应的教师人脸图像匹配失败,则确定所述人员不是所述本节课的任课教师;
第二匹配模块,用于将所述人员的人脸图像与教师人脸库中的多个教师人脸图像进行匹配;
第三确定模块,用于若所述人员的人脸图像与所述多个教师人脸图像中的一个教师人脸图像匹配成功,且所述一个教师人脸图像所属的教师所授的科目与所述本节课的科目不同,则确定所述一个教师人脸图像所属的教师存在替课行为;
第四确定模块,用于若所述人员的人脸图像与所述多个教师人脸图像均匹配失败,则确定所述任课教师存在缺课行为。
可选地,所述分析模块用于:
根据所述视频确定所述任课教师从所述教室的门进入的时间作为第一时间;
根据所述音频确定所述教室中出现第一语音的时间作为第二时间,所述第一语音用于指示开始上课;
根据所述第一时间和所述第二时间中的至少一个确定所述任课教师的上课时间;
若所述任课教师的上课时间晚于所述本节课的时段的开始时间,且与所述本节课的时段的开始时间之间的时间差大于第一时间差,则确定所述任课教师存在上课迟到行为。
可选地,所述分析模块用于:
根据所述视频确定所述任课教师从所述教室的门出去的时间作为第三时间;
根据所述音频确定所述教室中出现第二语音的时间作为第四时间,所述第二语音用于指示下课;
根据所述第三时间和所述第四时间中的至少一个确定所述任课教师的下课时间;
若所述任课教师的下课时间晚于所述本节课的时段的结束时间,且与所述本节课的时段的结束时间之间的时间差大于第二时间差,则确定所述任课教师存在拖课行为。
可选地,所述分析模块用于:
根据所述视频确定所述任课教师是否出现敏感动作,以及根据所述音频确实所述任课教师是否出现敏感语音,所述敏感动作和所述敏感语音用于指示对学生的不尊重行为;
若所述任课教师出现所述敏感动作和所述敏感语音中的至少一个,则确定所述任课教师存在不尊重学生行为。
可选地,所述装置还包括:
第二获取模块,用于对于学校的多个教师中的任意一个教师,获取所述一个教师的行为数据,所述行为数据包括出现多类异常行为中的每类异常行为的次数;
第五确定模块,用于根据所述一个教师的行为数据确定所述一个教师的教学评分;
排名模块,用于根据所述多个教师中每个教师的教学评分对所述多个教师进行排名。
可选地,所述第五确定模块用于:
获取所述一个教师在本学年的课程总数;
对于所述多类异常行为中的任意一类异常行为,将所述一个教师出现所述一类异常行为的次数除以所述课程总数,得到异常行为占比;
将1减去所述异常行为占比后得到的数值乘以100,得到所述一个教师与所述一类异常行为对应的教学评分。
可选地,所述装置还包括:
第六确定模块,用于对于所述多类异常行为中的任意一类异常行为,将所述多个教师中每个教师与所述一类异常行为对应的教学评分累加后得到的数值除以所述多个教师的数量,得到所述学校与所述一类异常行为对应的教学评分;
第七确定模块,用于根据所述学校与所述多类异常行为中每类异常行为对应的教学评分,确定所述学校的教学总分。
第三方面,提供了一种计算机设备,所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述的行为分析方法。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的行为分析方法。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述的行为分析方法的步骤。
可以理解的是,上述第二方面、第三方面、第四方面、第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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是本申请实施例提供的一种行为分析方法的流程图;
图2是本申请实施例提供的第一种教师排名的示意图;
图3是本申请实施例提供的第二种教师排名的示意图;
图4是本申请实施例提供的第三种教师排名的示意图;
图5是本申请实施例提供的第四种教师排名的示意图;
图6是本申请实施例提供的第五种教师排名的示意图;
图7是本申请实施例提供的一种各科目被替课情况的示意图;
图8是本申请实施例提供的一种学校排名的示意图;
图9是本申请实施例提供的一种行为分析装置的结构示意图;
图10为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
应当理解的是,本申请提及的“多个”是指两个或两个以上。在本申请的描述中,除非另有说明,“/”表示或的意思,比如,A/B可以表示A或B;本文中的“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,比如,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,为了便于清楚描述本申请的技术方案,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
在对本申请实施例进行详细地解释说明之前,先对本申请实施例的应用场景予以说明。
本申请实施例提供的行为分析方法应用于对教师的行为进行统计和分析的场景下,根据教室的摄像装置和语音装置采集的教师上课的视频和音频,确定教师是否存在缺课、替课、迟到、拖课、占用体育课、不尊重学生等行为,之后对教师的行为数据进行统计和分析,从而实现对教师的教学过程的有效管理。
下面对本申请实施例提供的行为分析方法进行详细地解释说明。
图1是本申请实施例提供的一种行为分析方法的流程图。该方法应用于终端,参见图1,该方法包括以下步骤。
步骤101:终端获取教学课程信息。
该教学课程信息包括多节课中每节课的时段和对应的教师人脸图像,该教学课程信息用于指示每节课所在的教室的上课时段以及每节课的任课教师。进一步地,该教学课程信息还可以包括该多节课中每节课的科目。
在获取教学课程信息之前,终端首先建立上课时间表以及课程表,上课时间表包括每节课的开始时间和结束时间,课程表包括每节课的科目以及任课教师身份。之后,终端采集多个教师中每个教师的人脸图像,得到多个教师人脸图像,将该多个教师人脸图像以及每个教师人脸图像对应的教师身份存储到教师人脸库中,该教师身份包括该教师的姓名以及该教师所授的科目。
具体地,步骤101的操作可以为:终端根据上课时间表中每节课的开始时间和结束时间,确定课程表中每节课的时段;根据课程表中每节课对应的任课教师身份,从教师人脸库中确定与该任课教师身份对应的教师人脸图像;终端将课程表中每节课的时段、每节课的科目与从教师人脸库中确定的与每节课的任课教师身份对应的教师人脸图像作为该教学课程信息。
教师人脸库用于存储学校中多个教师的身份以及该多个教师的人脸图像,即用于存储多个教师人脸图像以及每个教师人脸图像对应的教师身份。
进一步地,在终端获取教学课程信息之后,还可以确定当前时间是处于上课期间还是处于下课期间。终端将当前时间与每节课的时段的开始时间进行对比,若当前时间为每节课的时段的开始时间或者当前时间晚于每节课的时段的开始时间且早于每节课的时段的结束时间,则确定当前时间处于上课期间。
步骤102:在到达任意一节课的时段的开始时间后,终端在本节课所在的教室内采集视频和音频。
在到达任意一节课的时段的开始时间后,即确定处于本节课的上课期间。终端启动该教室内的摄像装置和音频采集装置,通过该教室内的摄像装置采集该教室内的视频,以及通过该音频采集装置采集该教室内的音频,可以得到本节课的上课期间的视频和音频。
步骤103:终端对该视频进行人脸检测,得到进入该教室的人员的人脸图像。
人脸检测用于定位该视频中出现的人员的人脸,可以在该视频的每帧视频图像中标记包含有人脸图像的目标框。由于该视频是在该教室内采集得到的,所以对该视频进行人脸检测后,得到的每帧视频图像中的目标框内的人脸图像就是进入该教室的人员的人脸图像。
终端对该视频进行人脸检测的操作与相关技术中对某个视频进行人脸检测的操作类似,本申请实施例对此不进行详细阐述。
步骤104:终端将该人员的人脸图像与本节课对应的教师人脸图像进行匹配。
终端将该人员的人脸图像与本节课对应的教师人脸图像进行匹配,即是确定该人员的人脸图像与本节课对应的教师人脸图像所属的是否是同一人,也即确定进入该教室的人员是否是本节课的任课教师。
终端将该人员的人脸图像与本节课对应的教师人脸图像进行匹配的操作与相关技术中将两个人脸图像进行匹配的操作类似,本申请实施例对此不进行详细阐述。
进一步地,若该人员的人脸图像与本节课对应的教师人脸图像匹配失败,则终端确定该人员不是本节课的任课教师。
这种情况下,终端将该人员的人脸图像与教师人脸库中的多个教师人脸图像进行匹配;若该人员的人脸图像与该多个教师人脸图像中的一个教师人脸图像匹配成功,且这个教师人脸图像所属的教师所授的科目与本节课的科目不同,则确定这个教师人脸图像所属的教师存在替课行为;若该人员的人脸图像与该多个教师人脸图像均匹配失败,则确定本节课的任课教师存在缺课行为。
该多个教师人脸图像与多个教师身份一一对应,根据该多个教师人脸图像中的一个教师人脸图像可以得到这个教师人脸图像所属的教师所授的科目。
若终端确定该人员不是本节课的任课教师,则需要确定该人员的身份,因而可以将该人员的人脸图像与教师人脸库中的多个教师人脸图像进行匹配,以确定该人员是否是教师。若该人员的人脸图像与该多个教师人脸图像中的一个教师人脸图像匹配成功,说明该人员为这个教师人脸图像所属的教师。若这个教师所授的科目与本节课的科目不同,说明这个教师在本节课上的科目与本节课的科目不同,即这个教师将本节课的科目替换为自己所授的科目,说明这个教师发生了替课行为,则终端确定这个教师存在替课行为。
值得注意的是,当终端确定这个教师存在替课行为后,可以在到达本节课的时段的结束时间时关闭该教室内的摄像装置和音频采集装置,以结束视频和音频的采集,或者,可以在检测到这个教师结束本节课离开该教室后关闭该教室内的摄像装置和音频采集装置,结束视频和音频的采集,以记录这个教师从进入该教室到离开该教室期间的行为。
终端确定这个教师存在替课行为之后,还可以确定该替课行为的严重程度,具体地,若本节课的科目为体育课,则确定这个教师存在严重替课行为,这种情况下,严重替课行为也可称为占用体育课行为;若本节课的科目不为体育课,则确定这个教师存在普通替课行为。
可选地,终端确定这个教师存在替课行为之后,还可以记录本节课的科目为被替课科目,记录这个教师所授的科目为替课科目,记录本节课的时段为替课时段,将该被替课科目、该替课科目、该替课时段作为该替课行为的行为信息进行存储。
若该人员的人脸图像与该多个教师人脸图像均匹配失败,说明该人员不是教师,也即说明从本节课的时段的开始时间到结束时间期间采集的视频中未出现教师的人脸,说明本节课的任课教师在本节课的时段没有进入该教室,从而可以确定本节课的任课教师存在缺课行为。
值得注意的是,当终端确定本节课的任课教师存在缺课行为后,可以在到达本节课的结束时间时关闭该教室的摄像装置和音频采集装置,以结束视频和音频的采集。
可选地,终端确定本节课的任课教师存在缺课行为之后,还可以记录本节课的科目为缺课科目,记录本节课的时段为缺课时段,将该缺课科目、该缺课时段作为该缺课行为的行为信息进行存储。
进一步地,若该人员的人脸图像与本节课对应的教师人脸图像匹配成功,则终端确定该人员是本节课的任课教师,则可以继续执行如下步骤105和步骤106。
步骤105:若该人员的人脸图像与本节课对应的教师人脸图像匹配成功,则终端确定该人员为本节课的任课教师。
步骤106:终端根据该视频和该音频分析该任课教师的行为。
在到达任意一节课的时段的开始时间后,终端启动该教室内的摄像装置和音频采集装置,通过该教室内的摄像装置和音频采集装置采集该教室内的视频和音频,可以得到该任课教师在本节课的上课期间的教学过程,从而可以根据该教学过程对该任课教师的行为进行分析。
具体地,步骤106的操作可以包括如下三种情况:
第一种情况,终端根据该视频确定该任课教师从该教室的门进入的时间作为第一时间;根据该音频确定该教室中出现第一语音的时间作为第二时间,第一语音用于指示开始上课;根据第一时间和第二时间中的至少一个确定该任课教师的上课时间;若该任课教师的上课时间晚于本节课的时段的开始时间,且与本节课的时段的开始时间之间的时间差大于第一时间差,则确定该任课教师存在上课迟到行为。
第一时间差可以预先进行设置,且第一时间差可以设置的较大。若该任课教师的上课时间与本节课的时段的开始时间之间的时间差大于第一时间差,说明该任课教师的上课时间比较晚,即在本节课的时段的开始时间之后的一段时间才开始上课,表明该任课教师上课迟到了,即该任课教师存在上课迟到行为。若该任课教师的上课时间与本节课的时段的开始时间之间的时间差小于或等于第一时间差,说明该任课教师的上课时间比较准时,即在本节课的时段的开始时间后很快就开始上课了,表明该任课教师上课没有迟到,即该任课教师不存在上课迟到行为。
第一语音可以为该音频中出现的教师的语音,也可以为该音频中出现的学生的语音。第一语音用于指示开始上课,如第一语音可以为该音频中出现的教师所说的“上课”等语音,或者,可以为该音频中出现的学生所说的“起立,老师好”等语音。
终端根据第一时间和第二时间中的至少一个确定该任课教师的上课时间的操作可以为:终端将第一时间作为该任课教师的上课时间,或者,终端将第二时间作为该任课教师的上课时间,或者,终端将第一时间和第二时间的中间时间作为该任课教师的上课时间。
可选地,终端确定该任课教师存在上课迟到行为之后,还可以记录本节课的科目为迟到科目,记录该任课教师的上课时间与本节课的时段的开始时间之间相距的时长为迟到时长,将该迟到科目、该迟到时长作为该上课迟到行为的行为信息进行存储。
例如,本节课的时段为上午8:00-上午8:40,第一时间差为5分钟。终端根据该视频确定出该任课教师从该教室的门进入的时间为上午8:06,上午8:06为第一时间,根据该音频确定出该教室中出现第一语音的时间为上午8:08,上午8:08为第二时间。终端将第一时间和第二时间的中间时间8:07确定为该任课教师的上课时间。由于上午8:07晚于上午8:00,且与上午8:00之间的时间差为7分钟,所以该任课教师的上课时间与本节课的时段的开始时间之间的时间差大于第一时间差,则确定该任课教师存在上课迟到行为,且确定该任课教师在本节课的迟到时长为7分钟。
第二种情况,终端根据该视频确定该任课教师从该教室的门出去的时间作为第三时间;根据该音频确定该教室中出现第二语音的时间作为第四时间,第二语音用于指示下课;根据第三时间和第四时间中的至少一个确定该任课教师的下课时间;若该任课教师的下课时间晚于本节课的时段的结束时间,且与本节课的时段的结束时间之间的时间差大于第二时间差,则确定该任课教师存在拖课行为。
第二时间差可以预先进行设置,且第二时间差可以设置的较大。若该任课教师的下课时间与本节课的时段的结束时间之间的时间差大于第二时间差,说明若该任课教师的下课时间较晚,即该任课教师在到达本节课的时段的结束时间之后的一段时间才下课,说明该任课教师在本节课拖课了,即该任课教师存在拖课行为。若该任课教师的下课时间与本节课的时段的结束时间之间的时间差小于或等于第二时间差,说明若该任课教师的下课时间比较准时,即在本节课的时段的结束时间后很快就下课了,则说明该任课教师没有拖课,即该任课教师不存在拖课行为。
可选地,第二语音可以为该音频中出现的教师的语音,也可以为该音频中出现的学生的语音。第二语音用于指示下课,如第二语音可以为该音频中出现的教师所说的“下课”等语音,或者,可以为该音频中出现的学生所说的“老师再见”等语音。
终端根据第三时间和第四时间中的至少一个确定该任课教师的下课时间的操作可以为:终端将第三时间作为该任课教师的下课时间,或者,终端将第四时间作为该任课教师的下课时间,或者,终端将第三时间和第四时间的中间时间作为该任课教师的下课时间。
可选地,终端确定该任课教师存在拖课行为之后,还可以记录本节课的科目为拖课科目,记录该任课教师的下课时间与本节课的时段的结束时间之间相距的时长为拖课时长,将该拖课科目、该拖课时长作为该拖课行为的行为信息进行存储。
例如:本节课的时段为上午8:00-上午8:40,第二时间差为3分钟。终端根据该视频确定出该任课教师从该教室的门出去的时间为上午8:46,则上午8:46为第三时间,根据该音频确定出该教室中出现第二语音的时间为上午8:44,则上午8:44为第四时间。终端将第三时间和第四时间的中间时间上午8:45确定为该任课教师的下课时间。由于上午8:45晚于上午8:40,且与上午8:40之间的时间差为5分钟,所以该任课教师的下课时间与本节课的时段的结束时间之间的时间差大于第二时间差,则确定该任课教师存在拖课行为,且确定该任课教师在本节课的拖课时长为5分钟。
第三种情况,终端根据该视频确定该任课教师是否出现敏感动作,以及根据该音频确定该任课教师是否出现敏感语音,该敏感动作和该敏感语音用于指示对学生的不尊重行为;若该任课教师出现该敏感动作和该敏感语音中的至少一个,则确定该任课教师存在不尊重学生行为。
该敏感动作为该任课教师在上课过程中对学生施加了打骂或变相惩罚等行为,该敏感语音为该任课教师在上课过程中说的辱骂学生的语音。
若终端根据该视频确定该任课教师出现了敏感动作,说明该任课教师对学生施加了打骂或变相惩罚等行为,说明该任课教师不尊重学生,则确定该任课教师存在不尊重学生行为。若终端根据该音频确定该任课教师出现了敏感语音,说明该任课教师对学生说了辱骂的话语,说明该任课教师不尊重学生,则确定该任课教师存在不尊重学生行为。
值得注意的是,终端可以在检测到该任课教师结束本节课离开该教室后关闭该教室的摄像装置和音频采集装置,结束视频和音频的采集,以记录到该任课教师从进入该教室到离开该教室期间的行为。
值得注意的是,终端通过上述步骤101-步骤106可以在每节课检测到教师的行为。这种情况下,终端还可以对学校中的每个教师的行为进行统计分析,并据此实现对教师的排名。
具体地,对于学校的多个教师中的任意一个教师,终端获取这个教师的行为数据,该行为数据包括出现多类异常行为中的每类异常行为的次数;根据这个教师的行为数据确定这个教师的教学评分;根据该多个教师中每个教师的教学评分对该多个教师进行排名。
该多类异常行为是指教师在教学过程中存在的替课行为、缺课行为、迟到行为、拖课行为、不尊重学生行为等异常行为。
该教学评分用于评价教师的教学过程。教师出现的异常行为越多,该教师的教学评分越低;教师出现的异常行为越少,该教师的教学评分越高。
其中,终端根据这个教师的行为数据确定这个教师的教学评分的操作可以为:获取这个教师在本学年的课程总数;对于该多类异常行为中的任意一类异常行为,将这个教师出现这类异常行为的次数除以该课程总数,得到异常行为占比;将1减去该异常行为占比后得到的数值乘以100,得到这个教师与这类异常行为对应的教学评分。
该课程总数为这个教师在本学年所要完成的课程数量,该课程总数由学校提前设置。
该异常行为占比为这个教师出现这类异常行为的次数在该课程总数中所占的比例,即该异常行为占比用于指示这个教师在本学年中出现这类异常行为的比例,即这个教师在本学年的课程中发生这类异常行为的比例。将1减去该异常行为占比后得到的数值为这个教师在本学年没有发生这类异常行为的比例,再将这个比例乘以100,可以得到这个教师在本学年没有发生这类异常行为的比例对应的分数,即得到这个教师与这类异常行为对应的教学评分。
这里以确定这个教师与替课行为对应的教学评分为例进行说明,确定这个教师与其余多类异常行为中任意一类异常行为对应的教学评分与确定这个教师与替课行为对应的教学评分的方式相同,此处不再赘述。例如,教师张一一在本学年的课程总数为100,终端统计得到教师张一一发生替课行为的次数为5次,则使用教师张一一发生替课行为的次数5除以教师张一一在本学年的课程总数100,得到替课行为占比5÷100=0·05,再将1减去替课行为占比后得到的数值乘以100,得到这个教师与替课行为对应的教学评分为(1-0,05)×100=95分。
可选地,终端得到这个教师与该多类异常行为中每类异常行为对应的教学评分后,还可以将这个教师与该多类异常行为中每类异常行为对应的教学评分进行加权平均,得到这个教师的教学总分。
这个教师的教学总分为综合这个教师与该多类异常行为中每类异常行为对应的教学评分后得到的分数,该教学总分用于指示这个教师在本学年的教学过程中的综合得分。
例如:教师张一一与替课行为对应的教学评分为95分,与缺课行为对应的教学评分为90分,与迟到行为对应的教学评分为80分,与拖课行为对应的教学评分为95分,与不尊重学生行为对应的教学评分为100分,将这个教师与该多类异常行为中每类异常行为对应的教学评分进行加权平均(95+90+80+95+100)÷5=92,得到这个教师的教学总分为92分。
其中,终端获得这个教师与该多类异常行为中每类异常行为对应的教学评分后,可以按照教学评分由高到低的顺序对该多个教师进行排名,之后,还可以通过统计图展示出该多个教师的排名。
例如:图2中包括了多个教师分别与替课行为和缺课行为对应的教学评分的排名柱状图,图3中包括了多个教师分别与迟到行为和不尊重学生行为对应的教学评分的排名柱状图,图4展示了各位教师与拖课行为对应的教学评分的排名柱状图。
参见图2中的(a)图,展示了各位教师与替课行为对应的教学评分的排名柱状图,该柱状图的横轴表示教师姓名,该柱状图的纵轴表示替课行为对应的教学评分,由该柱状图可以看出,教师张一一教学评分为100,说明教师张一一没有出现过替课行为,而教师张六六的教学评分最低,说明教师张六六在本学年发生的替课行为较多,在本学年经常替课。参见图2中的(b)图,展示了各位教师与缺课行为对应的教学评分的排名柱状图,该柱状图的横轴表示教师姓名,该柱状图的纵轴表示缺课行为对应的教学评分,由该柱状图可以看出,教师张一一教学评分为100,说明教师张一一没有出现过缺课行为,而教师张六六的教学评分最低,说明教师张六六在在本学年发生的缺课行为较多,在本学年经常缺课。
参见图3中的(a)图,展示了各位教师与上课迟到行为对应的教学评分的排名柱状图,该柱状图的横轴表示教师姓名,该柱状图的纵轴表示上课迟到行为对应的教学评分,由该柱状图可以看出,教师张一一教学评分为100,说明教师张一一在本学年没有出现过上课迟到行为,而教师张六六的教学评分最低,说明教师张六六在本学年发生的上课迟到行为较多,在本学年经常上课迟到。参见图3中的(b)图,展示了各位教师与不尊重学生行为对应的教学评分的排名柱状图,该柱状图的横轴表示教师姓名,该柱状图的纵轴表示不尊重学生行为对应的教学评分,由该柱状图可以看出,教师张一一教学评分为100,说明教师张一一在本学年没有出现过不尊重学生行为,而教师张六六的教学评分最低,说明教师张六六在本学年发生不尊重学生行为较多,在本学年经常不尊重学生。
参见图4,展示了各位教师与拖课行为对应的教学评分的排名柱状图,该柱状图的横轴表示教师姓名,该柱状图的纵轴表示拖课行为对应的教学评分,由该柱状图可以看出,教师张一一教学评分为100,说明教师张一一在本学年没有出现过拖课行为,而教师张六六的教学评分最低,说明教师张六六在本学年发生的拖课行为较多,在本学年经常拖课。
进一步地,终端还可以统计学校的多个教师中的每个教师在出现迟到行为时的迟到时长,在出现拖课行为时的拖课时长,据此确定每个教师在本学年的迟到总时长、拖课总时长,最后根据该多个教师中的每个教师在本学年的迟到总时长、拖课总时长对该多个教师进行排名并展示。另外,各个教师在本学年的迟到总时长和拖课总时长也可以包含于各个教师的行为数据中,作为评价各个教师的指标。
例如:参见图5,展示了各位教师的排名柱状图,该柱状图的横轴表示教师姓名,该柱状图的纵轴表示本学年的拖课总时长,由该柱状图可以看出,教师张六六在本学年的拖课总时长较长,说明教师张六六在本学年发生拖课行为较多,在本学年经常拖课,而教师张一一在本学年的拖课总时长只有10分钟,说明教师张一一在本学年发生拖课行为较少。
进一步地,终端还可以统计学校的多个教师中每个教师发生严重替课行为的次数,即每个教师占用体育课的次数,根据该多个教师中的每个教师占用体育课的次数对该多个教师进行排名并展示。
例如,参见图6,展示了各位教师的排名柱状图,该柱状图的横轴表示教师姓名,该柱状图的纵轴表示本学年的占用体育课次数,由该柱状图可以看出,教师张一一占用体育课的次数较多,说明教师张一一本学年经常占用体育课,即教师张一一在本学年发生严重替课行为较多,而教师张六六占用体育课次数较少,说明教师张六六在本学年很少占用体育课,即教师张六六在本学年发生严重替课行为较少。
进一步地,终端还可以统计学校的各个科目被替课的次数,再确定出各个科目被替课的次数在所有科目被替课的总次数中的占比,最后可以展示出各个科目被替课的占比,由此可以直观地看出在本学年中各个科目被替课的情况。
例如,图7展示了各个科目被替课情况的饼状图,该饼状图用于指示本学年内各个科目被替课的占比。由该饼状图可以看出,美术课被替课的占比最大,为28%,说明美术课被替课的次数最多。
值得注意的是,在对学校的多个教师进行排名的时候,可以对每个年级的所有教师进行排名,也可以对学校中所有的教师进行排名,本申请实施例对此不作限定。
进一步地,终端确定学校中多个教师中每个教师的教学评分后,还可以根据学校中多个教师中每个教师的教学评分确定该学校的教学总分,根据学校中多个教师中每个教师的教学评分确定该学校的教学总分的操作可以通过如下两种可能的方式实现。
第一种可能的方式,对于该多类异常行为中的任意一类异常行为,将该多个教师中每个教师与这类异常行为对应的教学评分累加后得到的数值除以该多个教师的数量,得到该学校与这类异常行为对应的教学评分;将该学校与该多类异常行为中每类异常行为对应的教学评分进行加权平均,得到该学校的教学总分。
第二种可能的方式,对于该多类异常行为中的任意一类异常行为,将该多个教师中每个教师与这类异常行为对应的教学评分累加后得到的数值除以该多个教师的数量,得到该学校与这类异常行为对应的教学评分;将该学校与该多类异常行为中每类异常行为对应的教学评分与对应的权重相乘后得到的多个数值累加,得到该学校的教学总分。
终端可以预先设置该多类异常行为中每类异常行为的权重。例如,终端可以根据该多类异常行为中每类异常行为的严重程度将每类异常行为的权重设置为0-1之间的一个值,严重程度越高,权重越小,即对于该多类异常行为中的任意一类异常行为,若发生这类异常行为后造成的后果比较严重,则可以将这类异常行为的权重设置的较小。或者,终端可以将该多类异常行为中每类异常行为的权重均设置为1。
例如:这里以通过第一种可能的方式确定该学校的教学总分进行举例。教师张一一与替课行为、缺课行为、迟到行为、拖课行为、不尊重学生行为对应的教学评分分别为95分、90分、80分、95分、100分,教师张二二与替课行为、缺课行为、迟到行为、拖课行为、不尊重学生行为对应的教学评分分别为96分、90分、85分、90分、90分,教师张三三与替课行为、缺课行为、迟到行为、拖课行为、不尊重学生行为对应的教学评分分别为100分、95分、80分、90分、95分。替课行为的权重为0.8、缺课行为的权重为0.5、迟到行为的权重为0.7、拖课行为的权重为0.9、不尊重学生行为的权重为0.6。终端将这三个教师中每个教师与替课行为对应的教学评分累加后得到的数值除以3,得到该学校与替课行为对应的教学评分(95+96+100)÷3=97,将这三个教师中每个教师与缺课行为对应的教学评分累加后得到的数值除以3,得到该学校与缺课行为对应的教学评分(90+90+95)÷3≈92,将这三个教师中每个教师与迟到行为对应的教学评分累加后得到的数值除以3,得到该学校与迟到行为对应的教学评分(80+85+80)÷3≈82,将这三个教师中每个教师与拖课行为对应的教学评分累加后得到的数值除以3,得到该学校与拖课行为对应的教学评分(95+90+90)÷3≈92,将这三个教师中每个教师与不尊重学生行为对应的教学评分累加后得到的数值除以3,得到该学校与不尊重学生行为对应的教学评分(100+90+95)÷3=95,将该学校与该多类异常行为中每类异常行为对应的教学评分进行加权平均,即(97×0.8+92×0.5+82×0.7+92×0.9+95×0.6)÷(0.8+0.5+0.7+0.9+0.6)=91.65,得到该学校的教学总分为91.65分。
例如:这里以通过第二种可能的方式确定该学校的教学总分进行举例。教师张一一与替课行为、缺课行为、迟到行为、拖课行为、不尊重学生行为对应的教学评分分别为95分、90分、80分、95分、100分,教师张二二与替课行为、缺课行为、迟到行为、拖课行为、不尊重学生行为对应的教学评分分别为96分、90分、85分、90分、90分,教师张三三与替课行为、缺课行为、迟到行为、拖课行为、不尊重学生行为对应的教学评分分别为100分、95分、80分、90分、95分。替课行为的权重为0.8、缺课行为的权重为0.5、迟到行为的权重为0.7、拖课行为的权重为0.9、不尊重学生行为的权重为0.6。对于该多类异常行为中的任意一类异常行为,由于第二种可能的方式与第一种可能的方式中计算该学校与这类异常行为对应的教学评分的方式相同,因此此处不再赘述。计算得到该学校与替课行为、缺课行为、迟到行为、拖课行为、不尊重学生行为对应的教学评分分别为97分、92分、82分、92分、95分,将该学校与该多类异常行为中每类异常行为对应的教学评分与对应的权重相乘后得到的多个数值累加,即97×0.8+92×0.5+82×0.7+92×0.9+95×0.6=320.8,得到该学校的教学总分为320.8分。
进一步地,终端得到多个学校中每个学校的教学总分后,还可以根据多个学校中每个学校的教学总分,对该多个学校进行排名,最终将该多个学校的排名通过统计图进行展示,以直观的供用户查看。
例如:终端得到的第一学校的教学总分为80分、第二学校的教学总分为99分、第三学校的教学总分为90分、第四学校的教学总分为85分、第五学校的教学总分为65分、第六学校的教学总分为71分,则终端按照教学总分由高到低的顺序,对这五个学校进行排名,得到如图8所示的各学校的排名柱状图。参见图8,该柱状图的横轴表示学校名称,该柱状图的纵轴表示教学总分。由该柱状图可以看出,各个学校中第二学校的教学总分最高,为99分,说明第二学校的教师出现异常行为的次数较少。
在本申请实施例中,终端在到达教学课程信息中任意一节课的时段的开始时间后,采集本节课所在教室的视频和音频,之后对采集的视频进行人脸检测,得到进入该教室的人员的人脸图像,并将该人员的人脸图像与教学课程信息中本节课对应的教师人脸图像进行匹配,从而可以确定出该人员是否为本节课的任课教师。若该人员为本节课的任课教师,则可以根据采集的视频和音频进一步分析该任课教师在上课期间的各种行为,从而有助于对教师行为的统计和监管,进而有助于规范教师的教学过程,提高教学管理效率。
下面对本申请实施例提供的行为分析装置进行详细地解释说明。
图9是本申请实施例提供的一种行为分析装置的结构示意图。该装置可以由软件、硬件或者两者的结合实现成为计算机设备的部分或者全部,该计算机设备可以为下文图10所示的计算机设备。参见图9,该装置包括:第一获取模块901、采集模块902、检测模块903、第一匹配模块904、第一确定模块905、分析模块906。
第一获取模块901,用于获取教学课程信息,该教学课程信息包括多节课中每节课的时段和对应的教师人脸图像;
采集模块902,用于在到达任意一节课的时段的开始时间后,在本节课所在的教室内采集视频和音频;
检测模块903,用于对该视频进行人脸检测,得到进入该教室的人员的人脸图像;
第一匹配模块904,用于将该人员的人脸图像与本节课对应的教师人脸图像进行匹配;
第一确定模块905,用于若该人员的人脸图像与本节课对应的教师人脸图像匹配成功,则确定该人员为本节课的任课教师;
分析模块906,用于根据该视频和该音频分析该任课教师的行为。
可选地,该教学课程信息还包括该多节课中每节课的科目,该装置还包括:
第二确定模块,用于若该人员的人脸图像与本节课对应的教师人脸图像匹配失败,则确定该人员不是本节课的任课教师;
第二匹配模块,用于将该人员的人脸图像与教师人脸库中的多个教师人脸图像进行匹配;
第三确定模块,用于若该人员的人脸图像与该多个教师人脸图像中的一个教师人脸图像匹配成功,且这个教师人脸图像所属的教师所授的科目与本节课的科目不同,则确定这个教师人脸图像所属的教师存在替课行为;
第四确定模块,用于若该人员的人脸图像与该多个教师人脸图像均匹配失败,则确定该任课教师存在缺课行为。
可选地,分析模块906用于:
根据该视频确定该任课教师从该教室的门进入的时间作为第一时间;
根据该音频确定该教室中出现第一语音的时间作为第二时间,第一语音用于指示开始上课;
根据第一时间和第二时间中的至少一个确定该任课教师的上课时间;
若该任课教师的上课时间晚于本节课的时段的开始时间,且与本节课的时段的开始时间之间的时间差大于第一时间差,则确定该任课教师存在上课迟到行为。
可选地,分析模块906用于:
根据该视频确定该任课教师从该教室的门出去的时间作为第三时间;
根据该音频确定该教室中出现第二语音的时间作为第四时间,第二语音用于指示下课;
根据第三时间和第四时间中的至少一个确定该任课教师的下课时间;
若该任课教师的下课时间晚于本节课的时段的结束时间,且与本节课的时段的结束时间之间的时间差大于第二时间差,则确定该任课教师存在拖课行为。
可选地,分析模块906用于:
根据该视频确定该任课教师是否出现敏感动作,以及根据该音频确实该任课教师是否出现敏感语音,该敏感动作和该敏感语音用于指示对学生的不尊重行为;
若该任课教师出现该敏感动作和该敏感语音中的至少一个,则确定该任课教师存在不尊重学生行为。
可选地,该装置还包括:
第二获取模块,用于对于学校的多个教师中的任意一个教师,获取这个教师的行为数据,该行为数据包括出现多类异常行为中的每类异常行为的次数;
第五确定模块,用于根据这个教师的行为数据确定这个教师的教学评分;
排名模块,用于根据该多个教师中每个教师的教学评分对该多个教师进行排名。
可选地,第五确定模块用于:
获取这个教师在本学年的课程总数;
对于该多类异常行为中的任意一类异常行为,将这个教师出现这类异常行为的次数除以该课程总数,得到异常行为占比;
将1减去该异常行为占比后得到的数值乘以100,得到这个教师与这类异常行为对应的教学评分。
可选地,该装置还包括:
第六确定模块,用于对于该多类异常行为中的任意一类异常行为,将该多个教师中每个教师与这类异常行为对应的教学评分累加后得到的数值除以该多个教师的数量,得到该学校与这类异常行为对应的教学评分;
第七确定模块,用于根据该学校与该多类异常行为中每类异常行为对应的教学评分,确定该学校的教学总分。
在本申请实施例中,在到达教学课程信息中任意一节课的时段的开始时间后,采集本节课所在教室的视频和音频,之后对采集的视频进行人脸检测,得到进入该教室的人员的人脸图像,并将该人员的人脸图像与教学课程信息中本节课对应的教师人脸图像进行匹配,从而可以确定出该人员是否为本节课的任课教师。若该人员为本节课的任课教师,则可以根据采集的视频和音频进一步分析该任课教师在上课期间的各种行为,从而有助于对教师行为的统计和监管,进而有助于规范教师的教学过程,提高教学管理效率。
需要说明的是:上述实施例提供的行为分析装置在对行为进行分析时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
上述实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请实施例的保护范围。
上述实施例提供的行为分析装置与行为分析方法实施例属于同一构思,上述实施例中单元、模块的具体工作过程及带来的技术效果,可参见方法实施例部分,此处不再赘述。
图10为本申请实施例提供的一种计算机设备的结构示意图。如图10所示,计算机设备10包括:处理器100、存储器101以及存储在存储器101中并可在处理器100上运行的计算机程序102,处理器100执行计算机程序102时实现上述实施例中的行为分析方法中的步骤。
计算机设备10可以是一个通用计算机设备或一个专用计算机设备。在具体实现中,计算机设备10可以是台式机、便携式电脑、掌上电脑、移动手机、平板电脑等,本申请实施例不限定计算机设备10的类型。本领域技术人员可以理解,图10仅仅是计算机设备10的举例,并不构成对计算机设备10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,比如还可以包括输入输出设备、网络接入设备等。
处理器100可以是中央处理单元(Central Processing Unit,CPU),处理器100还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者也可以是任何常规的处理器。
存储器101在一些实施例中可以是计算机设备10的内部存储单元,比如计算机设备10的硬盘或内存。存储器101在另一些实施例中也可以是计算机设备10的外部存储设备,比如计算机设备10上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器101还可以既包括计算机设备10的内部存储单元也包括外部存储设备。存储器101用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等。存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机设备,该计算机设备包括:至少一个处理器、存储器以及存储在该存储器中并可在该至少一个处理器上运行的计算机程序,该处理器执行该计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例中的步骤。
集成的单元如果以软件功能单元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,本申请实现上述方法实施例中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,该计算机程序包括计算机程序代码,该计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。该计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、ROM(Read-Only Memory,只读存储器)、RAM(Random Access Memory,随机存取存储器)、CD-ROM(Compact Disc Read-Only Memory,只读光盘)、磁带、软盘和光数据存储设备等。本申请提到的计算机可读存储介质可以为非易失性存储介质,换句话说,可以是非瞬时性存储介质。
应当理解的是,实现上述实施例的全部或部分步骤可以通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。该计算机指令可以存储在上述计算机可读存储介质中。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上该实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种行为分析方法,其特征在于,所述方法包括:
获取教学课程信息,所述教学课程信息包括多节课中每节课的时段和对应的教师人脸图像;
在到达任意一节课的时段的开始时间后,在本节课所在的教室内采集视频和音频;
对所述视频进行人脸检测,得到进入所述教室的人员的人脸图像;
将所述人员的人脸图像与所述本节课对应的教师人脸图像进行匹配;
若所述人员的人脸图像与所述本节课对应的教师人脸图像匹配成功,则确定所述人员为所述本节课的任课教师;
根据所述视频和所述音频分析所述任课教师的行为。
2.如权利要求1所述的方法,其特征在于,所述教学课程信息还包括所述多节课中每节课的科目,所述将所述人员的人脸图像与所述本节课对应的教师人脸图像进行匹配之后,还包括:
若所述人员的人脸图像与所述本节课对应的教师人脸图像匹配失败,则确定所述人员不是所述本节课的任课教师;
将所述人员的人脸图像与教师人脸库中的多个教师人脸图像进行匹配;
若所述人员的人脸图像与所述多个教师人脸图像中的一个教师人脸图像匹配成功,且所述一个教师人脸图像所属的教师所授的科目与所述本节课的科目不同,则确定所述一个教师人脸图像所属的教师存在替课行为;
若所述人员的人脸图像与所述多个教师人脸图像均匹配失败,则确定所述任课教师存在缺课行为。
3.如权利要求1所述的方法,其特征在于,所述根据所述视频和所述音频分析所述任课教师的行为,包括:
根据所述视频确定所述任课教师从所述教室的门进入的时间作为第一时间;
根据所述音频确定所述教室中出现第一语音的时间作为第二时间,所述第一语音用于指示开始上课;
根据所述第一时间和所述第二时间中的至少一个确定所述任课教师的上课时间;
若所述任课教师的上课时间晚于所述本节课的时段的开始时间,且与所述本节课的时段的开始时间之间的时间差大于第一时间差,则确定所述任课教师存在上课迟到行为。
4.如权利要求1所述的方法,其特征在于,所述根据所述视频和所述音频分析所述任课教师的行为,包括:
根据所述视频确定所述任课教师从所述教室的门出去的时间作为第三时间;
根据所述音频确定所述教室中出现第二语音的时间作为第四时间,所述第二语音用于指示下课;
根据所述第三时间和所述第四时间中的至少一个确定所述任课教师的下课时间;
若所述任课教师的下课时间晚于所述本节课的时段的结束时间,且与所述本节课的时段的结束时间之间的时间差大于第二时间差,则确定所述任课教师存在拖课行为。
5.如权利要求1所述的方法,其特征在于,所述根据所述视频和所述音频分析所述任课教师的行为,包括:
根据所述视频确定所述任课教师是否出现敏感动作,以及根据所述音频确定所述任课教师是否出现敏感语音,所述敏感动作和所述敏感语音用于指示对学生的不尊重行为;
若所述任课教师出现所述敏感动作和所述敏感语音中的至少一个,则确定所述任课教师存在不尊重学生行为。
6.如权利要求1-5任一所述的方法,其特征在于,所述方法还包括:
对于学校的多个教师中的任意一个教师,获取所述一个教师的行为数据,所述行为数据包括出现多类异常行为中的每类异常行为的次数;
根据所述一个教师的行为数据确定所述一个教师的教学评分;
根据所述多个教师中每个教师的教学评分对所述多个教师进行排名。
7.如权利要求6所述的方法,其特征在于,所述根据所述一个教师的行为数据确定所述一个教师的教学评分,包括:
获取所述一个教师在本学年的课程总数;
对于所述多类异常行为中的任意一类异常行为,将所述一个教师出现所述一类异常行为的次数除以所述课程总数,得到异常行为占比;
将1减去所述异常行为占比后得到的数值乘以100,得到所述一个教师与所述一类异常行为对应的教学评分。
8.如权利要求7所述的方法,其特征在于,所述根据所述一个教师的行为数据确定所述一个教师的教学评分之后,还包括:
对于所述多类异常行为中的任意一类异常行为,将所述多个教师中每个教师与所述一类异常行为对应的教学评分累加后得到的数值除以所述多个教师的数量,得到所述学校与所述一类异常行为对应的教学评分;
根据所述学校与所述多类异常行为中每类异常行为对应的教学评分,确定所述学校的教学总分。
9.一种行为分析装置,其特征在于,所述装置包括:
第一获取模块,用于获取教学课程信息,所述教学课程信息包括多节课中每节课的时段和对应的教师人脸图像;
采集模块,用于在到达任意一节课的时段的开始时间后,在本节课所在的教室内采集视频和音频;
检测模块,用于对所述视频进行人脸检测,得到进入所述教室的人员的人脸图像;
第一匹配模块,用于将所述人员的人脸图像与所述本节课对应的教师人脸图像进行匹配;
第一确定模块,用于若所述人员的人脸图像与所述本节课对应的教师人脸图像匹配成功,则确定所述人员为所述本节课的任课教师;
分析模块,用于根据所述视频和所述音频分析所述任课教师的行为。
10.一种计算机设备,其特征在于,所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111342368.2A CN114241596A (zh) | 2021-11-12 | 2021-11-12 | 行为分析方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111342368.2A CN114241596A (zh) | 2021-11-12 | 2021-11-12 | 行为分析方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114241596A true CN114241596A (zh) | 2022-03-25 |
Family
ID=80749288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111342368.2A Pending CN114241596A (zh) | 2021-11-12 | 2021-11-12 | 行为分析方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241596A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115225598A (zh) * | 2022-07-07 | 2022-10-21 | 广州宏途数字科技有限公司 | 一种基于课后托管的通讯方法、装置、设备及存储介质 |
-
2021
- 2021-11-12 CN CN202111342368.2A patent/CN114241596A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115225598A (zh) * | 2022-07-07 | 2022-10-21 | 广州宏途数字科技有限公司 | 一种基于课后托管的通讯方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256650B (zh) | 一种习题推送方法、系统及终端设备 | |
CN109034036B (zh) | 一种视频分析方法、教学质量评估方法及系统、计算机可读存储介质 | |
Li et al. | Massive open online proctor: Protecting the credibility of MOOCs certificates | |
CN108009754A (zh) | 教学质量评估方法 | |
CN108154304A (zh) | 具有教学质量评估功能的服务器 | |
CN110909035B (zh) | 个性化复习题集生成方法、装置、电子设备及存储介质 | |
CN110502999B (zh) | 校园管理系统及方法 | |
CN104620300A (zh) | 用于测试生成或教学的参与者回答的集群分析 | |
CN110111011B (zh) | 一种教学质量监管方法、装置及电子设备 | |
CN111382633A (zh) | 课堂出勤管理方法、装置、终端及计算机可读存储介质 | |
CN114241596A (zh) | 行为分析方法、装置和设备 | |
CN110245207B (zh) | 一种题库构建方法、题库构建装置及电子设备 | |
CN114202978A (zh) | 一种基于大数据的智能培训方法及系统 | |
CN109003492B (zh) | 一种题目选择装置及终端设备 | |
CN114140280A (zh) | 一种基于ai批改的数据处理方法、系统和电子设备 | |
CN112365269A (zh) | 风险检测方法、装置、设备以及存储介质 | |
CN115204678B (zh) | 一种基于景区旅游平台的旅游评价分析系统 | |
Tsao et al. | Data consideration for at-risk students early alert | |
CN116824311A (zh) | 人群分析算法的性能检测方法、装置、设备及存储介质 | |
CN111611923A (zh) | 一种应急预案演练评估方法及装置 | |
CN116611964A (zh) | 一种智能教室排课及分配方法和系统 | |
CN110716920A (zh) | 一种基于人脸识别的学生行为自动分析方法及系统 | |
TWI524294B (zh) | 線上自動化診斷學習風格系統、線上自動化診斷學習風格方法及電腦可讀取之記錄媒體 | |
Mukala et al. | Uncovering learning patterns in a MOOC through conformance alignments | |
CN115293275A (zh) | 数据识别方法、装置、电子设备和存储介质 |
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 |