一种基于人脸监测的课堂学生状态分析方法及系统

本发明涉及人脸识别和机器学习，特别是涉及一种基于人脸监测的课堂学生状态分析方法及系统。

背景技术：

1、传统的课堂学生状态分析方法主要依赖于教师的主观判断，无法实现实时、精确和客观的分析。

2、现有技术中，应用人工智能技术，从课堂图像中识别并监测学生的上课状态，并通过教育分析报告供后期老师和家长参考，实现了闭环式智慧教育。但其对课堂图像中的学生面部表情的分割精度不够，从而造成对于学生学习状态分析不够准确。

技术实现思路

1、为了克服现有技术的不足，本发明的目的是提供一种基于人脸监测的课堂学生状态分析方法及系统。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于人脸监测的课堂学生状态分析方法，包括：

4、采集课堂上学生的人脸图像；

5、对采集的人脸图像进行自适应阈值滤波处理，得到预处理图像；

6、使用训练好的人脸表情识别模型对所述预处理图像进行特征提取，得到表情特征；

7、基于机器学习算法，根据提取的所述表情特征对学生的状态进行分析，得到分析结果；所述分析结果包括注意力集中度和疲劳程度。

8、优选地，还包括：

9、将所述分析结果实时反馈给教师端，以使教师根据学生的状态进行教学进度的调整。

10、优选地，对采集的人脸图像进行自适应阈值滤波处理，得到预处理图像，包括：

11、对所述人脸图像在多个尺度上进行小波分解，得到对应的小波系数；

12、根据所述人脸图像的大小和分解尺度构建滤波阈值；

13、利用所述滤波阈值构建图像滤波模型；

14、利用所述图像滤波模型对所述人脸图像进行滤波，得到所述预处理图像。

15、优选地，所述滤波阈值的计算公式为：其中，λj表示在第j个分解尺度下的滤波阈值，σj表示在第j个分解尺度下的噪声标准差，nj表示在第j个分解尺度下的信号长度，j表示分解尺度。

16、优选地，所述图像滤波模型的计算公式为：

17、

18、其中，sign为符号函数，a为第一预设系数，b为第二预设系数，ωj,k表示在第j个分解尺度下第k个小波系数，表示滤波后的小波系数。

19、优选地，在对采集的人脸图像进行自适应阈值滤波处理，得到预处理图像之后，还包括：

20、根据所述预处理图像进行人脸识别，得到人脸信息；

21、根据所述人脸信息与预设的授权人脸数据库进行匹配对比，并确定所述课堂中是否存在无被识别权限的学生，若是，则利用所述课堂中的音响系统播放授权请求指令，并根据教师端的回答声波确定无被识别权限的学生是否增加被识别权限。

22、优选地，所述人脸表情识别模型是依据训练面部动作和对应的训练面部表情进行训练得到的。

23、优选地，基于机器学习算法，根据提取的所述表情特征对学生的状态进行分析，得到分析结果，包括：

24、将所述表情特征输入至基于机器学习算法构建的人脸参数计算模型中，得到评估参数；所述评估参数包括：眼睛的开闭程度、眼神方向、眼袋面积和嘴巴的开闭程度；

25、根据所述眼睛的开闭程度和所述眼神方向对学生的状态进行分析，得到所述注意力集中度的分析结果；

26、根据所述眼袋面积和所述嘴巴的开闭程度对学生的状态进行分析，得到所述疲劳程度的分析结果。

27、一种基于人脸监测的课堂学生状态分析系统，包括：

28、采集模块，用于采集课堂上学生的人脸图像；

29、预处理模块，用于对采集的人脸图像进行自适应阈值滤波处理，得到预处理图像；

30、特征提取模块，用于使用训练好的人脸表情识别模型对所述预处理图像进行特征提取，得到表情特征；

31、分析模块，用于基于机器学习算法，根据提取的所述表情特征对学生的状态进行分析，得到分析结果；所述分析结果包括注意力集中度和疲劳程度。

32、根据本发明提供的具体实施例，本发明公开了以下技术效果：

33、本发明提供了一种基于人脸监测的课堂学生状态分析方法，包括：采集课堂上学生的人脸图像；对采集的人脸图像进行自适应阈值滤波处理，得到预处理图像；使用训练好的人脸表情识别模型对所述预处理图像进行特征提取，得到表情特征；基于机器学习算法，根据提取的所述表情特征对学生的状态进行分析，得到分析结果；所述分析结果包括注意力集中度和疲劳程度。本发明能够精准获取学生的表情特征，从而提高对学生课堂状态的分析和判断精度。

技术特征：

1.一种基于人脸监测的课堂学生状态分析方法，其特征在于，包括：

2.根据权利要求1所述的基于人脸监测的课堂学生状态分析方法，其特征在于，还包括：

3.根据权利要求1所述的基于人脸监测的课堂学生状态分析方法，其特征在于，对采集的人脸图像进行自适应阈值滤波处理，得到预处理图像，包括：

4.根据权利要求3所述的基于人脸监测的课堂学生状态分析方法，其特征在于，所述滤波阈值的计算公式为：其中，λj表示在第j个分解尺度下的滤波阈值，σj表示在第j个分解尺度下的噪声标准差，nj表示在第j个分解尺度下的信号长度，j表示分解尺度。

5.根据权利要求4所述的基于人脸监测的课堂学生状态分析方法，其特征在于，所述图像滤波模型的计算公式为：

6.根据权利要求1所述的基于人脸监测的课堂学生状态分析方法，其特征在于，在对采集的人脸图像进行自适应阈值滤波处理，得到预处理图像之后，还包括：

7.根据权利要求1所述的基于人脸监测的课堂学生状态分析方法，其特征在于，所述人脸表情识别模型是依据训练面部动作和对应的训练面部表情进行训练得到的。

8.根据权利要求1所述的基于人脸监测的课堂学生状态分析方法，其特征在于，基于机器学习算法，根据提取的所述表情特征对学生的状态进行分析，得到分析结果，包括：

9.一种基于人脸监测的课堂学生状态分析系统，其特征在于，包括：

技术总结
本发明提供了一种基于人脸监测的课堂学生状态分析方法及系统，涉及人脸识别和机器学习技术领域，方法包括：采集课堂上学生的人脸图像；对采集的人脸图像进行自适应阈值滤波处理，得到预处理图像；使用训练好的人脸表情识别模型对所述预处理图像进行特征提取，得到表情特征；基于机器学习算法，根据提取的所述表情特征对学生的状态进行分析，得到分析结果；所述分析结果包括注意力集中度和疲劳程度。本发明能够精准获取学生的表情特征，从而提高对学生课堂状态的分析和判断精度。

技术研发人员：彭娇
受保护的技术使用者：广东科技学院
技术研发日：
技术公布日：2024/2/6