本發(fā)明涉及課堂智能管理技術領域，尤其是涉及一種基于人像識別的智能巡課管理系統(tǒng)。

背景技術：

隨著素質教育的呼聲越來越高，以往“填鴨式”的課堂教學方式早已被淘汰。隨著移動物聯(lián)網(wǎng)技術日新月異的發(fā)展，教育信息化的步伐不斷加快，現(xiàn)代化的多媒體課堂，不再是傳統(tǒng)的應試教育模式，課堂交互顯得越來越重要。為了給予授課教師一定的外部壓力，引導教師落實復核高效課堂的教學常規(guī)，作為課堂觀察記錄之用的巡課已經(jīng)成為智能課堂的重要組成部分，國內(nèi)外開始理論性研究過程性課堂教學評價，以使得課堂教學質量得以保證。在美國，實踐并研究“教師巡課”的教育學者主要有布蘭迪斯大學的特倫(viviantroen)和克拉克大學的普雷特(thomasdelprete)，特倫指出，“教師巡課”參照的是醫(yī)學教育中“共同巡診”(doingrounds)這種方法。在“共同巡診”的過程中，實習醫(yī)生和指導醫(yī)生一起查看住院病人，觀察病人的各種狀況，然后共同分析他們所觀察到的一切，并擬定可能的治療方案，“教師巡課”也是如此，在授課教師和聽課學生之外，存在另一方進行課堂觀察和評價。然而，目前的過程性課堂教學評價研究，主要側重于教師側的行為研究和課后的教學質量評價，但是，這樣的教學質量評價拋棄了以往靠學生的分數(shù)成績(與學生對授課內(nèi)容的消化吸收程度相關)作為評價手段，在上課現(xiàn)場尤其是教師行為占主導的時間段，老師無法及時全面了解每位學生對課程內(nèi)容的感興趣程度和理解接受程度，無法根據(jù)學生在課堂現(xiàn)場表現(xiàn)出的情緒變化從而對授課方式進行適當調整。無論是現(xiàn)場巡課還是課后巡課，目前的巡課系統(tǒng)只能起到監(jiān)督、處罰、事后評價的作用，而無法滿足現(xiàn)場反饋和指導的更高要求。各種傳統(tǒng)的巡課評價指標體系存在種種不足，如何構建高效智能的巡課管理系統(tǒng)，是目前亟需解決的技術問題。

技術實現(xiàn)要素：

本發(fā)明針對上述現(xiàn)有技術的不足，提出了一種基于人像識別的智能巡課管理系統(tǒng)。使其能夠通過利用支持向量機(svm)進行學生對課程內(nèi)容的感興趣程度和理解接受程度的識別，從而有效獲取學生對教學方式的反饋，有利于提高整體教學質量。

根據(jù)本發(fā)明的第一方面，提供了基于人像識別的智能巡課管理系統(tǒng)，所述智能巡課管理系統(tǒng)包括：巡課管理云服務器，所述巡課管理云服務器用于存儲實時錄制的教學視頻，并依據(jù)所述教學視頻對教學類型和教學質量進行分析并做出評價；教師終端，所述教師終端用于啟動課程錄制進程和開放評價端口；學生終端，所述學生終端用于在所述教師終端開放所述評價端口時，對教師授課進行反饋，生成反饋信息；設置于教室內(nèi)的多個音視頻獲取裝置，所述多個音視頻獲取裝置中的至少一個用于定位跟蹤并采集授課教師的音視頻信號，所述多個音視頻獲取裝置中的至少另一個用于采集上課學生的音視頻信號；設置于教室內(nèi)的音視頻處理裝置，所述音視頻處理裝置包括人像識別模塊和音視頻模塊，所述人像識別模塊用于識別教師的面部圖像并監(jiān)測學生專注程度；所述音視頻模塊將從所述音視頻獲取裝置接收到的音視頻信號頻分復用并搭載所述反饋信息以獲得經(jīng)調制的數(shù)字信號，并將該經(jīng)調制的數(shù)字信號發(fā)送至所述巡課管理云服務器。

根據(jù)本發(fā)明的第二方面的基于人像識別的智能巡課管理系統(tǒng)，其中，所述音視頻模塊對接收到的音視頻信號中教師的各種言行活動行為分別計算在一個采樣周期內(nèi)的權重值ui，如果在該采樣周期內(nèi)教師存在某種言行活動行為超過預定時長閾值，則ui＝1，否則ui＝0，i為大于1的自然數(shù)；其中，所述音視頻模塊對接收到的音視頻信號中學生的各種言行活動行為分別計算在一個采樣周期內(nèi)的權重值vj，如果在該采樣周期內(nèi)學生存在某種言行活動行為超過預定時長閾值，則vj＝1，否則vj＝0，j為大于1的自然數(shù)；其中，所述音視頻模塊計算課程中的教師行為飽和度pu和學生行為飽和度pv，其中pu＝∑ui/n，pv＝∑vj/n，n為在該采樣周期內(nèi)的采樣總數(shù)，∑ui為在該課程中ui的總和，∑vj為在該課程中vj的總和；計算教學質量評價值d，其中，

a、b、c和e為調整系數(shù)，所述反饋信息包括反饋分數(shù)fk，k為大于1的自然數(shù)，f為反饋分數(shù)fk的平均值，f＝∑fk/n，f1為第一閾值，f2為第二閾值；課程結束后，所述巡課管理云服務器基于教師行為飽和度pu、學生行為飽和度pv和教學質量評價值d對教學類型進行劃分，并對教學質量做出評價。

根據(jù)本發(fā)明的第三方面的基于人像識別的智能巡課管理系統(tǒng)，其中，所述教師的各種言行活動行為包括：講課行為、提問與解答行為、板書行為、多媒體運用行為或巡視行為；其中，所述學生的各種言行活動行為包括：聽講行為、回答與提問行為、討論交流行為、書面筆記記錄行為或答題、或課堂違紀行為。

根據(jù)本發(fā)明的第四方面的基于人像識別的智能巡課管理系統(tǒng)，其中，所述教學類型包括：講授主導型、練習主導型、交互引導型。

根據(jù)本發(fā)明的第五方面的基于人像識別的智能巡課管理系統(tǒng)，其中，所述音視頻獲取裝置獲取學生的圖像，所述人像識別模塊從學生的圖像識別出不專注行為，所述音視頻模塊對所識別出的不專注行為的時間長度進行統(tǒng)計，并計算出學生的專注程度g＝tn/t，tn為不專注行為的時間總長度，t為課堂時間；當專注程度g低于閾值時，該學生的學號被發(fā)送到所述教師終端。

根據(jù)本發(fā)明的第六方面的基于人像識別的智能巡課管理系統(tǒng)，其中，所述不專注行為包括操作手機、打瞌睡或交頭接耳。

根據(jù)本發(fā)明的第七方面的基于人像識別的智能巡課管理系統(tǒng)，其中，僅在所述人像識別模塊判定學生出勤之后，所述學生終端對授課課程進行反饋，并且所述反饋信息還包括提問、點贊或彈幕。

根據(jù)本發(fā)明的第八方面的基于人像識別的智能巡課管理系統(tǒng)，其中，所述音視頻模塊將從所述彈幕中提取出的關鍵詞輸入到支持向量機模型中，從而識別出學生對課程內(nèi)容的感興趣程度和關于理解接受程度的上課情緒，并且所述音視頻模塊根據(jù)感興趣程度和所述上課情緒對反饋分數(shù)fk進行修正，并利用修正后的反饋分數(shù)fkx進行計算。

根據(jù)本發(fā)明的第九方面的基于人像識別的智能巡課管理系統(tǒng)，其中，所述上課情緒包含興奮、冷漠、困惑、煩躁、疲憊或愉悅中的一種或多種。

根據(jù)本發(fā)明的第十方面的基于人像識別的智能巡課管理系統(tǒng)，所述反饋信息包括時間戳。

根據(jù)本發(fā)明的第十一方面的基于人像識別的智能巡課管理系統(tǒng)，所述音視頻模塊還計算師生交互度i，其中i＝αr+βpu/pv，r＝(r-1)/n，r為行為切換率，r為該采樣周期內(nèi)教師的言行活動行為與學生的言行活動行為的切換次數(shù)，α、β為可調權重系數(shù)，所述巡課管理云服務器還基于所述師生交互度i對教學類型進行劃分，并對教學質量做出評價。

前述發(fā)明內(nèi)容僅僅是示例性的，且并不是對本發(fā)明的任何限制。除了上面描述的實施方式之外，通過參考附圖以及下面的詳細描述，其它的實施方式也將是明顯的。

附圖說明

圖1示出了根據(jù)本發(fā)明的實施方式的基于人像識別的智能巡課管理系統(tǒng)的示意圖。

具體實施方式

在附圖中，類似的附圖標記通常表示類似部件，除非上下文有相反的說明。在詳細的說明書、附圖和權利要求中描述的例示性實施方式并非是限制性的。在不背離本文的精神或者范圍的情況下，可以利用其它實施方式，并且可以進行其它改變。

如圖1所示，本發(fā)明提供了基于人像識別的智能巡課管理系統(tǒng)，所述智能巡課管理系統(tǒng)包括：巡課管理云服務器101，所述巡課管理云服務器101用于存儲實時錄制的教學視頻，并依據(jù)所述教學視頻對教學類型和教學質量進行分析并做出評價；教師終端201，所述教師終端201用于啟動課程錄制進程和開放評價端口；學生終端202，所述學生終端202用于在所述教師終端201開放所述評價端口時，對教師授課進行反饋，生成反饋信息；設置于教室內(nèi)的多個音視頻獲取裝置301，所述多個音視頻獲取裝置301中的至少一個用于定位跟蹤并采集授課教師的音視頻信號，所述多個音視頻獲取裝置301中的至少另一個用于采集上課學生的音視頻信號；設置于教室內(nèi)的音視頻處理裝置401，所述音視頻處理裝置401包括人像識別模塊和音視頻模塊，所述人像識別模塊用于識別教師的面部圖像并監(jiān)測學生專注程度；所述音視頻模塊將從所述音視頻獲取裝置301接收到的音視頻信號頻分復用并搭載所述反饋信息以獲得經(jīng)調制的數(shù)字信號，并將該經(jīng)調制的數(shù)字信號發(fā)送至所述巡課管理云服務器101。

在一些實施方式中，所述音視頻模塊對接收到的音視頻信號中教師的各種言行活動行為分別計算在一個采樣周期內(nèi)的權重值ui，如果在該采樣周期內(nèi)教師存在某種言行活動行為超過預定時長閾值，則ui＝1，否則ui＝0，i為大于1的自然數(shù)；其中，所述音視頻模塊對接收到的音視頻信號中學生的各種言行活動行為分別計算在一個采樣周期內(nèi)的權重值vj，如果在該采樣周期內(nèi)學生存在某種言行活動行為超過預定時長閾值，則vj＝1，否則vj＝0，j為大于1的自然數(shù)；其中，所述音視頻模塊計算課程中的教師行為飽和度pu和學生行為飽和度pv，其中pu＝∑ui/n，pv＝∑vj/n，n為在該采樣周期內(nèi)的采樣總數(shù)，∑ui為在該課程中ui的總和，∑vj為在該課程中vj的總和；計算教學質量評價值d，其中，

a、b、c和e為調整系數(shù)，所述反饋信息包括反饋分數(shù)fk，k為大于1的自然數(shù)，f為反饋分數(shù)fk的平均值，f＝∑fk/n，f1為第一閾值，f2為第二閾值；課程結束后，所述巡課管理云服務器101基于教師行為飽和度pu、學生行為飽和度pv和教學質量評價值d對教學類型進行劃分，并對教學質量做出評價。

在一些實施方式中，所述教師的各種言行活動行為包括：講課行為、提問與解答行為、板書行為、多媒體運用行為或巡視行為；其中，所述學生的各種言行活動行為包括：聽講行為、回答與提問行為、討論交流行為、書面筆記記錄行為或答題、或課堂違紀行為。

在一些實施方式中，所述教學類型包括：講授主導型、練習主導型、交互引導型。

在一些實施方式中，所述音視頻獲取裝置301獲取學生的圖像，所述人像識別模塊從學生的圖像識別出不專注行為，所述音視頻模塊對所識別出的不專注行為的時間長度進行統(tǒng)計，并計算出學生的專注程度g＝tn/t，tn為不專注行為的時間總長度，t為課堂時間；當專注程度g低于閾值時，該學生的學號被發(fā)送到所述教師終端201。特別是，將所述音視頻獲取裝置301的攝像頭設置于教室前方，設定該攝像頭高度h的范圍為2.5m～3m，其安裝角度介于arctan(h/l)-25°～arctan(h/l)+25°之間，其中l(wèi)為該攝像頭與最前排學生的水平距離，以保證該攝像頭在學生注視授課教師時可采集到學生臉部的眼睛。此外，所述教師終端201可以向所述學生終端202發(fā)送注意力提醒預警。

在一些實施方式中，所述不專注行為包括操作手機、打瞌睡或交頭接耳。

在一些實施方式中，僅在所述人像識別模塊判定學生出勤之后，所述學生終端202對授課課程進行反饋，并且所述反饋信息還包括提問、點贊或彈幕。

在一些實施方式中，所述音視頻模塊將從所述彈幕中提取出的關鍵詞輸入到支持向量機模型中，從而識別出學生對課程內(nèi)容的感興趣程度和關于理解接受程度的上課情緒，并且所述音視頻模塊根據(jù)感興趣程度和所述上課情緒對反饋分數(shù)fk進行修正，并利用修正后的反饋分數(shù)fkx進行計算。

在一些實施方式中，所述上課情緒包含興奮、冷漠、困惑、煩躁、疲憊或愉悅中的一種或多種。

在一些實施方式中，所述反饋信息包括時間戳。

在一些實施方式中，所述音視頻模塊還計算師生交互度i，其中i＝αr+βpu/pv，r＝(r-1)/n，r為行為切換率，r為該采樣周期內(nèi)教師的言行活動行為與學生的言行活動行為的切換次數(shù)，α、β為可調權重系數(shù)，所述巡課管理云服務器101還基于所述師生交互度i對教學類型進行劃分，并對教學質量做出評價。

在一些實施方式中，用信息熵o對所述教學類型進行修正，信息熵o＝∑milog2pj(mi為事件i的概率)，將計算出的所述教師的言行活動行為的信息熵和所述學生的言行活動行為的信息熵與預定的上限閾值和下限閾值進行比較，判斷教師和學生的行為是否符合預定課堂要求，對超出上限閾值和/或低于下限閾值的教師行為向所述教師終端201發(fā)送針對性提醒，對超出上限閾值和/或低于下限閾值的學生行為向所述學生終端202發(fā)送針對性提醒；并依據(jù)教師行為信息熵和在視頻上設置時間戳節(jié)點，便于視頻回看時便于快速巡課。