[发明专利]一种基于人脸表情和人体动作识别的课堂学习效率分析算法

摘要

一种基于人脸表情和人体动作识别的课堂学习效率分析算法，首先把一节课按照时间划分为多个区间段，并利用布置在教室内的监视与信息处理系统获取各区间段内每个同学的表情和动作等统计信息。该算法基于上述信息计算八种行为的个数在每个区间段的占比，根据占比赋予其动态权值，并建立“好”行为因子和“坏”行为因子模型，从而由集体“好”行为因子占总行为因子的比率计算集体课堂学习效率。同时，对课堂内每一个体计算“好”行为因子和“坏”行为因子，进而计算出个体课堂学习效率。综合集体课堂学习效率与个体课堂学习效率，确立一节课最终的课堂学习效率。本发明方法避免了单一的集体课堂学习效率算法带来的课堂学习效率过分转移，所得的效率分析结果能够较好的反应学生课堂学习情况。

主权项

1.一种基于人脸表情和人体动作识别的课堂学习效率分析算法，其特征在于包括以下步骤：步骤1，将一节课按时间分成M个区间段；利用布置在教室内的监视与信息处理系统，获取各区间段内每个同学的表情和动作等统计信息，基于N个学生上课时的表情和动作具体情况，设置“好”行为为Ai，i＝1,2,...,α；“坏”行为为Bi，i＝1,2,...,β；步骤2，计算学生集体课堂学习效率Pα，具体如下：步骤2‑1、首先根据每一种行为在各区间段总人数的表现，选取“好”行为A1,A2,A3,...,Aα在各区间的行为权值；步骤2‑2、计算每个区间段“好”行为因子P_jg，j＝1,2,3...M；其中：w_j1,w_j2,w_j3,...,w_jα分别为“好”行为A¹,A²,A³,...,A^α在第j区间的行为权值，A¹_ji,A²_ji,A³_ji,...,A^α_ji指第j区间段第i个学生若产生对应的行为时其值为1，否则为0；步骤2‑3、计算每个区间段“坏”行为因子P_jb，，j＝1,2,3...M；其中：w_b1,w_b2,w_b3,...,w_bβ分别为B¹_ji,B²_ji,B³_ji,...,B^β_ji的行为权值，其取值一般为固定值；B¹_ji,B²_ji,B³_ji,...,B^β_ji指第j区间段第i个学生若产生对应的行为时其值为1，否则为0；步骤2‑4、计算得到一节课内集体“好”行为因子集体“坏”行为因子步骤2‑5、计算集体课堂学习效率步骤3，考虑个体课堂学习效率算法来补偿集体算法的缺点，具体如下：步骤3‑1、计算每个学生的“好”行为因子P_ig，i＝1，2,3...N，班上总人数为N，其中：w_j1,w_j2,w_j3,...,w_jα分别为“好”行为A¹,A²,A³,...,A^α在第j区间的行为权值，A¹_ij,A²_ij,A³_ij,...,A^α_ij指第i个学生在第j区间若产生对应的行为时其值为1，否则为0；步骤3‑2、计算每个学生的“坏”行为因子P_ib,i＝1，2,3...N，班上总人数为N，其中：w_b1,w_b2,w_b3,...,w_bβ分别为“坏”行为B¹,B²,B³,...,B^β的行为权值，其取值一般为固定值，B¹_ij,B²_ij,B³_ij,...,B^β_ij指第i个学生在第j区间若产生对应的行为时其值为1，否则为0；步骤3‑3、计算一节课内每个学生的课堂学习效率统计出p_i≥P_set的人数Z,P_set表示学生的期望课堂学习效率定值，可以视具体情况而定，进一步，计算个体课堂学习效率为步骤4，根据步骤2和步骤3所得的pa和pβ，可以得出考虑个体因素的集体算法的最终课堂效率计算结果为p＝λ1pα+λ2pβ，其中：λ1，λ2分别为Pα和Pβ的分配系数，可视具体情况而定。