论文部分内容阅读
在传统教学课堂中,教师只能通过课堂观察和提问的方式对学生的课堂学习过程进行评估,由于条件受到限制,教师难以做到及时了解每位学生的课堂学习状态。如果可以对每位学生的课堂学习状态进行全面与科学的分析,将有助于教师根据分析结果制定一套更加高效的课堂教学方案,这样就可以针对性地提高每位学生的课堂学习效率。而面部特征变化可以作为判断学生学习状态的一个重要衡量依据,由于学生在学习过程中一般不会出现过于丰富的面部特征变化,研究根据有限的面部特征变化来判断学生学习状态的技术就显得十分必要。本文对如何判断学生学习状态的技术进行了研究与分析,根据面部特征中眼睛和嘴巴的特征变化来重点研究学生的学习状态,并在此基础上设计了基于面部特征的学生学习状态检测系统。该系统工作的基本流程是:首先通过摄像头获取学生的上课视频,然后进行图像预处理、人脸检测和人脸识别,紧接着在检测到的人脸图像中定位眼睛和嘴巴的特征点,并设计眼睛和嘴巴的状态变化算法计算二者相应的特征参数值,最后通过眼睛和嘴巴的参数变化对学生的学习状态进行分类与检测,并将学生的学习状态归类为专注、疑惑和疲劳三种状态。本文的主要研究内容与工作包括:(1)采用改进的AlexNet网络进行人脸识别,分别对网络结构中的卷积层和全连接层进行优化处理,目的是为了提高算法识别的精准度以及缩短人脸识别的时间,以满足学习状态检测系统实时性高的要求;(2)采用AAM算法标记和跟踪人脸特征点,构建人脸的AAM模型,提取学生的眼睛和嘴巴特征点。使用P80标准的PERCLOS方法和眨眼频率判断学生的疲劳程度,结合嘴巴的高宽比和嘴角弧度的变化,共同判断学生的学习状态;(3)将计算得到的眼睛高宽比、PERCLOS值、眨眼频率、嘴巴高宽比、嘴巴弧度值的参数进行归一化处理,作为特征输入向量,使用支持向量机分类器对学生的三种学习状态进行分类识别,并对分类结果进行检测;(4)设计开发了一套简单易用的学习状态检测系统,通过相关算法分别进行人脸检测、人脸识别、眼睛和嘴巴状态的检测以及学习状态的检测。综上分析得到每个学生在每个时段的学习状态,并根据系统操作者的需求实时反馈相应检测结果。利用本文设计的系统对某课程下的16个学生进行了学习状态检测实验。实验结果表明,本文通过眼睛和嘴巴的状态变化可以有效地判决出学生的学习状态是属于专注、疑惑和疲劳三种学习状态中的哪一种状态,检测的准确率较高,具有一定的应用价值。