眼睛是获取外界信息的重要器官之一,采用计算机视觉方法对人眼注视方向进行检测,能够令机器更好地观察和理解人类的行为活动。本文以在线学习为课题研究背景,研究基于眼特征的注意力检测方法,将视线估计方法与头部姿态估计方法相结合,实现人脸图像中被测者注意力状态的自动识别。针对基于人脸图像的头部姿态估计问题,采用基于EPnP的头部姿态估计方法,该方法首先在人脸图像中识别出二维人脸关键点,然后采用EPnP方法获得人脸在三维坐标系下的角度信息,实现头部姿态的估计。针对基于人脸图像的视线估计问题,采用深度学习方法,对现有的残差网络进行改进,提出一种基于预激活残差网络的视线估计方法,该方法通过将BN层以及Re LU设置在卷积层之前构建具有预激活功能的残差块,再利用三个预激活残差块设计了一个预激活残差网络。该网络将眼睛图像作为模型的输入,通过融合头部姿态信息,估计人眼视线方向。最后,融合被测者的视线估计与头部姿态估计结果,实现基于视觉方法的注意力检测,并且利用上述方法构建了一个应用于在线学习的学生注意力检测系统。为了验证本文方法的有效性和鲁棒性,评估参数选择的合理性,采用公开数据集MPIIGaze进行仿真实验和性能评估。实验结果表明,本文提出的网络模型较传统的卷积神经网络稳定性更高且其在视线估计中效果更好,其平均角度误差为4.04°,与其他方法相比,误差较小、准确度较高,并且对于低质量图片具有较好的鲁棒性。在实际测试环境中,本文方法能够实现图像中被测者头部状态和注意力的自动识别,可以满足在线学习中学生学习状态的自动检测。