基于人工智能视频处理的课堂学生状态分析

发布时间：2022-01-19 18:48

　　传统专家随堂听课方式的教学质量评价在人员、时间方面花费很大。对此,文章基于课堂视频,采用人工智能的方法,对学生状态进行分析并对指标进行量化:通过深度学习算法对学生数量进行检测,通过机器学习算法对学生位置分布进行分析、对学生人脸关键点进行检测并对学生表情进行分类。评价内容主要包含学生数量检测及位置分布、学生表情及姿态识别,以及对学生个体、整体的统计分析等。该课堂评价体系具有信息反馈的实时性和高效性,可辅助教师改进授课方式。 

【文章来源】：现代教育技术. 2019,29(12)北大核心CSSCI

【文章页数】：7 页

【部分图文】：

部分特征变化曲线图

本研究选取11624样本跑出的模型结果，结合姿态特征进行视频检测，X,Y,Z分别代表欧拉角中的Pitch俯仰角、Yaw偏航角、Roll翻滚角，蓝色的线代表面部指向，识别结果如图6所示。三学生状态的统计分析

根据这两个指标绘制课堂总体时间轴活跃度的变化曲线，横轴代表帧数，纵轴代表转向活跃度和表情活跃度指标。个体与总体的活跃度变化趋势如图7所示，虚线代表表情活跃度，实线代表转向活跃度，可见此同学在课堂前期左右转向频繁（这可能与教师走动有关），而后期趋于平缓；整体而言，课堂上学生的参与度较好，表情活跃的学生占比较高，课堂气氛较为活跃。四结语

【参考文献】：
期刊论文
[1]课堂教学自动评价及其初步研究成果[J]. 骆祖莹,张丹慧.  现代教育技术. 2018(08)
[2]三种坐标转换模型的比较[J]. 宋世泽,郑勇,王鼎蔚.  全球定位系统. 2016(06)
[3]智能视频监控技术综述[J]. 黄凯奇,陈晓棠,康运锋,谭铁牛.  计算机学报. 2015(06)
[4]人脸面部表情识别的研究进展[J]. 何良华,邹采荣,包永强,赵力.  电路与系统学报. 2005(01)

硕士论文
[1]人脸面部表情识别算法研究[D]. 钟思志.华东师范大学 2015



本文编号：3597372