[go: up one dir, main page]

CN113033514B - 一种基于网络课堂学员积极度评价方法 - Google Patents

一种基于网络课堂学员积极度评价方法 Download PDF

Info

Publication number
CN113033514B
CN113033514B CN202110566458.3A CN202110566458A CN113033514B CN 113033514 B CN113033514 B CN 113033514B CN 202110566458 A CN202110566458 A CN 202110566458A CN 113033514 B CN113033514 B CN 113033514B
Authority
CN
China
Prior art keywords
image
value
student
eyeball
pixel points
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110566458.3A
Other languages
English (en)
Other versions
CN113033514A (zh
Inventor
陈军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Plaso Network Technology Co ltd
Original Assignee
Nanjing Plaso Network Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Plaso Network Technology Co ltd filed Critical Nanjing Plaso Network Technology Co ltd
Priority to CN202110566458.3A priority Critical patent/CN113033514B/zh
Publication of CN113033514A publication Critical patent/CN113033514A/zh
Application granted granted Critical
Publication of CN113033514B publication Critical patent/CN113033514B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/19—Sensors therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Human Computer Interaction (AREA)
  • Educational Administration (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Ophthalmology & Optometry (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于网络课堂学员积极度评价方法，其特征在于，包括以下步骤：S1、在学员学习过程中对学员进行实况录像并上传；S2、提取帧图像；S3、获得人脸的预处理图像I[x,y]；S4、建立垂直灰度积分投影曲线，获得上升点n1和下降点n2；S5、对图像左右边界进行裁剪，获得裁剪后的人脸图像；S6、二值化处理，获得二值化图像；S7、获得眼球像素点，取同一范围内眼球像素点的中间点位置，计算两个眼球像素点的连线长度L；S8、统计上述连线长度L的数值，并将低于该数值设定范围内的数据标记为不正常长度数据，统计上述不正常数据长度数量。本发明能够有效体现学员学习的积极度。

Description

一种基于网络课堂学员积极度评价方法
技术领域
本发明涉及一种基于网络课堂学员积极度评价方法。
背景技术
随着我国教育信息化的推进，网络课堂教学发展迅猛，但网络课堂所采用的技术工具未得到有效涉及，因此本应为课堂现状带来显著改变的技术还未能激发网络课堂的巨大潜能。
网络课堂相较于线下课堂不仅可以根据需求挑选自己喜欢的老师，课程可以多次循环播放，另外相对利用时间也比较方便。
但是，网络课堂也存在有一定的劣势，比如学习质量较差，而学习质量在某些阶段性教育中又显得格外重要。
发明内容
本发明的目的在于提出一种能够有效提高网络课堂学习质量的系统。
为解决上述问题，本发明提供了一种基于网络课堂学员积极度评价方法，包括以下步骤：
S1、在学员学习过程中对学员进行实况录像并上传；
S2、按设定时间间隔提取上传实况录像至少一帧图像；
S3、对S2步骤中提取的图像进行预处理，预处理包括灰度化处理和归一化处理，从而获得人脸的预处理图像I[x,y]；
S4、对预处理图像I[x,y]建立垂直灰度积分投影曲线，在垂直灰度积分投影曲线中获得连续上升中最小函数值的上升点n1，以及连续下降中最小函数值的下降点n2；
S5、将所述上升点n1作为人脸图像的左边界，将所述下降点n2作为人脸识别的右边界进行裁剪，获得裁剪后的人脸图像；
S6、对所述裁剪后的人脸图像进行二值化处理，获得二值化图像；
S7、自左向右或者自右向左对所述二值化图像进行扫描，将连续阈值范围内RGB值为0的像素点定义为眼球像素点，取同一范围内眼球像素点的中间点位置，计算两个眼球像素点的连线长度L；
S8、统计所述连线长度L的数值，并将低于连线长度L的数值设定范围内的数据标记为不正常长度数据，统计所述不正常长度数据的数量。
作为本发明的进一步改进，所述步骤S4中，将所述预处理图像I[x,y]在图像M×N上的垂直灰度积分投影曲线函数定义为
Figure DEST_PATH_IMAGE001
，并使用M×D的图像块在预处理图像I[x,y]移动以计算垂直灰度积分投影曲线函数的数值，其计算公式为
Figure 289105DEST_PATH_IMAGE002
，其中M为所述预处理图像I的高度，N和D均为所述预处理图像的宽度，所述D值取5。
作为本发明的进一步改进，所述步骤S7中，对所述二值化图像进行扫描时，当某像素点相邻RGB值为0的像素点超过设定个数时，将该像素点的相邻像素点的RGB值都设定为0。
作为本发明的进一步改进，还包括步骤S7.5、测量每一侧眼球像素点最大高度差获得眼球的高度数值H，
所述步骤S8中，统计所述高度数值H，并将低于高度数值H设定范围内的数据标记为不正常高度数据，统计所述不正常高度数据的数量。
作为本发明的进一步改进，所述步骤S2包括：
S2.1 将接收到的视频按照设定时间分割成若干视频段；
S2.2 储存所述视频段，并按照时间顺序予以标记，所述步骤S3中按时间顺序标记提取最早被保存的所述视频段，所述视频段被提取后将其删除。
作为本发明的进一步改进，所述步骤S3中的归一化处理包括：
S3.1、对眼睛进行初定位，在存储的人脸样本集合中任意截取一个眼睛图像作为眼睛模板图像，定义
Figure DEST_PATH_IMAGE003
，其中IT为与眼睛模板相对的人脸图像；I为提取的人脸图像，
Figure 832344DEST_PATH_IMAGE004
为均值算子；ITI为图像的乘积；
Figure DEST_PATH_IMAGE005
为图像区域的标准均方差，提取的人脸图像与眼睛模板匹配处的相关系数有最大值处，为眼睛的位置；
S3.2、眼睛定位后，根据两眼连线旋转，使得两眼连线与水平线重合。
作为本发明的进一步改进，述步骤S3.1中，对截取的眼睛模板图像，将其比例尺寸设定为0.6、0.8、1.0、1.2、1.4分别作为修正后的眼睛模板图像，并取人脸图像与各修正后的眼睛模板图像匹配处的相关系数最大值中的最大者作为最终选定的修正眼睛模板，根据选定的修正眼球模板比例尺寸调整人脸图像的比例。
作为本发明的进一步改进，所述步骤S3中灰度化处理后获得8位灰度化图像。
本发明的有益效果在于，在学员学习过程中对学员进行全程视频摄影，并通过流媒体技术将实时视频上传分析，按设定时间间隔提取图像，标定该图像中两个眼球位置并测量两个眼球之间的距离，并统计该眼球距离，得出眼球合理值范围，并将低于该合理值范围的眼球距离数据标记为不正常，当不正常的数据的次数既能体现学员学习的积极度。
具体实施方式
下面通过具体实施方式来进一步说明本发明的技术方案。
本发明包括以下步骤：
S1、在学员学习过程中对学员进行实况录像并上传；
S2、按设定时间间隔提取上传实况录像至少一帧图像；
S3、对上述步骤中提取的图像进行预处理，该预处理包括灰度化处理和归一化处理，从而获得人脸的预处理图像I[x,y]；
S4、对预处理图像I[x,y]建立垂直灰度积分投影曲线，在该垂直灰度积分投影曲线中获得连续上升中最小函数值的上升点n1，以及连续下降中最小函数值的下降点n2；
S5、将上述上升点n1作为人脸图像的左边界，将上述下降点n2作为人脸识别的右边界进行裁剪，获得裁剪后的人脸图像；
S6、对所述裁剪后的人脸图像进行二值化处理，获得二值化图像；
S7、自左向右或者自右向左对上述二值化图像进行扫描，将连续阈值范围内RGB值为0的像素点定义为眼球像素点，取同一范围内眼球像素点的中间点位置，计算两个眼球像素点的连线长度L；
S8、统计上述连线长度L的数值，并将低于该数值设定范围内的数据标记为不正常长度数据，统计上述不正常数据长度数量。
作为本发明的进一步改进，所述步骤S4中，将所述预处理图像I[x,y]在图像M×N上的垂直灰度积分投影曲线函数定义为
Figure 425130DEST_PATH_IMAGE006
，并使用M×D的图像块在预处理图像I[x,y]移动以计算该垂直灰度积分投影曲线函数的数值，其计算公式为
Figure DEST_PATH_IMAGE007
，其中M为所述预处理图像I的高度，N和D均为所述预处理图像的宽度，所述D值取5。
作为本发明的进一步改进，所述步骤S7中，对所述二值化图像进行扫描时，当某像素点相邻RGB值为0的像素点超过设定个数时，将该像素点的相邻像素点的RGB值都设定为0。
作为本发明的进一步改进，
还包括步骤S7.5、测量每一侧眼球像素点最大高度差获得眼球高度数值H，
所述步骤S8中，能够统计上述高度数值H，并将低于该数值设定范围内的数据标记为不正常数据，统计上述不正常数据高度数量。
作为本发明的进一步改进，所述步骤S2包括：
S2.1 将接受到的视频按照设定时间分割成若干视频段；
S2.2 储存上述视频段，并按照时间顺序予以标记，所述步骤S3中按时间顺序标记提取最早被保存的所述视频段，该视频段被提取后所述被将其删除。
作为本发明的进一步改进，所述步骤S3中的归一化处理包括：
S3.1、对眼睛进行初定位，在存储的人脸样本集合中任意截取一个眼睛图像作为眼睛模板图像，定义
Figure 123135DEST_PATH_IMAGE008
，其中IT为与眼睛模板相对的人脸图像；I为提取的人脸图像，
Figure DEST_PATH_IMAGE009
为均值算子；ITI为图像的乘积；
Figure 514671DEST_PATH_IMAGE010
为图像区域的标准均方差，提取的人脸图像与眼睛模板匹配处的相关系数有最大值处，为眼睛的位置；
S3.2、眼睛定位后，根据两眼连线旋转，使得该连线与水平线重合。
作为本发明的进一步改进，所述步骤S3.1中，对截取的眼睛模板图像，将其比例尺寸分别设定为0.6、0.8、1.0、1.2、1.4分别作为修正后的眼睛模板图像，并取人脸图像与各修正后的眼睛模板图像匹配处的相关系数最大值中的最大者作为最终选定的修正眼睛模板，根据该选定的修正眼球模板比例尺调整人脸图像的比例。
作为本发明的进一步改进，所述步骤S3中灰度化处理后获得8位灰度化图像。
实施例一、
S1、在学员学习过程中对学员进行实况录像并上传；
S2、按设定时间间隔提取上传实况录像至少一帧图像；
S3、对上述步骤中提取的图像进行预处理，该预处理包括灰度化处理和归一化处理，从而获得人脸的预处理图像I[x,y]；
S4、对预处理图像I[x,y]建立垂直灰度积分投影曲线，在该垂直灰度积分投影曲线中获得连续上升中最小函数值的上升点n1，以及连续下降中最小函数值的下降点n2；
S5、将上述上升点n1作为人脸图像的左边界，将上述下降点n2作为人脸识别的右边界进行裁剪，获得裁剪后的人脸图像；
S6、对所述裁剪后的人脸图像进行二值化处理，获得二值化图像；
S7、自左向右或者自右向左对上述二值化图像进行扫描，将连续阈值范围内RGB值为0的像素点定义为眼球像素点，取同一范围内眼球像素点的中间点位置，计算两个眼球像素点的连线长度L；
S8、统计上述连线长度L的数值，并将低于该数值设定范围内的数据标记为不正常长度数据，统计上述不正常数据长度数量。
实施例二、
S1、在学员学习过程中对学员进行实况录像并上传；
S2、按设定时间间隔提取上传实况录像至少一帧图像；
S3、对上述步骤中提取的图像进行预处理，该预处理包括灰度化处理和归一化处理，从而获得人脸的预处理图像I[x,y]；
S4、对预处理图像I[x,y]建立垂直灰度积分投影曲线，将所述预处理图像I[x,y]在图像M×N上的垂直灰度积分投影曲线函数定义为
Figure DEST_PATH_IMAGE011
，并使用M×D的图像块在预处理图像I[x,y]移动以计算该垂直灰度积分投影曲线函数的数值，其计算公式为
Figure 946920DEST_PATH_IMAGE012
，其中M为所述预处理图像I的高度，N和D均为所述预处理图像的宽度，所述D值取5，在该垂直灰度积分投影曲线中；
S5、将上述上升点n1作为人脸图像的左边界，将上述下降点n2作为人脸识别的右边界进行裁剪，获得裁剪后的人脸图像；
S6、对所述裁剪后的人脸图像进行二值化处理，获得二值化图像；
S7、自左向右或者自右向左对上述二值化图像进行扫描，将连续阈值范围内RGB值为0的像素点定义为眼球像素点，取同一范围内眼球像素点的中间点位置，计算两个眼球像素点的连线长度L；
S8、统计上述连线长度L的数值，并将低于该数值设定范围内的数据标记为不正常长度数据，统计上述不正常数据长度数量。
实施例三、
S1、在学员学习过程中对学员进行实况录像并上传；
S2、按设定时间间隔提取上传实况录像至少一帧图像；
S3、对上述步骤中提取的图像进行预处理，该预处理包括灰度化处理和归一化处理，从而获得人脸的预处理图像I[x,y]；
S4、对预处理图像I[x,y]建立垂直灰度积分投影曲线，将所述预处理图像I[x,y]在图像M×N上的垂直灰度积分投影曲线函数定义为
Figure DEST_PATH_IMAGE013
，并使用M×D的图像块在预处理图像I[x,y]移动以计算该垂直灰度积分投影曲线函数的数值，其计算公式为
Figure 794047DEST_PATH_IMAGE014
，其中M为所述预处理图像I的高度，N和D均为所述预处理图像的宽度，所述D值取5，在该垂直灰度积分投影曲线中；
S5、将上述上升点n1作为人脸图像的左边界，将上述下降点n2作为人脸识别的右边界进行裁剪，获得裁剪后的人脸图像；
S6、对所述裁剪后的人脸图像进行二值化处理，获得二值化图像，；
S7、自左向右或者自右向左对上述二值化图像进行扫描，将连续阈值范围内RGB值为0的像素点定义为眼球像素点，另外，当某像素点相邻RGB值为0的像素点超过设定个数时，将该像素点的相邻像素点的RGB值都设定为0，取同一范围内眼球像素点的中间点位置，计算两个眼球像素点的连线长度L；
S8、统计上述连线长度L的数值，并将低于该数值设定范围内的数据标记为不正常长度数据，统计上述不正常数据长度数量。
实施例四、
S1、在学员学习过程中对学员进行实况录像并上传；
S2、按设定时间间隔提取上传实况录像至少一帧图像；
S3、对上述步骤中提取的图像进行预处理，该预处理包括灰度化处理和归一化处理，从而获得人脸的预处理图像I[x,y]；
S4、对预处理图像I[x,y]建立垂直灰度积分投影曲线，将所述预处理图像I[x,y]在图像M×N上的垂直灰度积分投影曲线函数定义为
Figure DEST_PATH_IMAGE015
，并使用M×D的图像块在预处理图像I[x,y]移动以计算该垂直灰度积分投影曲线函数的数值，其计算公式为
Figure 898007DEST_PATH_IMAGE016
，其中M为所述预处理图像I的高度，N和D均为所述预处理图像的宽度，所述D值取5，在该垂直灰度积分投影曲线中；
S5、将上述上升点n1作为人脸图像的左边界，将上述下降点n2作为人脸识别的右边界进行裁剪，获得裁剪后的人脸图像；
S6、对所述裁剪后的人脸图像进行二值化处理，获得二值化图像，；
S7、自左向右或者自右向左对上述二值化图像进行扫描，将连续阈值范围内RGB值为0的像素点定义为眼球像素点，另外，当某像素点相邻RGB值为0的像素点超过设定个数时，将该像素点的相邻像素点的RGB值都设定为0，取同一范围内眼球像素点的中间点位置，计算两个眼球像素点的连线长度L；
S7.5、测量每一侧眼球像素点最大高度差获得眼球高度数值H；
S8、统计上述连线长度L的数值，并将低于该数值设定范围内的数据标记为不正常长度数据，统计上述不正常数据长度数量；同时，统计上述高度数值H，并将低于该数值设定范围内的数据标记为不正常数据，统计上述不正常数据高度数量。
实施例五、
S1、在学员学习过程中对学员进行实况录像并上传；
S2、按设定时间间隔提取上传实况录像至少一帧图像；
S3、对上述步骤中提取的图像进行预处理，该预处理包括灰度化处理和归一化处理，从而获得人脸的预处理图像I[x,y]；
S3.1、对眼睛进行初定位，在存储的人脸样本集合中任意截取一个眼睛图像作为眼睛模板图像，定义
Figure DEST_PATH_IMAGE017
，其中IT为与眼睛模板相对的人脸图像；I为提取的人脸图像，
Figure 583197DEST_PATH_IMAGE018
为均值算子；ITI为图像的乘积；
Figure DEST_PATH_IMAGE019
为图像区域的标准均方差，提取的人脸图像与眼睛模板匹配处的相关系数有最大值处，为眼睛的位置；
S3.2、眼睛定位后，根据两眼连线旋转，使得该连线与水平线重合。
作为本发明的进一步改进，所述步骤S3.1中，对截取的眼睛模板图像，将其比例尺寸分别设定为0.6、0.8、1.0、1.2、1.4分别作为修正后的眼睛模板图像，并取人脸图像与各修正后的眼睛模板图像匹配处的相关系数最大值中的最大者作为最终选定的修正眼睛模板，根据该选定的修正眼球模板比例尺调整人脸图像的比例。
S4、对预处理图像I[x,y]建立垂直灰度积分投影曲线，将所述预处理图像I[x,y]在图像M×N上的垂直灰度积分投影曲线函数定义为
Figure 484551DEST_PATH_IMAGE020
，并使用M×D的图像块在预处理图像I[x,y]移动以计算该垂直灰度积分投影曲线函数的数值，其计算公式为
Figure DEST_PATH_IMAGE021
，其中M为所述预处理图像I的高度，N和D均为所述预处理图像的宽度，所述D值取5，在该垂直灰度积分投影曲线中；
S5、将上述上升点n1作为人脸图像的左边界，将上述下降点n2作为人脸识别的右边界进行裁剪，获得裁剪后的人脸图像；
S6、对所述裁剪后的人脸图像进行二值化处理，获得二值化图像，；
S7、自左向右或者自右向左对上述二值化图像进行扫描，将连续阈值范围内RGB值为0的像素点定义为眼球像素点，另外，当某像素点相邻RGB值为0的像素点超过设定个数时，将该像素点的相邻像素点的RGB值都设定为0，取同一范围内眼球像素点的中间点位置，计算两个眼球像素点的连线长度L；
S7.5、测量每一侧眼球像素点最大高度差获得眼球高度数值H；
S8、统计上述连线长度L的数值，并将低于该数值设定范围内的数据标记为不正常长度数据，统计上述不正常数据长度数量；同时，统计上述高度数值H，并将低于该数值设定范围内的数据标记为不正常数据，统计上述不正常数据高度数量。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (7)

1.一种基于网络课堂学员积极度评价方法，其特征在于，包括以下步骤：
S1、在学员学习过程中对学员进行实况录像并上传；
S2、按设定时间间隔提取上传实况录像至少一帧图像；
S3、对S2步骤中提取的图像进行预处理，预处理包括灰度化处理和归一化处理，从而获得人脸的预处理图像I[x,y]；
S4、对预处理图像I[x,y]建立垂直灰度积分投影曲线，在垂直灰度积分投影曲线中获得连续上升中最小函数值的上升点n1，以及连续下降中最小函数值的下降点n2；
S5、将所述上升点n1作为人脸图像的左边界，将所述下降点n2作为人脸识别的右边界进行裁剪，获得裁剪后的人脸图像；
S6、对所述裁剪后的人脸图像进行二值化处理，获得二值化图像；
S7、自左向右或者自右向左对所述二值化图像进行扫描，将连续阈值范围内RGB值为0的像素点定义为眼球像素点，取同一范围内眼球像素点的中间点位置，计算两个眼球像素点的连线长度L；
S8、统计所述连线长度L的数值，并将低于连线长度L的数值设定范围内的数据标记为不正常长度数据，统计所述不正常长度数据的数量，通过不正常数据的次数体现学员学习的积极度；
其中：
所述步骤S4中，将所述预处理图像I[x,y]在图像M×N上的垂直灰度积分投影曲线函数定义为
Figure 453237DEST_PATH_IMAGE001
，并使用M×D的图像块在预处理图像I[x,y]移动以计算垂直灰度积分投影曲线函数的数值，其计算公式为
Figure 317288DEST_PATH_IMAGE002
，其中M为所述预处理图像I的高度，N和D均为所述预处理图像的宽度，所述D值取5。
2.根据权利要求1所述的一种基于网络课堂学员积极度评价方法，其特征在于，所述步骤S7中，对所述二值化图像进行扫描时，当某像素点相邻RGB值为0的像素点超过设定个数时，将该像素点的相邻像素点的RGB值都设定为0。
3.根据权利要求2所述的一种基于网络课堂学员积极度评价方法，其特征在于，还包括步骤S7.5、测量每一侧眼球像素点最大高度差获得眼球的高度数值H，
所述步骤S8中，统计所述高度数值H，并将低于高度数值H设定范围内的数据标记为不正常高度数据，统计所述不正常高度数据的数量。
4.根据权利要求3所述的一种基于网络课堂学员积极度评价方法，其特征在于，所述步骤S2包括：
S2.1 将接收到的视频按照设定时间分割成若干视频段；
S2.2 储存所述视频段，并按照时间顺序予以标记，所述步骤S3中按时间顺序标记提取最早被保存的所述视频段，所述视频段被提取后将其删除。
5.根据权利要求4所述的一种基于网络课堂学员积极度评价方法，其特征在于，所述步骤S3中的归一化处理包括：
S3.1、对眼睛进行初定位，在存储的人脸样本集合中任意截取一个眼睛图像作为眼睛模板图像，定义
Figure 613883DEST_PATH_IMAGE003
，其中IT为与眼睛模板相对的人脸图像；I为提取的人脸图像，为均值算子；ITI为图像的乘积；
Figure 905187DEST_PATH_IMAGE004
为图像区域的标准均方差，提取的人脸图像与眼睛模板匹配处的相关系数有最大值处，为眼睛的位置；
S3.2、眼睛定位后，根据两眼连线旋转，使得两眼连线与水平线重合。
6.根据权利要求5所述的一种基于网络课堂学员积极度评价方法，其特征在于，所述步骤S3.1中，对截取的眼睛模板图像，将其比例尺寸设定为0.6、0.8、1.0、1.2、1.4分别作为修正后的眼睛模板图像，并取人脸图像与各修正后的眼睛模板图像匹配处的相关系数最大值中的最大者作为最终选定的修正眼睛模板，根据选定的修正眼球模板比例尺寸调整人脸图像的比例。
7.根据权利要求6所述的一种基于网络课堂学员积极度评价方法，其特征在于，所述步骤S3中灰度化处理后获得8位灰度化图像。
CN202110566458.3A 2021-05-24 2021-05-24 一种基于网络课堂学员积极度评价方法 Active CN113033514B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110566458.3A CN113033514B (zh) 2021-05-24 2021-05-24 一种基于网络课堂学员积极度评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110566458.3A CN113033514B (zh) 2021-05-24 2021-05-24 一种基于网络课堂学员积极度评价方法

Publications (2)

Publication Number Publication Date
CN113033514A CN113033514A (zh) 2021-06-25
CN113033514B true CN113033514B (zh) 2021-08-17

Family

ID=76455710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110566458.3A Active CN113033514B (zh) 2021-05-24 2021-05-24 一种基于网络课堂学员积极度评价方法

Country Status (1)

Country Link
CN (1) CN113033514B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101305913B (zh) * 2008-07-11 2010-06-09 华南理工大学 一种基于视频的人脸美丽评价方法
CN108256392A (zh) * 2016-12-29 2018-07-06 广州映博智能科技有限公司 基于投影积分和区域灰度极值的瞳孔区域定位方法
CN111860423A (zh) * 2020-07-30 2020-10-30 江南大学 一种改进的积分投影法的人眼定位方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739546A (zh) * 2008-11-05 2010-06-16 沈阳工业大学 基于图像交叉重建的单样本注册图像人脸识别方法
US9952042B2 (en) * 2013-07-12 2018-04-24 Magic Leap, Inc. Method and system for identifying a user location
CN106682603B (zh) * 2016-12-19 2020-01-21 陕西科技大学 一种基于多源信息融合的实时驾驶员疲劳预警系统
CN109446880A (zh) * 2018-09-05 2019-03-08 广州维纳斯家居股份有限公司 智能用户参与度评价方法、装置、智能升降桌及存储介质
CN112329631A (zh) * 2020-11-05 2021-02-05 浙江点辰航空科技有限公司 一种使用无人机对高速公路进行车流量统计的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101305913B (zh) * 2008-07-11 2010-06-09 华南理工大学 一种基于视频的人脸美丽评价方法
CN108256392A (zh) * 2016-12-29 2018-07-06 广州映博智能科技有限公司 基于投影积分和区域灰度极值的瞳孔区域定位方法
CN111860423A (zh) * 2020-07-30 2020-10-30 江南大学 一种改进的积分投影法的人眼定位方法

Also Published As

Publication number Publication date
CN113033514A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN113762107B (zh) 对象状态评估方法、装置、电子设备及可读存储介质
CN110689013A (zh) 一种基于特征识别的自动阅卷方法及系统
CN106033544B (zh) 基于模板匹配的试卷内容区域提取方法
CN106033535B (zh) 电子阅卷方法
CN105046200B (zh) 基于直线检测的电子阅卷方法
CN112700414B (zh) 一种用于考试阅卷的空白作答检测方法及系统
DE112017005011T5 (de) Verfahren zum Erzeugen eines eingelernten Modells, Vorrichtung zum Erzeugen eines eingelernten Modells, Verfahren zum Unterscheiden von Signaldaten, Vorrichtung zum Unterscheiden von Signaldaten und Programm zum Unterscheiden von Signaldaten
CN112183238A (zh) 一种远程教育注意力检测方法及系统
CN103996192A (zh) 基于高质量自然图像统计量模型的无参考图像质量评价方法
CN110415207A (zh) 一种基于图像失真类型的图像质量评估的方法
CN117152648B (zh) 一种基于增强现实的辅助教学识图装置
CN119026999A (zh) 一种基于深度学习的课堂信息化评价管理系统
CN106033534B (zh) 基于直线检测的电子阅卷方法
CN112801965A (zh) 一种基于卷积神经网络的烧结皮带异物监测方法及系统
CN113947570A (zh) 一种基于机器学习算法和计算机视觉的裂纹辨识方法
CN107067399A (zh) 一种试卷图像分割处理方法
CN108428073A (zh) 一种用于教师教学质量的智能评价系统
CN111144151A (zh) 一种基于图像识别的高速动态条码实时检测方法
CN113469001A (zh) 一种基于深度学习的学生课堂行为检测方法
CN113033514B (zh) 一种基于网络课堂学员积极度评价方法
CN115393861A (zh) 一种手写体文本精准分割方法
CN113610185B (zh) 基于主色调识别的木材色选方法
CN104077562B (zh) 一种答卷的扫描方向判断方法
US20170358273A1 (en) Systems and methods for resolution adjustment of streamed video imaging
CN116433494B (zh) 一种基于深度学习的档案扫描图像自动纠偏裁边方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant