基于FABEMD的智能課堂

鄭鑫 袁萌 王宇 陳雪鋒

【摘 要】為了解決傳統課堂模式的問題，不可能將每個學生的情況數字化。系統使用B / S架構將相關核心數據集中在服務器上。主要運用了物聯網技術、圖像識別和處理技術以及大數據分析技術，通過在高校的教室中安裝高清攝像頭，監控課堂上學生上課時的畫面，對畫面進行識別、處理及分析，并及時反饋給師生及教務主管部門，為了跟蹤學生的課堂狀態，以提高課堂教學效果。

【關鍵詞】人臉識別；數據分析；課堂點名

1 引言

相比于中學時期高強度的學習生活，高校生活輕松自在，時間自由度大，各種學生組織琳瑯滿目，本來應該是學習的時候，打手機，睡覺，聊天都成了日常生活。該系統致力于提高課堂效率，并監督學生完成每節課的任務。對于許多大學生來說，學習并不是一種樂趣，所以如果你想學好，你必須先學會痛苦。在學習過程中，你必須受慣性約束，學會接受自律或其他法律。自律如果做不到，就必須他律。他律就是規范，就是管理。

2 大學生上課質量現狀分析

通過隨機在各大學調查發現，有80%的男生有過逃課經歷，而女生中也有50%的人有過逃課經歷，從逃課頻率來看，20%的同學經常逃課。大學是人生一個很重要的階段，我們不能只顧觀賞風景而忘記我們的任務是堅持奔跑。我們要始終堅信高科技能夠引領我們前進，而不是倒退。

對許多大學生來說，學習不是一件享受的事情，所以要想學好，就必須先學會吃點苦，不能圖輕松。在學習過程中，就得對自己的惰性有所約束，學會接受自律或他律。自律如果做不到，就必須他律。他律就是規范，就是管理。

2.1 傳統視頻監控系統的不足

目前，在教室里安裝監控已經非常普及，但是很難發揮出其除視頻記錄外的其他功能。大多數現有的視頻監控系統通常以兩種方式使用監控結果：

（1）記錄攝像機拍攝的視頻，并在發生意外事件時通過播放保存的視頻來觀察發生的事實。但這經常為時已晚，不利于學校進行預防和調整。

（2）將多個監控畫面集中在一個監控室內，監控觀察員同時觀看監控室內的幾十個屏幕。當工作人員通過監控發現異常時，將會手動通知安全人員進行處理。但是，根據調查，一個人每小時可以集中精力超過20分鐘。另外，由于攝像機數量眾多，每個顯示器經常依次顯示多個攝像機。因此，監視器觀看每臺攝像機的平均時間小于每小時5分鐘，無法有效管理。由人工手動監控的大量視頻數據成本高，效率非常低。總之，許多行業越來越需要與之配套的智能監控系統。

2.2 智能視頻監控系統的定義及其優點

智能視頻監控是利用計算機視覺，數字圖像處理和視頻圖像分析而無需人工干預。由攝像機捕獲的視頻圖像序列的自動分析使系統能夠識別和判斷場景中的行為。與傳統視頻監控系統相比，智能視頻監控系統具有許多優勢：

（1）無限監控。智能視頻監控系統可以24小時無延遲監控監控圖像，自動分析，提高事件分析效率，及時反饋，及時查看。

（2）提升準度。智能系統將調用各個模塊降低誤查以及漏查的概率。

總之，智能一直是計算機視覺研究的熱點之一，也是時代的必然發展。建立“智能教室”是提高教學質量的新支點和新動力。傳統視頻監控系統與人工智能相結合是時代潮流，因此開發課堂智能監控技術勢在必行。

3 智能課堂監控與分析系統設計

該系統中所采用的已經是現在較為成熟的FBAEMD人臉識別算法進行監控畫面中對學生的人臉進行識別分析。由于人人臉對象候選矩形獲取模塊包含的人臉最優分類器訓練模塊和人眼最優分類器訓練模塊其算法的核心思想相同。

3.1 人臉對象候選矩形模塊

人臉對象候選矩形獲取模塊包含 Adaboost 人臉最優分類器訓練模塊總體框架如圖所示。訓練系統總體框架，由兩部分組成，

即“訓練部分”和“補充部分”。以正負樣本集（如人臉樣本集和非人臉樣本集）為輸入，在給定的矩形特征原型下，計算并獲得矩形特征集；以上一步得到的矩形特征集為輸入，根據給定的弱學習算法，確定閾值，將每個矩形特征與一個弱分類器一一對應，獲得弱分類器集，這樣每一個 Haar 特征都對應著一個弱分類器；以上一步中訓練得到的弱分類器集為輸入，以誤判率和訓練檢出率為基礎，使用Adaboost 算法挑選最優的 T 個弱分類器構成強分類器；以上一步得到的強分類器集為輸入，將其組合為級聯分類器；以非學生人臉圖片集為輸入，組合強分類器為臨時的級聯分類器，篩選并補充非學生人臉樣本。

3.2 學生上課行為識別及評估模塊

狀態判斷程序：通過FBAE人臉識別算法，判斷學生面部朝向，根據角度分析學生的聽課狀態。每間隔5秒，算法自動運行一次，若學生面部對黑板X軸（水平軸）偏移角度不大于50度，且Y軸（豎直軸）偏移角度不大于30度，則判斷為“正在聽課”狀態，同時后臺開始計時，5秒后第二次判斷，計時累加，直到系統判斷出改學生面部的朝向已經不符合“正在聽課”狀態的條件時，計時結束；同理，“不在聽課”狀態也如上所述判斷。

智能評估模塊將45分鐘的課程分為三個部分（每15分鐘一個部分），每個部分分別進行評分。將每個時間間隔的講座效率設定為大于75，并且該比率大于50且小于75是好的。低于50的情況是講座的效率很差（講座的效率/仔細聆聽的人數或課程總數）。最后，根據分割得分，按照第一次前15分鐘，比例為30%，第二期中間時間為15%。在三個時期結束時，15分鐘占得分的30%，并評估每個班級的最終得分。一個時間段，兩個時間段和三個時間段的收聽率分別是X1，X2和X3。則最后評分= X3*30+ X2*40+ X3*30）。學校可以根據后面討論中的分析結果對每個班級進行更為相關的評估，也可以作為評估的評估標準。本文重要的地方在于現代智能監控系統在傳統教學應該如何應用，用于該系統的計算機視覺，圖像分析等相關技術也越來越受到各行各業的追捧。同時，可以在現有的教學的硬件基礎上進行智能監控系統的部署，降低成本，合理利用現有資源。向智能現代化教育更進一步。

4 結論

課堂教學是素質教育的主體，是教師和學生互動教學活動的直接體現。課堂行為動作監控可以跟蹤學生在各個方向的學習情況。為教學質量提供真實有效的依據。文中所介紹到的計算機視覺及圖像分析是現代最為流行的技術之一，所使用的場景也非常多，市場巨大。本文的研究和設計結果可為大學生行為管理提供有益的參考和借鑒。然而，在行為識別程序的實際應用中，需要提高識別精度，并且需要進一步的研究和改進。

參考文獻：

[1] 白蕾，郭清菊.HTML5與CSS3的設計模式[J].智能計算機與應 用，2015，6（2）：104-109.

[2] 黃健榮.梧州學院課堂教學質量監控系統的設計與實現[D].電子科技大學，2013.

[3] 李霞.校園視頻監控系統的研究與實現[D].山東大學，2015.

[4] 袁國武.智能視頻監控中的運動目標檢測和跟蹤算法研究 [D].云南大學，2012.

[5] 王攀，李少波.基于膚色和FBLBP算法的人臉檢測[J].計算機 與發展，2017，27（1）：44-47.

[6] 王志一，楊大利.人臉識別中發型遮擋檢測方法研究[J].微型 機與應用，2016，35（2）：32-34.

（作者單位：宿州學院）