本发明涉及课堂智能管理技术领域，尤其是涉及一种基于人像识别的智能巡课管理系统。
背景技术：
随着素质教育的呼声越来越高，以往“填鸭式”的课堂教学方式早已被淘汰。随着移动物联网技术日新月异的发展，教育信息化的步伐不断加快，现代化的多媒体课堂，不再是传统的应试教育模式，课堂交互显得越来越重要。为了给予授课教师一定的外部压力，引导教师落实复核高效课堂的教学常规，作为课堂观察记录之用的巡课已经成为智能课堂的重要组成部分，国内外开始理论性研究过程性课堂教学评价，以使得课堂教学质量得以保证。在美国，实践并研究“教师巡课”的教育学者主要有布兰迪斯大学的特伦(viviantroen)和克拉克大学的普雷特(thomasdelprete)，特伦指出，“教师巡课”参照的是医学教育中“共同巡诊”(doingrounds)这种方法。在“共同巡诊”的过程中，实习医生和指导医生一起查看住院病人，观察病人的各种状况，然后共同分析他们所观察到的一切，并拟定可能的治疗方案，“教师巡课”也是如此，在授课教师和听课学生之外，存在另一方进行课堂观察和评价。然而，目前的过程性课堂教学评价研究，主要侧重于教师侧的行为研究和课后的教学质量评价，但是，这样的教学质量评价抛弃了以往靠学生的分数成绩(与学生对授课内容的消化吸收程度相关)作为评价手段，在上课现场尤其是教师行为占主导的时间段，老师无法及时全面了解每位学生对课程内容的感兴趣程度和理解接受程度，无法根据学生在课堂现场表现出的情绪变化从而对授课方式进行适当调整。无论是现场巡课还是课后巡课，目前的巡课系统只能起到监督、处罚、事后评价的作用，而无法满足现场反馈和指导的更高要求。各种传统的巡课评价指标体系存在种种不足，如何构建高效智能的巡课管理系统，是目前亟需解决的技术问题。
技术实现要素：
本发明针对上述现有技术的不足，提出了一种基于人像识别的智能巡课管理系统。使其能够通过利用支持向量机(svm)进行学生对课程内容的感兴趣程度和理解接受程度的识别，从而有效获取学生对教学方式的反馈，有利于提高整体教学质量。
根据本发明的第一方面，提供了基于人像识别的智能巡课管理系统，所述智能巡课管理系统包括：巡课管理云服务器，所述巡课管理云服务器用于存储实时录制的教学视频，并依据所述教学视频对教学类型和教学质量进行分析并做出评价；教师终端，所述教师终端用于启动课程录制进程和开放评价端口；学生终端，所述学生终端用于在所述教师终端开放所述评价端口时，对教师授课进行反馈，生成反馈信息；设置于教室内的多个音视频获取装置，所述多个音视频获取装置中的至少一个用于定位跟踪并采集授课教师的音视频信号，所述多个音视频获取装置中的至少另一个用于采集上课学生的音视频信号；设置于教室内的音视频处理装置，所述音视频处理装置包括人像识别模块和音视频模块，所述人像识别模块用于识别教师的面部图像并监测学生专注程度；所述音视频模块将从所述音视频获取装置接收到的音视频信号频分复用并搭载所述反馈信息以获得经调制的数字信号，并将该经调制的数字信号发送至所述巡课管理云服务器。
根据本发明的第二方面的基于人像识别的智能巡课管理系统，其中，所述音视频模块对接收到的音视频信号中教师的各种言行活动行为分别计算在一个采样周期内的权重值ui，如果在该采样周期内教师存在某种言行活动行为超过预定时长阈值，则ui＝1，否则ui＝0，i为大于1的自然数；其中，所述音视频模块对接收到的音视频信号中学生的各种言行活动行为分别计算在一个采样周期内的权重值vj，如果在该采样周期内学生存在某种言行活动行为超过预定时长阈值，则vj＝1，否则vj＝0，j为大于1的自然数；其中，所述音视频模块计算课程中的教师行为饱和度pu和学生行为饱和度pv，其中pu＝∑ui/n，pv＝∑vj/n，n为在该采样周期内的采样总数，∑ui为在该课程中ui的总和，∑vj为在该课程中vj的总和；计算教学质量评价值d，其中，
a、b、c和e为调整系数，所述反馈信息包括反馈分数fk，k为大于1的自然数，f为反馈分数fk的平均值，f＝∑fk/n，f1为第一阈值，f2为第二阈值；课程结束后，所述巡课管理云服务器基于教师行为饱和度pu、学生行为饱和度pv和教学质量评价值d对教学类型进行划分，并对教学质量做出评价。
根据本发明的第三方面的基于人像识别的智能巡课管理系统，其中，所述教师的各种言行活动行为包括：讲课行为、提问与解答行为、板书行为、多媒体运用行为或巡视行为；其中，所述学生的各种言行活动行为包括：听讲行为、回答与提问行为、讨论交流行为、书面笔记记录行为或答题、或课堂违纪行为。
根据本发明的第四方面的基于人像识别的智能巡课管理系统，其中，所述教学类型包括：讲授主导型、练习主导型、交互引导型。
根据本发明的第五方面的基于人像识别的智能巡课管理系统，其中，所述音视频获取装置获取学生的图像，所述人像识别模块从学生的图像识别出不专注行为，所述音视频模块对所识别出的不专注行为的时间长度进行统计，并计算出学生的专注程度g＝tn/t，tn为不专注行为的时间总长度，t为课堂时间；当专注程度g低于阈值时，该学生的学号被发送到所述教师终端。
根据本发明的第六方面的基于人像识别的智能巡课管理系统，其中，所述不专注行为包括操作手机、打瞌睡或交头接耳。
根据本发明的第七方面的基于人像识别的智能巡课管理系统，其中，仅在所述人像识别模块判定学生出勤之后，所述学生终端对授课课程进行反馈，并且所述反馈信息还包括提问、点赞或弹幕。
根据本发明的第八方面的基于人像识别的智能巡课管理系统，其中，所述音视频模块将从所述弹幕中提取出的关键词输入到支持向量机模型中，从而识别出学生对课程内容的感兴趣程度和关于理解接受程度的上课情绪，并且所述音视频模块根据感兴趣程度和所述上课情绪对反馈分数fk进行修正，并利用修正后的反馈分数fkx进行计算。
根据本发明的第九方面的基于人像识别的智能巡课管理系统，其中，所述上课情绪包含兴奋、冷漠、困惑、烦躁、疲惫或愉悦中的一种或多种。
根据本发明的第十方面的基于人像识别的智能巡课管理系统，所述反馈信息包括时间戳。
根据本发明的第十一方面的基于人像识别的智能巡课管理系统，所述音视频模块还计算师生交互度i，其中i＝αr+βpu/pv，r＝(r-1)/n，r为行为切换率，r为该采样周期内教师的言行活动行为与学生的言行活动行为的切换次数，α、β为可调权重系数，所述巡课管理云服务器还基于所述师生交互度i对教学类型进行划分，并对教学质量做出评价。
前述发明内容仅仅是示例性的，且并不是对本发明的任何限制。除了上面描述的实施方式之外，通过参考附图以及下面的详细描述，其它的实施方式也将是明显的。
附图说明
图1示出了根据本发明的实施方式的基于人像识别的智能巡课管理系统的示意图。
具体实施方式
在附图中，类似的附图标记通常表示类似部件，除非上下文有相反的说明。在详细的说明书、附图和权利要求中描述的例示性实施方式并非是限制性的。在不背离本文的精神或者范围的情况下，可以利用其它实施方式，并且可以进行其它改变。
如图1所示，本发明提供了基于人像识别的智能巡课管理系统，所述智能巡课管理系统包括：巡课管理云服务器101，所述巡课管理云服务器101用于存储实时录制的教学视频，并依据所述教学视频对教学类型和教学质量进行分析并做出评价；教师终端201，所述教师终端201用于启动课程录制进程和开放评价端口；学生终端202，所述学生终端202用于在所述教师终端201开放所述评价端口时，对教师授课进行反馈，生成反馈信息；设置于教室内的多个音视频获取装置301，所述多个音视频获取装置301中的至少一个用于定位跟踪并采集授课教师的音视频信号，所述多个音视频获取装置301中的至少另一个用于采集上课学生的音视频信号；设置于教室内的音视频处理装置401，所述音视频处理装置401包括人像识别模块和音视频模块，所述人像识别模块用于识别教师的面部图像并监测学生专注程度；所述音视频模块将从所述音视频获取装置301接收到的音视频信号频分复用并搭载所述反馈信息以获得经调制的数字信号，并将该经调制的数字信号发送至所述巡课管理云服务器101。
在一些实施方式中，所述音视频模块对接收到的音视频信号中教师的各种言行活动行为分别计算在一个采样周期内的权重值ui，如果在该采样周期内教师存在某种言行活动行为超过预定时长阈值，则ui＝1，否则ui＝0，i为大于1的自然数；其中，所述音视频模块对接收到的音视频信号中学生的各种言行活动行为分别计算在一个采样周期内的权重值vj，如果在该采样周期内学生存在某种言行活动行为超过预定时长阈值，则vj＝1，否则vj＝0，j为大于1的自然数；其中，所述音视频模块计算课程中的教师行为饱和度pu和学生行为饱和度pv，其中pu＝∑ui/n，pv＝∑vj/n，n为在该采样周期内的采样总数，∑ui为在该课程中ui的总和，∑vj为在该课程中vj的总和；计算教学质量评价值d，其中，
a、b、c和e为调整系数，所述反馈信息包括反馈分数fk，k为大于1的自然数，f为反馈分数fk的平均值，f＝∑fk/n，f1为第一阈值，f2为第二阈值；课程结束后，所述巡课管理云服务器101基于教师行为饱和度pu、学生行为饱和度pv和教学质量评价值d对教学类型进行划分，并对教学质量做出评价。
在一些实施方式中，所述教师的各种言行活动行为包括：讲课行为、提问与解答行为、板书行为、多媒体运用行为或巡视行为；其中，所述学生的各种言行活动行为包括：听讲行为、回答与提问行为、讨论交流行为、书面笔记记录行为或答题、或课堂违纪行为。
在一些实施方式中，所述教学类型包括：讲授主导型、练习主导型、交互引导型。
在一些实施方式中，所述音视频获取装置301获取学生的图像，所述人像识别模块从学生的图像识别出不专注行为，所述音视频模块对所识别出的不专注行为的时间长度进行统计，并计算出学生的专注程度g＝tn/t，tn为不专注行为的时间总长度，t为课堂时间；当专注程度g低于阈值时，该学生的学号被发送到所述教师终端201。特别是，将所述音视频获取装置301的摄像头设置于教室前方，设定该摄像头高度h的范围为2.5m～3m，其安装角度介于arctan(h/l)-25°～arctan(h/l)+25°之间，其中l为该摄像头与最前排学生的水平距离，以保证该摄像头在学生注视授课教师时可采集到学生脸部的眼睛。此外，所述教师终端201可以向所述学生终端202发送注意力提醒预警。
在一些实施方式中，所述不专注行为包括操作手机、打瞌睡或交头接耳。
在一些实施方式中，仅在所述人像识别模块判定学生出勤之后，所述学生终端202对授课课程进行反馈，并且所述反馈信息还包括提问、点赞或弹幕。
在一些实施方式中，所述音视频模块将从所述弹幕中提取出的关键词输入到支持向量机模型中，从而识别出学生对课程内容的感兴趣程度和关于理解接受程度的上课情绪，并且所述音视频模块根据感兴趣程度和所述上课情绪对反馈分数fk进行修正，并利用修正后的反馈分数fkx进行计算。
在一些实施方式中，所述上课情绪包含兴奋、冷漠、困惑、烦躁、疲惫或愉悦中的一种或多种。
在一些实施方式中，所述反馈信息包括时间戳。
在一些实施方式中，所述音视频模块还计算师生交互度i，其中i＝αr+βpu/pv，r＝(r-1)/n，r为行为切换率，r为该采样周期内教师的言行活动行为与学生的言行活动行为的切换次数，α、β为可调权重系数，所述巡课管理云服务器101还基于所述师生交互度i对教学类型进行划分，并对教学质量做出评价。
在一些实施方式中，用信息熵o对所述教学类型进行修正，信息熵o＝∑milog2pj(mi为事件i的概率)，将计算出的所述教师的言行活动行为的信息熵和所述学生的言行活动行为的信息熵与预定的上限阈值和下限阈值进行比较，判断教师和学生的行为是否符合预定课堂要求，对超出上限阈值和/或低于下限阈值的教师行为向所述教师终端201发送针对性提醒，对超出上限阈值和/或低于下限阈值的学生行为向所述学生终端202发送针对性提醒；并依据教师行为信息熵和在视频上设置时间戳节点，便于视频回看时便于快速巡课。