一种Harr特征大数据算法的教育技术学教学系统及方法与流程

本发明涉及教育技术领域，且更具体地涉及一种harr特征大数据算法的教育技术学教学系统及方法。

背景技术：

远程教育是采取多种媒体方式进行系统教学和通信联系的教育形式，是将课程传送给校园外的一处或多处学生的教育。现代远程教育则是指通过音频、视频(直播或录像)以及包括实时和非实时在内的计算机技术把课程传送的教育。远程教育在很早就有广泛的应用，随着时代的进步，虽然远程教育已经成为一种高效的知识传播渠道，但仍存在着许多问题。

(1)对远程教育的重视程度不足，造成教师资源的大量浪费

目前，许多人对远程教育了解甚少。例如，一些学校，从主管部门、学校行政人员到老师、学生，都缺乏长远的战略眼光，不管是在经费上还是在精力投入上，对信息技术教育重视不够，投入不足。开展信息技术教育所必需的一些资源，如计算机、投影仪等，还得不到有效的满足。这样的现状不利于素质教育的普及与提高，更不适应时代的发展，常规教学模式造成师资资源的大量浪费。

(2)资源与技术上存在一系列问题

一是网上教育资源良莠不齐，且利用率不高，网络教育资源共享难。二是网络技术的发展相对滞后。主要是指两方面，在硬件方面带宽不够，造成上网速度缓慢，网络大赛车时有发生，很难提高学习效率；在软件方面，优秀的网络教学课件还非常缺乏，已成为普及网络教学、提高教育质量的瓶颈。

(3)无法远程观测教师内学习学习状况，互动性差

远程教育打破了地域和时空的局限，把老师(导师)和学员(培训的老师)从时间的桎梏中解放出来，老师和学员的交流瞬时化。极大地增强了教师和学员、学员和学员之间的互动性，打破了教师和学员、学员和学员之间相对孤立的状态。这种互动可以利用多种渠道实现，比如电子邮件、bbs、基于网络的协作学习支持环境，网上在线交谈等等，互动性较差。

技术实现要素：

针对现有技术的不足，本发明公开了一种harr特征大数据算法的教育技术学教学系统及方法，能够实现数据的远程教学，通过远程教学实现逼真的现场学习观摩，节省大量的学习资源，教师不必亲临现场即可实现远程教学，并能够观察到学生的面部表情，提高了教学过程中的师生互动能力。本发明能够实现一个教师与多个教室内学生的授课，并获取多个教师内学习的听课信息，避免了传统技术中，一个教师授课一个教室的技术弊端，大大节约了教室资源，节约了教师资源。本发明采用智能大数据人脸识别算法，提高了网络教育资源的技术水平。

本发明采用以下技术方案：

一种harr特征大数据算法的教育技术学教学系统，所述系统包括：

图像采集单元，其设置在不同的教室内，并且通过网络传递采集到的图像；所述图像采集单元为通过旋转轴实现360°旋转的360网络摄像机，所述360网络摄像机为全玻璃高清光学镜头组，采用的分辨率为1280×720，配置sony1/3英寸数码相机级传感芯片，光圈为f2.4；所述图像采集单元还包括工业ccd摄像机，并且所述工业ccd摄像机的最低分辨率不少于120万像素，检测精度为0.01mm；

数据传输网络，其内设置有物理层、数据链路层、网络层、传输层和应用层，其中在所述物理层中至少设置有中继器、集线器或双绞线设备，以实现物理信号的直接传输，所述数据链路层为物理mac地址对应的层，用于通过物理层传送可靠的数据帧，并且负责数据的可靠传达；所述网络层用于针对不同的ip地址、arp的ip地址和mac的映射解析，用于连接不同ip地址之间的路由、源路径和目标路径；所述传输层至少利用tcp、udp协议封装并解析传输层数据，所述传输层能够屏蔽网络传输过程中的底层具体数据封装传输，直接为上层提供端到端的数据传输；所述应用层建立在所述传输层之上，用于直接关注应用数据、报文的交互；

远程监控中心，其内设置有数据显示单元、harr特征算法模型和数据共享模块；其中所述数据显示单元为投影仪或者dlp大屏幕拼接显示单元；所述harr特征算法模型包括分类器模块，所述分类器模块包括haar分类器和与所述haar分类器连接的adaboost分类器，所述haar分类器和adaboost分类器均设置有i/o数据接口和usb接口；所述数据共享模块至少设置有rs232接口、rs485接口、远程数据接口、tcp/ip通讯协议接口、无线通讯接口或usb接口；其中：

所述图像采集单元的输出端与所述数据传输网络的输入端连接，所述数据传输网络的输出端与所述远程监控中心的输入端连接，所述远程监控中心的输出端分别与所述harr特征算法模型、数据共享模块和数据显示单元的输入端连接。

本发明还采用以下技术方案：

一种harr特征大数据算法的教育技术学教学系统进行教学的方法，所述方法包括以下步骤：

(s1)利用图像采集单元采集学生上课图像；

(s2)通过数据传输网络传递所述图像采集单元采集到的学生图像；

(s3)启动harr特征算法模型获取学生人脸harr特征图像

(s4)利用数据显示单元对harr特征算法模型处理后的学生人脸图像进行识别；

(s5)观察学生人脸图像是否满足harr特征？当满足harr特征时，则进行下一步的处理，则不满足harr特征时，返回步骤(s3)，重新启动harr特征算法模型获取学生人脸harr特征图像；

(s6)观察学生人脸图像是否满足监管需求？当满足教师对学生的监管需求时，则进行步骤(7)，当不满足教师对学生的监管需求时，则返回步骤(s3)，重新启动harr特征算法模型获取学生人脸harr特征图像；

(s7)识别结束，利用数据共享模块实现数据共享。

在所述步骤(s1)中，所述图像采集单元采集到的学生上课图像为人脸图像，格式为jpg格式。

在所述步骤(s2)中，所述数据传输网络传递时间介于2s-10s之间。

在所述步骤(s3)中，所述harr特征算法模型的工作方法包括以下步骤：

(s31)harr图像特征提取；对采集到的图像进行关键性特征识别，所述特征包括人脸边缘特征、线性特征、中心特征和对角线特征，通过提取提取确定haar特征值，所述haar特征值能够反映haar特征值图像的灰度变化，其中，在计算haar特征值时，应用的计算公式为：

t特征值＝s白色-s黑色；(1)

(s32)harr图像特征计算，为了快速计算harr特征，应用改进性积分图法进行计算，通过遍历一次图像，求出图像中所有区域像素和，所述改进性积分图法计算方法为：

(s321)将待研究的图像构建成像素数组，用s(i,j)表示行方向的累加和，初始化值有：

s(i,-1)＝0；(2)

(s322)用ii(i,j)表示一个积分图像，初始化：

ii(-1,i)＝0；(3)

(s323)逐行扫描图像，递归计算每个像素(i,j)行方向的累加和s(i,j)和积分图像ii(i,j)的值，则：

s(i,j)＝s(i,j-1)+f(i,j)；(4)

ii(i,j)＝ii(i-1,j)+s(i,j)；(5)

(s323)扫描图像一遍，当到达图像右下角像素时，则完成积分图像ii的构造；

当计算图像中某个区域的像素和时，直接通过索引数组的元素，直接计算所述区域的像素和；用公式表示为：

公式(6)表示为位置(i,j)处的值ii(i,j)是原图像(i,j)左上角方向所有像素的和：

(s33)harr图像特征拓展，所述harr图像特征包括边缘特征、线特征环、中心环绕特征和对角线特征。

在本发明进一步的技术方案中，应用改进性积分图法进行计算的时间介于0.5-3秒。

在本发明进一步的技术方案中，所述haar分类器为级联分类器，所述级联分类器通过adaboost算法把不同的、多个区分人脸图像特征的分类器组合在一起，最终得出强分类器，其步骤如下：

(4)获取最初的弱分类器：通过最基本的haar-like特征获得1个最初弱分类器；

假设在训练样本集为(x1,y1),(x2,y2),...,(xn,yn)，其中yi＝0表示为非人脸负样本，yi＝1表示为人脸，n表示为训练样本的数量，然后再初始化权重，则有：

w1,i＝d(i)(7)

然后归一化权重，则有：

对于每个特征f，训练出弱分类器h(x,f,p,θ)，计算出对应的所有特征的弱分类器的加权为qt的错误率εf；

(5)将弱分类器训练成为最优弱分类器；将多个弱分类器器级联起来，将输出的分类误差最小，输出最佳分类器；

(6)将最优弱分类器训练成为强分类器；在经过t次迭代后，得到t个最佳分类器，则有弱分类器h1(x),h2(x),...,ht(x)，将这些弱分类器级联起来，输出强分类器，得出：

其中：

在所述步骤(s4)中，所述数据显示单元为网格式显示。

在所述步骤(s5)中，观察学生人脸图像是否满足harr特征的判断标准为迭代次数t是否大于200，当迭代次数t大于200时，表示输出较好的harr特征值，当迭代次数t小于200时，表示需要重新进行迭代计算，直到迭代次数t大于200为止。

在所述步骤(s6)中，观察学生人脸图像是否满足监管需求的判断标准为：当授课人员能够观察到75％以上的学生都处于良好的听课状态时，表示听课状态良好，低于75％以下时，表示课堂秩序欠佳，当高于90％时，表示课堂秩序优秀。

积极有益效果：

本发明解决的技术问题能够实现远程教学，并通过远程教学实现逼真的现场学习观摩，节省大量的学习资源，教师不必亲临现场即可实现远程教学，并能够观察到学生的面部表情，提高了教学过程中的师生互动能力。本发明能够实现一个教师与多个教室内学生的授课，并获取多个教师内学习的听课信息，避免了传统技术中，一个教师授课一个教室的技术弊端，大大节约了教室资源，节约了教师资源。本发明采用智能大数据人脸识别算法，提高了网络教育资源的技术水平，克服了现有技术的不足。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种harr特征大数据算法的教育技术学教学系统的架构示意图；

图2为本发明一种harr特征大数据算法的教育技术学教学系统中数据传输网络的架构示意图；

图3为本发明一种harr特征大数据算法的教育技术学教学方法的流程示意图；

图4为本发明一种harr特征大数据算法的教育技术学教学方法中harr特征算法模型的工作方法示意图；

图5为本发明一种harr特征大数据算法的教育技术学教学方法中harr特征算法模型的工作原理示意图；

图6为本发明一种harr特征大数据算法的教育技术学教学方法中harr特征区块示意图；

图7为本发明一种harr特征大数据算法的教育技术学教学方法中积分图的构建方法。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1系统

如图1-图2所示，一种harr特征大数据算法的教育技术学教学系统，所述系统包括：

图像采集单元，其设置在不同的教室内，并且通过网络传递采集到的图像；所述图像采集单元为通过旋转轴实现360°旋转的360网络摄像机，所述360网络摄像机为全玻璃高清光学镜头组，采用的分辨率为1280×720，配置sony1/3英寸数码相机级传感芯片，光圈为f2.4；所述图像采集单元还包括工业ccd摄像机，并且所述工业ccd摄像机的最低分辨率不少于120万像素，检测精度为0.01mm；

数据传输网络，其内设置有物理层、数据链路层、网络层、传输层和应用层，其中在所述物理层中至少设置有中继器、集线器或双绞线设备，以实现物理信号的直接传输，所述数据链路层为物理mac地址对应的层，用于通过物理层传送可靠的数据帧，并且负责数据的可靠传达；所述网络层用于针对不同的ip地址、arp的ip地址和mac的映射解析，用于连接不同ip地址之间的路由、源路径和目标路径；所述传输层至少利用tcp、udp协议封装并解析传输层数据，所述传输层能够屏蔽网络传输过程中的底层具体数据封装传输，直接为上层提供端到端的数据传输；所述应用层建立在所述传输层之上，用于直接关注应用数据、报文的交互；

远程监控中心，其内设置有数据显示单元、harr特征算法模型和数据共享模块；其中所述数据显示单元为投影仪或者dlp大屏幕拼接显示单元；所述harr特征算法模型包括分类器模块，所述分类器模块包括haar分类器和与所述haar分类器连接的adaboost分类器，所述haar分类器和adaboost分类器均设置有i/o数据接口和usb接口；所述数据共享模块至少设置有rs232接口、rs485接口、远程数据接口、tcp/ip通讯协议接口、无线通讯接口或usb接口；其中：

所述图像采集单元的输出端与所述数据传输网络的输入端连接，所述数据传输网络的输出端与所述远程监控中心的输入端连接，所述远程监控中心的输出端分别与所述harr特征算法模型、数据共享模块和数据显示单元的输入端连接。

实施例2方法

如图3-图7所示，一种harr特征大数据算法的教育技术学教学系统进行教学的方法，所述方法包括以下步骤：

(s1)利用图像采集单元采集学生上课图像；

在本步骤中，所述图像采集单元采集到的学生上课图像为人脸图像，格式为jpg格式。

(s2)通过数据传输网络传递所述图像采集单元采集到的学生图像；

在本步骤中，所述数据传输网络传递时间介于2s-10s之间。

(s3)启动harr特征算法模型获取学生人脸harr特征图像；

在本步骤中，所述harr特征算法模型的工作方法包括以下步骤：

(s31)harr图像特征提取；对采集到的图像进行关键性特征识别，所述特征包括人脸边缘特征、线性特征、中心特征和对角线特征，通过提取提取确定haar特征值，所述haar特征值能够反映haar特征值图像的灰度变化，其中，在计算haar特征值时，应用的计算公式为：

t特征值＝s白色-s黑色；(1)

(s32)harr图像特征计算，为了快速计算harr特征，应用改进性积分图法进行计算，通过遍历一次图像，求出图像中所有区域像素和，所述改进性积分图法计算方法为：

(s321)将待研究的图像构建成像素数组，用s(i,j)表示行方向的累加和，初始化值有：

s(i,-1)＝0；(2)

(s322)用ii(i,j)表示一个积分图像，初始化：

ii(-1,i)＝0；(3)

(s323)逐行扫描图像，递归计算每个像素(i,j)行方向的累加和s(i,j)和积分图像ii(i,j)的值，则：

s(i,j)＝s(i,j-1)+f(i,j)；(4)

ii(i,j)＝ii(i-1,j)+s(i,j)；(5)

(s323)扫描图像一遍，当到达图像右下角像素时，则完成积分图像ii的构造；

当计算图像中某个区域的像素和时，直接通过索引数组的元素，直接计算所述区域的像素和；用公式表示为：

公式(6)表示为位置(i,j)处的值ii(i,j)是原图像(i,j)左上角方向所有像素的和：

如图7所示，假设d的四个顶点分别为α、β、γ、δ，则d的像素和可以表示为：

d＝ii(α)+ii(β)-ii(γ)+ii(δ)。

(s33)harr图像特征拓展，所述harr图像特征包括边缘特征、线特征环、中心环绕特征和对角线特征。对于矩形特征的特征值计算，只与此特征矩形的端点的积分图有关，所以不管此特征矩形的尺度变换如何，特征值的计算所消耗的时间都是常量，这样只要遍历图像一次，就可以求得所有子窗口的特征值。

在上述实施例中，应用改进性积分图法进行计算的时间介于0.5-3秒。

在上述实施例中，所述haar分类器为级联分类器，所述级联分类器通过adaboost算法把不同的、多个区分人脸图像特征的分类器组合在一起，最终得出强分类器，其步骤如下：

(7)获取最初的弱分类器：通过最基本的haar-like特征获得1个最初弱分类器；

假设在训练样本集为(x1,y1),(x2,y2),...,(xn,yn)，其中yi＝0表示为非人脸负样本，yi＝1表示为人脸，n表示为训练样本的数量，然后再初始化权重，则有：

w1,i＝d(i)(7)

然后归一化权重，则有：

对于每个特征f，训练出弱分类器h(x,f,p,θ)，计算出对应的所有特征的弱分类器的加权为qt的错误率εf；

(8)将弱分类器训练成为最优弱分类器；将多个弱分类器器级联起来，将输出的分类误差最小，输出最佳分类器；

(9)将最优弱分类器训练成为强分类器；在经过t次迭代后，得到t个最佳分类器，则有弱分类器h1(x),h2(x),...,ht(x)，将这些弱分类器级联起来，输出强分类器，得出：

其中：

(s4)利用数据显示单元对harr特征算法模型处理后的学生人脸图像进行识别；

在所述步骤(s4)中，所述数据显示单元为网格式显示。

(s5)观察学生人脸图像是否满足harr特征？当满足harr特征时，则进行下一步的处理，则不满足harr特征时，返回步骤(s3)，重新启动harr特征算法模型获取学生人脸harr特征图像；

在本步骤中，观察学生人脸图像是否满足harr特征的判断标准为迭代次数t是否大于200，当迭代次数t大于200时，表示输出较好的harr特征值，当迭代次数t小于200时，表示需要重新进行迭代计算，直到迭代次数t大于200为止。

(s6)观察学生人脸图像是否满足监管需求？当满足教师对学生的监管需求时，则进行步骤(7)，当不满足教师对学生的监管需求时，则返回步骤(s3)，重新启动harr特征算法模型获取学生人脸harr特征图像；

在本步骤中，观察学生人脸图像是否满足监管需求的判断标准为：当授课人员能够观察到75％以上的学生都处于良好的听课状态时，表示听课状态良好，低于75％以下时，表示课堂秩序欠佳，当高于90％时，表示课堂秩序优秀。

(s7)识别结束，利用数据共享模块实现数据共享。

在本步骤中，可以通过带有蓝牙接口或者无线通讯接口的便携式移动装置接收输出数据信息，实现数据的交互和应用。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。