基于FABEMD的智能课堂

郑鑫 袁萌 王宇 陈雪锋

【摘 要】为了解决传统课堂模式的问题，不可能将每个学生的情况数字化。系统使用B / S架构将相关核心数据集中在服务器上。主要运用了物联网技术、图像识别和处理技术以及大数据分析技术，通过在高校的教室中安装高清摄像头，监控课堂上学生上课时的画面，对画面进行识别、处理及分析，并及时反馈给师生及教务主管部门，为了跟踪学生的课堂状态，以提高课堂教学效果。

【关键词】人脸识别；数据分析；课堂点名

1 引言

相比于中学时期高强度的学习生活，高校生活轻松自在，时间自由度大，各种学生组织琳琅满目，本来应该是学习的时候，打手机，睡觉，聊天都成了日常生活。该系统致力于提高课堂效率，并监督学生完成每节课的任务。对于许多大学生来说，学习并不是一种乐趣，所以如果你想学好，你必须先学会痛苦。在学习过程中，你必须受惯性约束，学会接受自律或其他法律。自律如果做不到，就必须他律。他律就是规范，就是管理。

2 大学生上课质量现状分析

通过随机在各大学调查发现，有80%的男生有过逃课经历，而女生中也有50%的人有过逃课经历，从逃课频率来看，20%的同学经常逃课。大学是人生一个很重要的阶段，我们不能只顾观赏风景而忘记我们的任务是坚持奔跑。我们要始终坚信高科技能够引领我们前进，而不是倒退。

对许多大学生来说，学习不是一件享受的事情，所以要想学好，就必须先学会吃点苦，不能图轻松。在学习过程中，就得对自己的惰性有所约束，学会接受自律或他律。自律如果做不到，就必须他律。他律就是规范，就是管理。

2.1 传统视频监控系统的不足

目前，在教室里安装监控已经非常普及，但是很难发挥出其除视频记录外的其他功能。大多数现有的视频监控系统通常以两种方式使用监控结果：

（1）记录摄像机拍摄的视频，并在发生意外事件时通过播放保存的视频来观察发生的事实。但这经常为时已晚，不利于学校进行预防和调整。

（2）将多个监控画面集中在一个监控室内，监控观察员同时观看监控室内的几十个屏幕。当工作人员通过监控发现异常时，将会手动通知安全人员进行处理。但是，根据调查，一个人每小时可以集中精力超过20分钟。另外，由于摄像机数量众多，每个显示器经常依次显示多个摄像机。因此，監视器观看每台摄像机的平均时间小于每小时5分钟，无法有效管理。由人工手动监控的大量视频数据成本高，效率非常低。总之，许多行业越来越需要与之配套的智能监控系统。

2.2 智能视频监控系统的定义及其优点

智能视频监控是利用计算机视觉，数字图像处理和视频图像分析而无需人工干预。由摄像机捕获的视频图像序列的自动分析使系统能够识别和判断场景中的行为。与传统视频监控系统相比，智能视频监控系统具有许多优势：

（1）无限监控。智能视频监控系统可以24小时无延迟监控监控图像，自动分析，提高事件分析效率，及时反馈，及时查看。

（2）提升准度。智能系统将调用各个模块降低误查以及漏查的概率。

总之，智能一直是计算机视觉研究的热点之一，也是时代的必然发展。建立“智能教室”是提高教学质量的新支点和新动力。传统视频监控系统与人工智能相结合是时代潮流，因此开发课堂智能监控技术势在必行。

3 智能课堂监控与分析系统设计

该系统中所采用的已经是现在较为成熟的FBAEMD人脸识别算法进行监控画面中对学生的人脸进行识别分析。由于人人脸对象候选矩形获取模块包含的人脸最优分类器训练模块和人眼最优分类器训练模块其算法的核心思想相同。

3.1 人脸对象候选矩形模块

人脸对象候选矩形获取模块包含 Adaboost 人脸最优分类器训练模块总体框架如图所示。训练系统总体框架，由两部分组成，

即“训练部分”和“补充部分”。以正负样本集（如人脸样本集和非人脸样本集）为输入，在给定的矩形特征原型下，计算并获得矩形特征集；以上一步得到的矩形特征集为输入，根据给定的弱学习算法，确定阈值，将每个矩形特征与一个弱分类器一一对应，获得弱分类器集，这样每一个 Haar 特征都对应着一个弱分类器；以上一步中训练得到的弱分类器集为输入，以误判率和训练检出率为基础，使用Adaboost 算法挑选最优的 T 个弱分类器构成强分类器；以上一步得到的强分类器集为输入，将其组合为级联分类器；以非学生人脸图片集为输入，组合强分类器为临时的级联分类器，筛选并补充非学生人脸样本。

3.2 学生上课行为识别及评估模块

状态判断程序：通过FBAE人脸识别算法，判断学生面部朝向，根据角度分析学生的听课状态。每间隔5秒，算法自动运行一次，若学生面部对黑板X轴（水平轴）偏移角度不大于50度，且Y轴（竖直轴）偏移角度不大于30度，则判断为“正在听课”状态，同时后台开始计时，5秒后第二次判断，计时累加，直到系统判断出改学生面部的朝向已经不符合“正在听课”状态的条件时，计时结束；同理，“不在听课”状态也如上所述判断。

智能评估模块将45分钟的课程分为三个部分（每15分钟一个部分），每个部分分别进行评分。将每个时间间隔的讲座效率设定为大于75，并且该比率大于50且小于75是好的。低于50的情况是讲座的效率很差（讲座的效率/仔细聆听的人数或课程总数）。最后，根据分割得分，按照第一次前15分钟，比例为30%，第二期中间时间为15%。在三个时期结束时，15分钟占得分的30%，并评估每个班级的最终得分。一个时间段，两个时间段和三个时间段的收听率分别是X1，X2和X3。则最后评分= X3*30+ X2*40+ X3*30）。学校可以根据后面讨论中的分析结果对每个班级进行更为相关的评估，也可以作为评估的评估标准。本文重要的地方在于现代智能监控系统在传统教学应该如何应用，用于该系统的计算机视觉，图像分析等相关技术也越来越受到各行各业的追捧。同时，可以在现有的教学的硬件基础上进行智能监控系统的部署，降低成本，合理利用现有资源。向智能现代化教育更进一步。

4 结论

课堂教学是素质教育的主体，是教师和学生互动教学活动的直接体现。课堂行为动作监控可以跟踪学生在各个方向的学习情况。为教学质量提供真实有效的依据。文中所介绍到的计算机视觉及图像分析是现代最为流行的技术之一，所使用的场景也非常多，市场巨大。本文的研究和设计结果可为大学生行为管理提供有益的参考和借鉴。然而，在行为识别程序的实际应用中，需要提高识别精度，并且需要进一步的研究和改进。

参考文献：

[1] 白蕾，郭清菊.HTML5与CSS3的设计模式[J].智能计算机与应 用，2015，6（2）：104-109.

[2] 黄健荣.梧州学院课堂教学质量监控系统的设计与实现[D].电子科技大学，2013.

[3] 李霞.校园视频监控系统的研究与实现[D].山东大学，2015.

[4] 袁国武.智能视频监控中的运动目标检测和跟踪算法研究 [D].云南大学，2012.

[5] 王攀，李少波.基于肤色和FBLBP算法的人脸检测[J].计算机 与发展，2017，27（1）：44-47.

[6] 王志一，杨大利.人脸识别中发型遮挡检测方法研究[J].微型 机与应用，2016，35（2）：32-34.

（作者单位：宿州学院）