教学管理方法及装置制造方法及图纸

一种教学管理方法及装置，所述教学管理方法包括：首先，实时采集多个人的多个标准人脸灰度图；根据卷积神经网络和多个标准人脸灰度图获取多个特征向量；其次，将多个特征向量输入至分类器以确定多个表情分类结果；表情分类结果包括愉快、惊奇、厌恶、愤怒、惧怕以及悲伤；然后，根据多个表情分类结果计算表情统计数据；最终，根据预设时间段内的表情统计数据确定课堂特征信息；课堂特征信息包括学生关注度、学生参与度和课程疑难程度。本发明专利技术提高了人脸表情检测的准确率和鲁棒性，并提高了教学管理中人脸表情的识别的精度和兼容性，且提高了教师教学质量以及学生学习效率。

Teaching management methods and devices

A teaching management method and device includes: firstly, real-time acquisition of multiple standard face gray images of multiple people; acquisition of multiple feature vectors based on convolutional neural network and multiple standard face gray images; secondly, input multiple feature vectors to classifier to determine multiple expression classification results; expression classification results include pleasure, surprise, disgust, and so on. Anger, fear and sadness; then, the expression statistics are calculated according to the classification results of multiple expressions; finally, the classroom feature information is determined according to the expression statistics in the preset time period; the classroom feature information includes students'attention, students' participation and the degree of curriculum difficulty. The invention improves the accuracy and robustness of face expression detection, improves the accuracy and compatibility of face expression recognition in teaching management, and improves the teaching quality of teachers and the learning efficiency of students.

【技术实现步骤摘要】
教学管理方法及装置
本专利技术属于人脸识别
，尤其涉及一种教学管理方法及装置。
技术介绍
人体的脸部表情能够反应人体的真实内部情感，进而根据人体的表情变化能够判断出人体内心的情感波动；然而由于人体内心的情感活动具有多变性以及复杂性，与此相对应的，人体的脸部表情也具有多种多样性；在日常交流过程中，交流的双方通过彼此脸部表情的变化可实时判断出人体的情感信息，结合人体表情变化能够有助于双方理解交谈的内容，避免出现交流沟通障碍的问题；人脸表情在反映人体内心情感信息中起到了关键的作用，相关技术人员逐渐开始研究人脸表情识别技术，其中所述人脸表情识别技术是一种基于人的脸部特征信息进行身份识别的生物特征识别技术；与其他生物识别技术相比，人脸表情识别具有友好、简便、准确、经济及可扩展性良好等优势；因此人脸表情识别技术逐渐在开始应用于出入境检验检疫、金融、警务等多个领域。在人脸表情识别过程中，人体的脸部表情在瞬间会发生较大的变化，那么人体的脸部表情特征在提取过程中将产生极大地数据量，且容易受到背景、光照、角度等外界因素的影响，识别精确度很难提高，进而导致人脸表情识别技术无法普适性地适用于各个工业
；以教育领域的表情识别技术为例，由于课堂环境中包括多个同学和老师，若能够利用人脸表情识别技术对课堂上老师和学生的动作、情绪等情况进行识别和记录，建立智能化的教学管理系统，统计老师及学生一学期的表现情况，对教师业务素质提高、教学质量提升和掌控学生的学习状态具有重要的意义；然而传统技术中的教学管理方法无法精确地对于复杂环境下的人体脸部特征进行动态识别，进而无法判断出同学和教师的内心情感变化，并且传统技术中的人脸表情识别方法也无法深入地获取人脸表情蕴含的内心情感活动，对于表情的智能分析程度不高。综上所述，传统的教学管理技术对于人脸表情的识别结果精度较低，兼容性较差。
技术实现思路
有鉴于此，本专利技术实施例提供了一种教学管理方法及装置，旨在解决传统的技术方案中教学管理方法对于人脸表情的动态识别精度和准确率较低，兼容性较差的问题。本专利技术实施例的第一方面提供了一种教学管理方法，包括：实时采集多个人的多个标准人脸灰度图；根据卷积神经网络和多个所述标准人脸灰度图获取多个特征向量；将多个特征向量输入至分类器以确定多个表情分类结果；所述表情分类结果包括愉快、惊奇、厌恶、愤怒、惧怕以及悲伤；根据多个表情分类结果计算表情统计数据；根据预设时间段内的所述表情统计数据确定课堂特征信息；所述课堂特征信息包括学生关注度、学生参与度和课程疑难程度。在其中的一个实施例中，所述根据卷积神经网络和多个所述标准人脸灰度图获取多个特征向量包括：根据所述标准人脸灰度图和m个卷积核进行卷积运算，卷积结果加上偏置，再经过激活函数得到第一特征图谱；采用第一预设最大池化规模和第一预设步长进行采样对所述第一特征图谱进行统计计算，以获取第二特征图谱；根据所述第二特征图谱和n个卷积核进行卷积运算，卷积结果加上偏置，再经过激活函数得到第三特征图谱；采用第二预设最大池化规模和第二预设步长进行采样对所述第三特征图谱进行统计计算，以获取多个特征；根据全连接网络将多个所述特征映射为特征向量；其中，所述m为大于或者等于2的正整数，所述n为大于或者等于2的正整数。在其中的一个实施例中，所述将多个特征向量输入至分类器以确定多个表情分类结果包括：通过多个原始人脸表情图像和深度信念网络获取抽象特征；根据所述抽象特征初始化多层感知器；将初始化后的所述多层感知器作为分类器，对多个特征向量进行识别以以确定多个表情分类结果。在其中的一个实施例中，所述根据预设时间段内的所述表情统计数据确定课堂特征信息包括：获取各个表情分类结果对应的权重；根据预设时间段内的所述表情统计数据计算表情总计数据；根据所述权重和所述表情总计数据获取课堂特征信息。在其中的一个实施例中，表情统计数据包括愉快统计数据、惊奇统计数据、厌恶统计数据、愤怒统计数据、惧怕统计数据以及悲伤统计数据；所述根据预设时间段内的所述表情统计数据计算表情总计数据具体为：根据预设时间段内的愉快统计数据计算平均愉快统计数据，并将平均愉快统计数据作为愉快总计数据；所述愉快统计数据为愉快的表情分类结果在总的表情分类结果所在的百分比；根据预设时间段内的惊奇统计数据计算平均愉快统计数据，并将平均惊奇统计数据作为惊奇总计数据；所述惊奇统计数据为惊奇的表情分类结果在总的表情分类结果所在的百分比；根据预设时间段内的厌恶统计数据计算平均厌恶统计数据，并将平均厌恶统计数据作为厌恶总计数据；所述厌恶统计数据为厌恶的表情分类结果在总的表情分类结果所在的百分比；根据预设时间段内的愤怒统计数据计算平均愤怒统计数据，并将平均愤怒统计数据作为愤怒总计数据；所述愤怒统计数据为愤怒的表情分类结果在总的表情分类结果所在的百分比；根据预设时间段内的惧怕统计数据计算平均惧怕统计数据，并将平均惧怕统计数据作为惧怕总计数据；所述惧怕统计数据为惧怕的表情分类结果在总的表情分类结果所在的百分比；根据预设时间段内的悲伤统计数据计算平均悲伤统计数据，并将平均悲伤统计数据作为悲伤总计数据；所述悲伤统计数据为悲伤的表情分类结果在总的表情分类结果所在的百分比；所述获取各个表情分类结果对应的权重包括：获取第一愉快权重、第一惊奇权重、第一厌恶权重、第一愤怒权重、第一惧怕权重以及第一悲伤权重；获取第二愉快权重、第二惊奇权重、第二厌恶权重、第二愤怒权重、第二惧怕权重以及第二悲伤权重；获取第三愉快权重、第三惊奇权重、第三厌恶权重、第三愤怒权重、第三惧怕权重以及第三悲伤权重。在其中的一个实施例中，所述根据所述权重和所述表情总计数据获取课堂特征信息包括：根据所述愉快总计数据、所述惊奇总计数据、所述厌恶总计数据、所述愤怒总计数据怒、所述惧怕总计数据、所述悲伤总计数据、所述第一愉快权重、所述第一惊奇权重、所述第一厌恶权重、所述第一愤怒权重、所述第一惧怕权重以及所述第一悲伤权重计算所述学生关注度；根据所述愉快总计数据、所述惊奇总计数据、所述厌恶总计数据、所述愤怒总计数据怒、所述惧怕总计数据、所述悲伤总计数据、所述第二愉快权重、所述第二惊奇权重、所述第二厌恶权重、所述第二愤怒权重、所述第二惧怕权重以及所述第二悲伤权重计算所述学生参与度；根据所述愉快总计数据、所述惊奇总计数据、所述厌恶总计数据、所述愤怒总计数据怒、所述惧怕总计数据、所述悲伤总计数据、所述第三愉快权重、所述第三惊奇权重、所述第三厌恶权重、所述第三愤怒权重、所述第三惧怕权重以及所述第三悲伤权重计算课程疑难程度。本专利技术实施例的第二方面提供了一种教学管理装置，包括：标准人脸灰度图采集模块，用于实时采集多个人的多个标准人脸灰度图；特征向量获取模块，用于根据卷积神经网络和多个所述标准人脸灰度图获取多个特征向量；表情分类结果确定模块，用于将多个特征向量输入至分类器以确定多个表情分类结果；所述表情分类结果包括愉快、惊奇、厌恶、愤怒、惧怕以及悲伤；表情统计数据计算模块，用于根据多个表情分类结果计算表情统计数据；以及课堂特征信息确定模块，用于根据预设时间段内的所述表情统计数据确定课堂特征信息；所述课堂特征信息包括学生关注度、学生参与度和课程疑难程度。在其中的一个实施例中，所述课堂特征信息确本文档来自技高网...

【技术保护点】
1.一种教学管理方法，其特征在于，包括：实时采集多个人的多个标准人脸灰度图；根据卷积神经网络和多个所述标准人脸灰度图获取多个特征向量；将多个特征向量输入至分类器以确定多个表情分类结果；所述表情分类结果包括愉快、惊奇、厌恶、愤怒、惧怕以及悲伤；根据多个表情分类结果计算表情统计数据；根据预设时间段内的所述表情统计数据确定课堂特征信息；所述课堂特征信息包括学生关注度、学生参与度和课程疑难程度。

【技术特征摘要】
1.一种教学管理方法，其特征在于，包括：实时采集多个人的多个标准人脸灰度图；根据卷积神经网络和多个所述标准人脸灰度图获取多个特征向量；将多个特征向量输入至分类器以确定多个表情分类结果；所述表情分类结果包括愉快、惊奇、厌恶、愤怒、惧怕以及悲伤；根据多个表情分类结果计算表情统计数据；根据预设时间段内的所述表情统计数据确定课堂特征信息；所述课堂特征信息包括学生关注度、学生参与度和课程疑难程度。2.根据权利要求1所述的教学管理方法，其特征在于，所述根据卷积神经网络和多个所述标准人脸灰度图获取多个特征向量包括：根据所述标准人脸灰度图和m个卷积核进行卷积运算，卷积结果加上偏置，再经过激活函数得到第一特征图谱；采用第一预设最大池化规模和第一预设步长进行采样对所述第一特征图谱进行统计计算，以获取第二特征图谱；根据所述第二特征图谱和n个卷积核进行卷积运算，卷积结果加上偏置，再经过激活函数得到第三特征图谱；采用第二预设最大池化规模和第二预设步长进行采样对所述第三特征图谱进行统计计算，以获取多个特征；根据全连接网络将多个所述特征映射为特征向量；其中，所述m为大于或者等于2的正整数，所述n为大于或者等于2的正整数。3.根据权利要求1所述的教学管理方法，其特征在于，所述将多个特征向量输入至分类器以确定多个表情分类结果包括：通过多个原始人脸表情图像和深度信念网络获取抽象特征；根据所述抽象特征初始化多层感知器；将初始化后的所述多层感知器作为分类器，对多个所述特征向量进行识别以确定多个所述表情分类结果。4.根据权利要求1所述的教学管理方法，其特征在于，所述根据预设时间段内的所述表情统计数据确定课堂特征信息包括：获取各个表情分类结果对应的权重；根据预设时间段内的所述表情统计数据计算表情总计数据；根据所述权重和所述表情总计数据获取课堂特征信息。5.根据权利要求4所述的教学管理方法，其特征在于，表情统计数据包括愉快统计数据、惊奇统计数据、厌恶统计数据、愤怒统计数据、惧怕统计数据以及悲伤统计数据；所述根据预设时间段内的所述表情统计数据计算表情总计数据具体为：根据预设时间段内的愉快统计数据计算平均愉快统计数据，并将平均愉快统计数据作为愉快总计数据；所述愉快统计数据为愉快的表情分类结果在总的表情分类结果所在的百分比；根据预设时间段内的惊奇统计数据计算平均愉快统计数据，并将平均惊奇统计数据作为惊奇总计数据；所述惊奇统计数据为惊奇的表情分类结果在总的表情分类结果所在的百分比；根据预设时间段内的厌恶统计数据计算平均厌恶统计数据，并将平均厌恶统计数据作为厌恶总计数据；所述厌恶统计数据为厌恶的表情分类结果在总的表情分类结果所在的百分比；根据预设时间段内的愤怒统计数据计算平均愤怒统计数据，并将平均愤怒统计数据作为愤怒总计数据；所述愤怒统计数据为愤怒的表情分类结果在总的表情分类结果所在的百分比；根据预设时间段内的惧怕统计数据计算平均惧怕统计数据，并将平均惧怕统计数据作为惧怕总计数据；所述惧怕统计数据为惧怕的表...

【专利技术属性】
技术研发人员：杨邵华，廖海，徐崇，丁兆柱，
申请(专利权)人：深圳锐取信息技术股份有限公司，
类型：发明
国别省市：广东,44