CN109409268A - 一种网络在线学习的学习环境监测方法 - Google Patents
一种网络在线学习的学习环境监测方法 Download PDFInfo
- Publication number
- CN109409268A CN109409268A CN201811202361.9A CN201811202361A CN109409268A CN 109409268 A CN109409268 A CN 109409268A CN 201811202361 A CN201811202361 A CN 201811202361A CN 109409268 A CN109409268 A CN 109409268A
- Authority
- CN
- China
- Prior art keywords
- formula
- follows
- vector
- image
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种网络在线学习的学习环境监测方法,属于计算机网络***技术领域。该方法通过图片预处理、特征提取、特征分类,最后将图像中的人数以及人的情绪变化进行识别。通过该方法有效地监管网络在线学习的学习,当画面中的人员超过一定数量时,***将提醒,这样可以有效保证学习环境的可靠性;还可以通过该方法来识别学员的学习态度的变化,这样能够有效地收集学员信息,更好地保证学习效果。
Description
技术领域
本发明涉及一种网络在线学习的学习环境监测方法,属于计算机网络***技术领域。
背景技术
随着信息技术的发展,计算机和互联网已经广泛应用于学习过程,出现了电子学习、开放式学习、网络学习、合作学习和探究式学习等多种学习方法。人们已经提出了多种学习***,其中就包括在线学习***,也出现了多种从网络服务器上下载教学资源,进行离线学习的电子设备,这些***和设备仅注重知识的呈现,在促进学习者与评估者之间的有效交流与协作方面存在不足,在学习评估方面仍然采用传统的考试方法。国内学生在线学习行为评估方面的研究主要偏重于理论,采用的方式也比较单一,一般是釆取问卷调查和访谈的方式,对结果处理的方式采用一般的数理统计的方法,并将结果作为提高学生学习效率和改进教学方法的参考。但是并不能很好的解决有效学习的问题,不能及时发现学员们的问题所在。
发明内容
本发明要解决的技术问题是针对现有技术中的不足,提出一种网络在线学习的学习环境监测方法,通过该方法可以有效的监管网络在线学习的学习,有效地收集学员信息,更好地保证学习效果,从而提高学习效率。
为解决上述技术问题,本发明提供一种网络在线学习的学习环境监测方法,具体步骤如下:
步骤1:采集学习环境图片,并对所采集的图片进行预处理,预处理的公式为:
式中,H为预处理后的图像函数;s为原图像的灰度值,R为图像增强函数,lj为累计函数,M、N为原图像的大小,L为0~255。经过预处理过的图像,使的图像的画面更加均衡,增强后图像的细节更加突出,对于后续的图像在处理有极大的帮助。
进一步地,上式可以简化为:
式中,H为预处理后的图像函数;s为原图像的灰度值,R为图像增强函数,lj为累计函数,M、N为原图像的大小,L为0~255;
步骤2:将步骤1中的预处理后的图像进行特征提取,特征提取的公式为:
式中,T为提取的特征值,(x0,y0)为中心像素点,i0为中心点像素值,P为样本点数,ip为第p个像素点像素值;D为:
式中,D为标记运算函数;
步骤3:将步骤2中的所提取出来的特征通过算法AdaBoost进行特征分类;判断学习环境中的人脸数,当人脸数超过设置的学习人数时,***报警。判断学习环境中的人脸数,当人脸数超过设置的学习人数时,***报警,这样说明学习环境具有干扰,学习效果会下降。
步骤4:将步骤3中的分类特征进行图像中的人数以及人的情绪变化进行识别,建立特征点向量ai,判断方法为:
(1)计算所有向量的平均向量,计算公式为:
式中,为特征点向量的平均值,n表示N个向量,i表示第i个向量;
(2)计算向量的协方差矩阵,计算公式为:
式中,S为向量的协方差矩阵,T为矩阵的转置;
(3)计算特征值并按升序排列,得到特征值分别为:λ1,λ2,…,λq,其中,λi>0,选择标准模型前t个特征向量P=(p1,p2,...,pt)和特征值满足:
当该等式满足时,说明与标准模型中的值匹配,输出识别结果。
通过改方法可以有效地监管网络在线学习的学习,当画面中的人员超过一定数量时,***将提醒,这样可以有效保证学习环境的可靠性;还可以通过该方法来识别学员的学习态度的变化,这样能够有效地收集学员信息,更好地保证学习效果。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详尽描述,实施例中未注明的技术或产品,均为现有技术或可以通过购买获得的常规产品。
实施例1:如图1所示,本网络在线学习的学习环境监测方法,具体步骤如下:
步骤1:采集学习环境图片,并对所采集的图片进行预处理,预处理的公式为:
式中,H为预处理后的图像函数;s为原图像的灰度值,R为图像增强函数,lj为累计函数,M、N为原图像的大小,L为0。经过预处理过的图像,使的图像的画面更加均衡,增强后图像的细节更加突出,对于后续的图像在处理有极大的帮助。
进一步地,上式可以简化为:
式中,H为预处理后的图像函数;s为原图像的灰度值,R为图像增强函数,lj为累计函数,M、N为原图像的大小,L为0;
步骤2:将步骤1中的预处理后的图像进行特征提取,特征提取的公式为:
式中,T为提取的特征值,(x0,y0)为中心像素点,i0为中心点像素值,P为样本点数,ip为第p个像素点像素值;D为:
式中,D为标记运算函数;
步骤3:将步骤2中的所提取出来的特征通过算法AdaBoost进行特征分类;判断学习环境中的人脸数,当人脸数超过设置的学习人数时,***报警。判断学习环境中的人脸数,当人脸数超过设置的学习人数时,***报警,这样说明学习环境具有干扰,学习效果会下降。
步骤4:将步骤3中的分类特征进行图像中的人数以及人的情绪变化进行识别,建立特征点向量ai,判断方法为:
(1)计算所有向量的平均向量,计算公式为:
式中,为特征点向量的平均值,n表示N个向量,i表示第i个向量;
(2)计算向量的协方差矩阵,计算公式为:
式中,S为向量的协方差矩阵,T为矩阵的转置;
(3)计算特征值并按升序排列,得到特征值分别为:λ1,λ2,…,λq,其中,λi>0,选择标准模型前t个特征向量P=(p1,p2,...,pt)和特征值满足:
当该等式满足时,说明与标准模型中的值匹配,输出识别结果。
实施例2:如图1所示,本网络在线学习的学习环境监测方法,具体步骤如下:
步骤1:采集学习环境图片,并对所采集的图片进行预处理,预处理的公式为:
式中,H为预处理后的图像函数;s为原图像的灰度值,R为图像增强函数,lj为累计函数,M、N为原图像的大小,L为255。经过预处理过的图像,使的图像的画面更加均衡,增强后图像的细节更加突出,对于后续的图像在处理有极大的帮助。
进一步地,上式可以简化为:
式中,H为预处理后的图像函数;s为原图像的灰度值,R为图像增强函数,lj为累计函数,M、N为原图像的大小,L为255;
步骤2:将步骤1中的预处理后的图像进行特征提取,特征提取的公式为:
式中,T为提取的特征值,(x0,y0)为中心像素点,i0为中心点像素值,P为样本点数,ip为第p个像素点像素值;D为:
式中,D为标记运算函数;
步骤3:将步骤2中的所提取出来的特征通过算法AdaBoost进行特征分类;判断学习环境中的人脸数,当人脸数超过设置的学习人数时,***报警。判断学习环境中的人脸数,当人脸数超过设置的学习人数时,***报警,这样说明学习环境具有干扰,学习效果会下降。
步骤4:将步骤3中的分类特征进行图像中的人数以及人的情绪变化进行识别,建立特征点向量ai,判断方法为:
(1)计算所有向量的平均向量,计算公式为:
式中,为特征点向量的平均值,n表示N个向量,i表示第i个向量;
(2)计算向量的协方差矩阵,计算公式为:
式中,S为向量的协方差矩阵,T为矩阵的转置;
(3)计算特征值并按升序排列,得到特征值分别为:λ1,λ2,…,λq,其中,λi>0,选择标准模型前t个特征向量P=(p1,p2,...,pt)和特征值满足:
当该等式满足时,说明与标准模型中的值匹配,输出识别结果。
实施例3:如图1所示,本网络在线学习的学习环境监测方法,具体步骤如下:
步骤1:采集学习环境图片,并对所采集的图片进行预处理,预处理的公式为:
式中,H为预处理后的图像函数;s为原图像的灰度值,R为图像增强函数,lj为累计函数,M、N为原图像的大小,L为100。经过预处理过的图像,使的图像的画面更加均衡,增强后图像的细节更加突出,对于后续的图像在处理有极大的帮助。
进一步地,上式可以简化为:
式中,H为预处理后的图像函数;s为原图像的灰度值,R为图像增强函数,lj为累计函数,M、N为原图像的大小,L为100;
步骤2:将步骤1中的预处理后的图像进行特征提取,特征提取的公式为:
式中,T为提取的特征值,(x0,y0)为中心像素点,i0为中心点像素值,P为样本点数,ip为第p个像素点像素值;D为:
式中,D为标记运算函数;
步骤3:将步骤2中的所提取出来的特征通过算法AdaBoost进行特征分类;判断学习环境中的人脸数,当人脸数超过设置的学习人数时,***报警。判断学习环境中的人脸数,当人脸数超过设置的学习人数时,***报警,这样说明学习环境具有干扰,学习效果会下降。
步骤4:将步骤3中的分类特征进行图像中的人数以及人的情绪变化进行识别,建立特征点向量ai,判断方法为:
(1)计算所有向量的平均向量,计算公式为:
式中,为特征点向量的平均值,n表示N个向量,i表示第i个向量;
(2)计算向量的协方差矩阵,计算公式为:
式中,S为向量的协方差矩阵,T为矩阵的转置;
(3)计算特征值并按升序排列,得到特征值分别为:λ1,λ2,…,λq,其中,λi>0,选择标准模型前t个特征向量P=(p1,p2,...,pt)和特征值满足:
当该等式满足时,说明与标准模型中的值匹配,输出识别结果。
上面结合附图对本发明的技术内容作了说明,但本发明的保护范围并不限于所述内容,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下对本发明的技术内容做出各种变化,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种网络在线学习的学习环境监测方法,其特征在于:具体步骤如下:
步骤1:采集学习环境图片,并对所采集的图片进行预处理,预处理的公式为:
式中,H为预处理后的图像函数;s为原图像的灰度值,R为图像增强函数,lj为累计函数,M、N为原图像的大小,L为0~255;
进一步地,上式可以简化为:
式中,H为预处理后的图像函数;s为原图像的灰度值,R为图像增强函数,lj为累计函数,M、N为原图像的大小,L为0~255;
步骤2:将步骤1中的预处理后的图像进行特征提取,特征提取的公式为:
式中,T为提取的特征值,(x0,y0)为中心像素点,i0为中心点像素值,P为样本点数,ip为第p个像素点像素值;D为:
式中,D为标记运算函数;
步骤3:将步骤2中的所提取出来的特征通过算法AdaBoost进行特征分类;判断学习环境中的人脸数,当人脸数超过设置的学习人数时,***报警;
步骤4:将步骤3中的分类特征进行图像中的人数以及人的情绪变化进行识别,建立特征点向量ai,判断方法为:
(1)计算所有向量的平均向量,计算公式为:
式中,为特征点向量的平均值,n表示N个向量,i表示第i个向量;
(2)计算向量的协方差矩阵,计算公式为:
式中,S为向量的协方差矩阵,T为矩阵的转置;
(3)计算特征值并按升序排列,得到特征值分别为:λ1,λ2,…,λq,其中,λi>0,选择标准模型前t个特征向量P=(p1,p2,...,pt)和特征值满足:
当该等式满足时,说明与标准模型中的值匹配,输出识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811202361.9A CN109409268A (zh) | 2018-10-16 | 2018-10-16 | 一种网络在线学习的学习环境监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811202361.9A CN109409268A (zh) | 2018-10-16 | 2018-10-16 | 一种网络在线学习的学习环境监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109409268A true CN109409268A (zh) | 2019-03-01 |
Family
ID=65467230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811202361.9A Pending CN109409268A (zh) | 2018-10-16 | 2018-10-16 | 一种网络在线学习的学习环境监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409268A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605964A (zh) * | 2013-11-25 | 2014-02-26 | 上海骏聿数码科技有限公司 | 基于图像在线学习的人脸检测方法及*** |
US9449218B2 (en) * | 2014-10-16 | 2016-09-20 | Software Ag Usa, Inc. | Large venue surveillance and reaction systems and methods using dynamically analyzed emotional input |
CN107832716A (zh) * | 2017-11-15 | 2018-03-23 | 中国科学技术大学 | 基于主动被动高斯在线学习的异常检测方法 |
CN108281052A (zh) * | 2018-02-09 | 2018-07-13 | 郑州市第十中学 | 一种在线教学***及在线教学方法 |
CN108648757A (zh) * | 2018-06-14 | 2018-10-12 | 北京中庆现代技术股份有限公司 | 一种基于多维度课堂信息的分析方法 |
-
2018
- 2018-10-16 CN CN201811202361.9A patent/CN109409268A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605964A (zh) * | 2013-11-25 | 2014-02-26 | 上海骏聿数码科技有限公司 | 基于图像在线学习的人脸检测方法及*** |
US9449218B2 (en) * | 2014-10-16 | 2016-09-20 | Software Ag Usa, Inc. | Large venue surveillance and reaction systems and methods using dynamically analyzed emotional input |
CN107832716A (zh) * | 2017-11-15 | 2018-03-23 | 中国科学技术大学 | 基于主动被动高斯在线学习的异常检测方法 |
CN108281052A (zh) * | 2018-02-09 | 2018-07-13 | 郑州市第十中学 | 一种在线教学***及在线教学方法 |
CN108648757A (zh) * | 2018-06-14 | 2018-10-12 | 北京中庆现代技术股份有限公司 | 一种基于多维度课堂信息的分析方法 |
Non-Patent Citations (2)
Title |
---|
MUSTAFA SERT 等: ""Recognizing Facial Expressions of Emotion using Action Unit Specific Decision Thresholds"", 《ASSP4MI "16 PROCEEDINGS OF THE 2ND WORKSHOP ON ADVANCEMENTS IN SOCIAL SIGNAL PROCESSING FOR MULTIMODAL INTERACTION》 * |
徐琳琳 等: ""基于图像的面部表情识别方法综述"", 《计算机应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549876A (zh) | 基于目标检测和人体姿态估计的坐姿检测方法 | |
CN107292813A (zh) | 一种基于生成对抗网络的多姿态人脸生成方法 | |
CN108629338A (zh) | 一种基于lbp和卷积神经网络的人脸美丽预测方法 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN111626297A (zh) | 文字书写质量评价方法、装置、电子设备和记录介质 | |
CN110163286A (zh) | 一种基于混合池化的领域自适应图像分类方法 | |
CN109146174A (zh) | 一种基于成绩预测的选修课精准推荐方法 | |
Hao | Multimedia English teaching analysis based on deep learning speech enhancement algorithm and robust expression positioning | |
CN110008793A (zh) | 人脸识别方法、装置及设备 | |
CN108345833A (zh) | 数学公式的识别方法及***和计算机设备 | |
CN108549901A (zh) | 一种基于深度学习的快速迭代目标检测方法 | |
CN109815864A (zh) | 一种基于迁移学习的人脸图像年龄识别方法 | |
CN109583498A (zh) | 一种基于低秩正则化特征增强表征的时尚兼容度预测方法 | |
Yue et al. | Research on improved YOLOv3 fire detection based on enlarged feature map resolution and cluster analysis | |
CN111291705A (zh) | 一种跨多目标域行人重识别方法 | |
CN107944373A (zh) | 一种基于深度学习的视频异常行为检测方法 | |
CN109214467B (zh) | 考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法 | |
Lu et al. | Semi-supervised landcover classification with adaptive pixel-rebalancing self-training | |
Wang et al. | Developing and evaluating a novel gamified virtual learning environment for asl | |
CN109409268A (zh) | 一种网络在线学习的学习环境监测方法 | |
CN104050451A (zh) | 一种基于多通道Haar-like特征的鲁棒目标跟踪方法 | |
Liu | RETRACTED: Beach sports image detection based on heterogeneous multi-processor and convolutional neural network | |
CN110443277A (zh) | 基于注意力模型的少量样本分类方法 | |
CN113989499B (zh) | 一种基于人工智能的银行场景下智能报警方法 | |
Liu et al. | Exploring multiple application scenarios of visual communication course using deep learning under the digital twins |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |