CN109919079A - 用于检测学习状态的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于检测学习状态的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像；将目标图像输入至预先训练的学习状态检测模型，得到目标图像的学习状态检测结果，其中，学习状态检测结果包括：违规学习状态和正常学习状态；响应于确定学习状态检测结果表征的学习状态属于违规学习状态，确定人体脸部图像对应的用户信息；生成第一提示信息以及将所生成的第一提示信息发送给目标客户端，其中，第一提示信息用于表征所述用户信息所指示的用户的学习状态为违规学习状态。该实施方式丰富了检测学习状态的灵活性。

Description

用于检测学习状态的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于检测学习状态的方法和装置。

背景技术

相关的检测学习状态的方法通常是通过识别人脸图像，判断眼睛是否睁开、是否处于清醒状态等来确定人脸对应的人是都处于学习状态，适用的场景范围较为局限且不宜扩展。随着需要检测的人数的增加，需要的硬件成本较高。

发明内容

本申请实施例提出了用于检测学习状态的方法和装置。

第一方面，本申请实施例提供了一种用于检测学习状态的方法，该方法包括：将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像；将上述目标图像输入至预先训练的学习状态检测模型，得到上述目标图像的学习状态检测结果，其中，上述学习状态检测结果包括：违规学习状态和正常学习状态；响应于确定上述学习状态检测结果表征的学习状态属于违规学习状态，确定上述人体脸部图像对应的用户信息；生成第一提示信息以及将所生成的第一提示信息发送给目标客户端，其中，上述第一提示信息用于表征上述用户信息所指示的用户的学习状态为违规学习状态。

在一些实施例中，上述违规学习状态包括以下至少一项：眼睛焦点脱离学习材料超过第一预设时长，处于闭眼状态超过第二预设时长。

在一些实施例中，上述违规学习状态还包括瞌睡状态，上述瞌睡状态是将上述人体脸部图像中的眼部特征和嘴部特征通过PERCLOS算法来判断得到的。

在一些实施例中，上述学习状态检测模型通过如下步骤训练得到：获取样本集，其中，样本包括人体脸部图像的样本图像，以及与样本图像对应的样本学习状态检测结果；基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本图像分别输入至初始神经网络，得到上述至少一个样本中的每个样本对应的学习状态检测结果；将上述至少一个样本中的每个样本对应的学习状态检测结果与对应的样本学习状态检测结果进行比较，根据比较结果确定初始神经网络是否达到预设的优化目标，响应于确定初始神经网络达到上述优化目标，将初始神经网络作为训练完成的学习状态检测模型。

在一些实施例中，训练得到上述学习状态检测模型的步骤还包括：响应于确定初始神经网络未达到上述优化目标，调整初始神经网络的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始神经网络作为初始神经网络，继续执行上述训练步骤。

第二方面，本申请实施例提供了一种用于检测学习状态的装置，该装置包括：接收确定单元，被配置成将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像；输入单元，被配置成将上述目标图像输入至预先训练的学习状态检测模型，得到上述目标图像的学习状态检测结果，其中，上述学习状态检测结果包括：违规学习状态和正常学习状态；确定单元，被配置成响应于确定上述学习状态检测结果表征的学习状态属于违规学习状态，确定上述人体脸部图像对应的用户信息；生成发送单元，被配置成生成第一提示信息以及将所生成的第一提示信息发送给目标客户端，其中，上述第一提示信息用于表征上述用户信息所指示的用户的学习状态为违规学习状态。

在一些实施例中，违规学习状态包括以下至少一项：眼睛焦点脱离学习材料超过第一预设时长，处于闭眼状态超过第二预设时长。

在一些实施例中，违规学习状态还包括瞌睡状态，瞌睡状态是将人体脸部图像中的眼部特征和嘴部特征通过PERCLOS算法来判断得到的。

在一些实施例中，上述学习状态检测模型通过如下步骤训练得到：获取样本集，其中，样本包括人体脸部图像的样本图像，以及与样本图像对应的样本学习状态检测结果；基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本图像分别输入至初始神经网络，得到上述至少一个样本中的每个样本对应的学习状态检测结果；将上述至少一个样本中的每个样本对应的学习状态检测结果与对应的样本学习状态检测结果进行比较，根据比较结果确定初始神经网络是否达到预设的优化目标，响应于确定初始神经网络达到上述优化目标，将初始神经网络作为训练完成的学习状态检测模型。

在一些实施例中，训练得到上述学习状态检测模型的步骤还包括：响应于确定初始神经网络未达到上述优化目标，调整初始神经网络的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始神经网络作为初始神经网络，继续执行上述训练步骤。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于检测学习状态的方法和装置，首先，将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像。然后，将上述目标图像输入至预先训练的学习状态检测模型，得到上述目标图像的学习状态检测结果，其中，所述学习状态检测结果包括：违规学习状态和正常学习状态。之后，响应于确定所述学习状态检测结果表征的学习状态属于违规学习状态，确定所述人体脸部图像对应的用户信息。最后，生成第一提示信息以及将所生成的第一提示信息发送给目标客户端，其中，上述第一提示信息用于表征上述用户信息所指示的用户的学习状态为违规学习状态。本申请实施例提供的用于检测学习状态的方法和装置可以获得处于违规学习状态的用户对应的用户信息，以及将表征用户信息所指示的用户的学习状态为违规学习状态的提示信息发送给目标客户端，用以提醒使用该目标客户端的人员。例如可以获得处于违规学习状态的学生对应的身份信息。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请实施例可以应用于其中的示例性***架构图；

图2是根据本申请的用于检测学习状态的方法的一个实施例的流程图；

图3是根据本申请的用于检测学习状态的方法的一个应用场景的示意图；

图4是根据本申请的用于检测学习状态的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于检测学习状态的方法或用于检测学习状态的装置的示例性***架构100。

如图1所示，***架构100可以包括图像采集设备101、102、103，网络104和服务器105。网络104用以在图像采集设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

图像采集设备101、102、103可以通过网络104与服务器105交互，以接收指令或发送消息等。图像采集设备101、102、103可以包括摄像头和深度摄像头。

服务器105可以是提供各种服务的服务器，例如对图像采集设备101、102、103所发送的信息进行解析等处理的后台服务器。后台服务器可以利用图像采集设备101、102、103进行监控，从而将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧，还可以对该视频帧进行存储。服务器105可以对包括人体脸部图像的视频帧等数据进行分析等处理，并确定上述视频帧中的人体脸部对应的用户信息。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于检测学习状态的方法一般由服务器105执行，相应地，用于检测学习状态的装置一般设置于服务器105中。

还需要指出的是，图像采集设备101、102、103中也可以具有图像处理功能。此时，示例性***架构100可以不存在服务器105和网络104。此时，本申请实施例所提供的用于检测学习状态的方法由图像采集设备101、102、103执行，相应地，用于检测学习状态的装置设置于图像采集设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于检测学习状态的方法的一个实施例的流程200。该用于检测学习状态的方法，包括以下步骤：

步骤201，将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像。

在本实施例中，用于检测学习状态的方法的执行主体(例如图1所示的服务器105)可以从通信连接的图像采集设备接收视频。然后，将从该视频中提取包括人体脸部图像的视频帧确定为目标图像。例如学生图像等。上述图像采集设备可以是用于采集图像的一个或多个电子设备，例如摄像头、深度摄像头等。

需要说明的是，上述执行主体可以利用各种方式接收视频。可选地，可以通过安装在教室中的摄像头采集图像，且该摄像头与上述执行主体通信连接。上述执行主体可以通过该摄像头对教室中的学生进行监控。摄像头可以正对学生位置，以便于采集学生的学习过程的视频。可选地，还可以通过安装于在线学习***所在的终端设备上的摄像头，实时采集学生在当前时间段内的学习过程的视频，并将所采集到的视频实时发送至执行主体。执行主体从接收到的视频中获取包括人体脸部图像的视频帧作为目标图像。

步骤202，将目标图像输入至预先训练的学习状态检测模型，得到目标图像的学习状态检测结果。

在本实施例中，学习状态检测结果包括：违规学习状态和正常学习状态。基于步骤201所得到的目标图像，执行主体可以将目标图像输入至预先训练的学习状态检测模型，从而得到目标图像的学习状态检测结果。学习状态检测结果可以包括违规学习状态，也可以包括正常学习状态。违规学习状态可以通过判断目标图像中的眼睛焦点是否脱离学习材料超过预设时长来确定。例如，若教室里的学生在学习过程中出现眼睛焦点脱离黑板超过预设时长则表示学生处于违规学习状态。再例如，若使用在线学习***的学生在学习过程中出现眼睛焦点脱离屏幕超过预设时长则表示学生处于违规学习状态。上述黑板、屏幕等都属于学习材料。违规学习状态还可以通过提取脸部的表情特征来确定，例如，若使用在线学习***的学生在学习过程中的表情处于笑脸状态或流泪状态超过预设时长，则该学生即时眼睛焦点在屏幕上，但是并没有处于正常学习状态，很可能屏幕上还运行着其他非学习软件，例如，搞笑视频、悲剧电影。可选地，违规学习状态还可以包括瞌睡状态，其中，瞌睡状态是将人体脸部图像中的眼部特征和嘴部特征通过PERCLOS(Percentage of EyeIidCIosure over the PupiI，over Time，简称PERCLOS)算法来判断得到的。

在本实施例中，学习状态检测模型可以是人工神经网络，它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。通常由大量的节点(或称神经元)之间相互联接构成，每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重(又叫做参数)，网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。学习状态检测模型通常包括多个层，每个层包括多个节点，通常，同一层的节点的权重可以相同，不同层的节点的权重可以不同，故学习状态检测模型的多个层的参数也可以不同。这里，执行主体可以将目标图像从学习状态检测模型的输入侧输入，依次经过学习状态检测模型中的各层的参数的处理(例如乘积、卷积等)，并从学习状态检测模型的输出侧输出，输出侧输出的信息即为目标图像的学习状态检测结果。

在本实施例中，学习状态检测模型用于表征包括人体脸部图像的图像与图像的学习状态检测结果之间的对应关系。执行主体可以通过多种方式训练出可以表征包括人体脸部图像的图像与图像的学习状态检测结果之间的对应关系的学习状态检测模型。

作为一种示例，执行主体可以基于对大量包括学生脸部图像的图像和学生学习状态进行统计而生成存储有多个包括学生脸部图像的图像和学生学习状态的对应关系的对应关系表，并将该对应关系表作为学习状态检测模型。这样，执行主体可以将目标图像与该对应关系表中的多个包括学生脸部图像的表情状态依次进行比较，若该对应关系表中的一个图像的表情状态与目标图像中的脸部图像的表情状态相同或相似，则将该对应关系表中的该图像所对应的学生学习状态作为目标图像的学习状态。

作为另一种示例，执行主体可以首先获取多个包括学生脸部图像的样本图像和多个样本图像中的每个样本图像所对应的样本学生的学习状态结果；然后将多个样本图像中的至少一个样本图像作为输入，将多个样本图像中的至少一个样本图像所对应的样本学生的学习状态结果作为期望输出，训练得到学习状态检测模型。这里，执行主体可以获取多个包括学生脸部图像的样本图像，并展示给技术人员，技术人员可以根据经验对多个样本图像中的每个样本图像标注样本学生的学习状态结果。执行主体训练的可以是初始化学习状态检测模型，初始化学习状态检测模型可以是未经训练的学习状态检测模型或未训练完成的学习状态检测模型，初始化的学习状态检测模型的各层可以设置有初始参数，参数在学习状态检测模型的训练过程中可以被不断地调整。初始化学习状态检测模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型，例如，初始化学习状态检测模型可以是未经训练的卷积神经网络，也可以是未经训练的循环神经网络，还可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得到的模型。这样，执行主体可以将目标视频从学习状态检测模型的输入侧输入，依次经过学习状态检测模型中的各层的参数的处理，并从学习状态检测模型的输出侧输出，输出侧输出的信息即为目标学生的学习状态结果。

在一些可选的实现方式中，上述学习状态检测模型可以是上述执行主体或者其他用于训练上述学习状态检测模型的执行主体通过以下方式训练得到：

步骤S1，可以获取样本集，其中，样本可以包括人体脸部图像的样本图像，以及与样本图像对应的样本学习状态检测结果。

步骤S2，可以基于样本集执行以下训练步骤：首先，可以将样本集中的至少一个样本的样本图像分别输入至初始神经网络，得到上述至少一个样本中的每个样本对应的学习状态检测结果。其中，初始神经网络可以是能够根据包括人体脸部图像的图像得到学习状态检测结果的各种神经网络，例如，卷积神经网络、深度神经网络等等。其次，可以将上述至少一个样本中的每个样本对应的学习状态检测结果与对应的样本学习状态检测结果进行比较。然后，根据比较结果确定初始神经网络是否达到预设的优化目标。作为示例，当一个样本对应的学习状态检测结果与对应的样本学习状态检测结果之间的差异小于预设差异阈值时，认为该学习状态检测结果是准确的。此时，上述优化目标可以是指上述初始神经网络生成的学习状态检测结果的准确率大于预设的准确率阈值。最后，响应于确定初始神经网络达到上述优化目标，可以将初始神经网络作为训练完成的学习状态检测模型。

可选的，训练得到上述学习状态检测模型的步骤还可以包括以下步骤：

步骤S3，响应于确定所上述初始神经网络未达到上述优化目标，可以调整上述初始神经网络的网络参数，以及使用未用过的样本组成样本集，继续执行上述训练步骤。作为示例，可以采用反向传播算法(Back Propgation Algorithm，BP算法)和梯度下降法(例如小批量梯度下降算法)对上述初始神经网络的网络参数进行调整。需要说明的是，反向传播算法和梯度下降法是目前广泛研究和应用的公知技术，在此不再赘述。

步骤203，响应于确定上述学习状态检测结果表征的学习状态属于违规学习状态，确定人体脸部图像对应的用户信息。

在本实施例中，基于步骤202所得到的学习状态检测结果，确定上述学习状态检测结果表征的学习状态是否属于违规学习状态。上述违规学习状态通常是指违规学习状态。上述违规学习状态可以是指违规学习状态。例如，若学生在学习过程中出现眼睛焦点脱离学习材料超过预设时长则表示学生违规学习状态。上述人体脸部图像通常是指脸部图像。通过对上述学习状态检测结果与违规学习状态进行比较可以确定学习状态检测结果表征的学习状态是否属于违规学习状态。通过对上述脸部图像进行人脸识别，然后从预设的用户信息数据库中查找与人脸识别结果相匹配的用户信息，从而可以确定脸部图像对应的用户信息。用户信息通常是指用户的身份信息，例如学生的姓名，学生的编号等。上述预设的用户信息数据库可以是与执行主体通信连接的数据库服务器中的用户信息数据库。那么，可以通过向该数据库服务器发送查找用户信息的请求，从而可以通过该数据库服务器确定脸部图像对应的用户信息。

步骤204，生成第一提示信息以及将所生成的第一提示信息发送给目标客户端。

在本实施例中，第一提示信息用于表征用户信息所指示的用户的学习状态为违规学习状态。通常上述第一提示信息包括所确定的用户信息，例如所确定的用户信息是“张三，学号001”，第一提示信息可以是“请注意，学号001，张三，处于交头接耳状态，注意提醒”。

上述违规学习状态可以是设定的任意学习状态，例如瞌睡状态、交头接耳状态、走神状态。上述目标客户端可以是需要应用上述提示信息的客户端，例如教室的监控客户端。

在本实施例的一些可选的实现方式中，上述违规学习状态可以包括以下至少一项：眼睛焦点脱离学习材料超过第一预设时长，处于闭眼状态超过第二预设时长。上述学习材料可以是纸质学习材料，也可以是电子化学习材料(例如显示有学习内容的屏幕)，还可以是记载学习内容的黑板等，在此不作限制。

本申请实施例提供的用于检测学习状态的方法，通过将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像。然后，将上述目标图像输入至预先训练的学习状态检测模型，得到上述目标图像的学习状态检测结果，其中，上述学习状态检测结果包括：违规学习状态和正常学习状态。之后，响应于确定上述学习状态检测结果表征的学习状态属于违规学习状态，确定上述人体脸部图像对应的用户信息。最后，生成第一提示信息以及将所生成的第一提示信息发送给目标客户端，其中，上述第一提示信息用于表征上述用户信息所指示的用户的学习状态为违规学习状态。本申请实施例提供的用于检测学习状态的方法和装置可以获得处于违规学习状态的用户对应的用户信息，以及将表征用户信息所指示的用户的学习状态为违规学习状态的提示信息发送给目标客户端，用以提醒使用该目标客户端的人员。

继续参见图3，图3是根据本实施例的用于检测学习状态的方法的应用场景的一个示意图。在图3的应用场景中，终端设备302首先将从通信连接的摄像头301收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像(学生的脸部图像303)。之后，终端设备302可以将脸部图像303输入学习状态检测模型304，得到脸部图像的学习状态检测结果305。然后，终端设备302可以响应于确定学习状态检测结果305表征的学习状态属于违规学习状态(例如，表情处于笑脸状态超过5分钟，又例如，眼睛焦点脱离屏幕超过5分钟)，确定人脸图像对应的学生的身份信息306。最后，生成第一提示信息307以及将所生成的第一提示信息307发送给目标客户端308，其中，上述第一提示信息307用于表征身份信息306所指示的学生的学习状态为违规学习状态。

本申请的上述实施例提供的方法实现了对包括脸部图像的目标图像进行检测，若上述脸部图像表征的学习状态属于违规学习状态，则确定上述脸部图像对应的学生的身份信息，通过将提示信息发动给目标客户端，可以指导使用客户端的人员作出处理，例如可以将某一个学生处于违规学习状态的提示信息发送给教室的授课人员或者负责监控在线学习的客服人员，从而避免损失。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于检测学习状态的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的用于检测学习状态的装置400包括：接收确定单元401、输入单元402、确定单元403和生成发送单元404。其中，接收确定单元401，被配置成将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像。输入单元402，被配置成将上述目标图像输入至预先训练的学习状态检测模型，得到上述目标图像的学习状态检测结果，其中，上述学习状态检测结果包括：违规学习状态和正常学习状态。确定单元403，被配置成响应于确定上述学习状态检测结果表征的学习状态属于违规学习状态，确定上述人体脸部图像对应的用户信息。生成发送单元404，被配置成生成第一提示信息以及将所生成的第一提示信息发送给目标客户端，其中，上述第一提示信息用于表征上述用户信息所指示的用户的学习状态为违规学习状态。

在本实施例中，用于检测学习状态的装置400的接收确定单元401、输入单元402、确定单元403和生成发送单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，该接收确定单元401还包括：接收子单元，被配置成接收通信连接的图像采集设备发送的视频，其中，视频是图像采集设备采集的。

在本实施例的一些可选的实现方式中，上述学习状态检测结果包括以下至少一项：违规学习状态，正常学习状态。

在本实施例的一些可选的实现方式中，上述违规学习状态包括以下至少一项：眼睛焦点脱离学习材料超过第一预设时长，处于闭眼状态超过第二预设时长。

在本实施例的一些可选的实现方式中，上述违规学习状态还可以包括瞌睡状态，其中，瞌睡状态是将人体脸部图像中的眼部特征和嘴部特征通过PERCLOS算法来判断得到的。

在本实施例的一些可选的实现方式中，上述学习状态检测模型通过如下步骤训练得到：获取样本集，其中，样本包括人体脸部图像的样本图像，以及与样本图像对应的样本学习状态检测结果；基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本图像分别输入至初始神经网络，得到上述至少一个样本中的每个样本对应的学习状态检测结果；将上述至少一个样本中的每个样本对应的学习状态检测结果与对应的样本学习状态检测结果进行比较，根据比较结果确定初始神经网络是否达到预设的优化目标，响应于确定初始神经网络达到上述优化目标，将初始神经网络作为训练完成的学习状态检测模型。

在本实施例的一些可选的实现方式中，训练得到上述学习状态检测模型的步骤还包括：响应于确定初始神经网络未达到上述优化目标，调整初始神经网络的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始神经网络作为初始神经网络，继续执行上述训练步骤。

下面参考图5，其示出了适于用来实现本申请实施例的服务器的计算机***500的结构示意图。图5示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机***500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有***500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括获取单元、输入单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取包括人体脸部图像的目标图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取包括人体脸部图像的目标图像；将上述目标图像输入至预先训练的学习状态检测模型，得到上述目标图像的学习状态检测结果，其中，上述学习状态检测模型用于表征包括人体脸部图像的图像与图像的学习状态检测结果之间的对应关系；响应于确定上述学习状态检测结果表征的学习状态属于违规学习状态，确定上述人体脸部图像对应的用户信息。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于检测学习状态的方法，包括：

将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像；

将所述目标图像输入至预先训练的学习状态检测模型，得到所述目标图像的学习状态检测结果，其中，所述学习状态检测结果包括：违规学习状态和正常学习状态；

响应于确定所述学习状态检测结果表征的学习状态属于违规学习状态，确定所述人体脸部图像对应的用户信息；

生成第一提示信息以及将所生成的第一提示信息发送给目标客户端，其中，所述第一提示信息用于表征所述用户信息所指示的用户的学习状态为违规学习状态。

2.根据权利要求1所述的方法，其中，所述违规学习状态包括以下至少一项：眼睛焦点脱离学习材料超过第一预设时长，处于闭眼状态超过第二预设时长。

3.根据权利要求1所述的方法，其中，所述违规学习状态还包括瞌睡状态，所述瞌睡状态是将所述人体脸部图像中的眼部特征和嘴部特征通过PERCLOS算法来判断得到的。

4.根据权利要求1-3之一所述的方法，其中，所述学习状态检测模型通过如下步骤训练得到：

获取样本集，其中，样本包括人体脸部图像的样本图像，以及与样本图像对应的样本学习状态检测结果；

基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本图像分别输入至初始神经网络，得到所述至少一个样本中的每个样本对应的学习状态检测结果；将所述至少一个样本中的每个样本对应的学习状态检测结果与对应的样本学习状态检测结果进行比较，根据比较结果确定初始神经网络是否达到预设的优化目标，响应于确定初始神经网络达到所述优化目标，将初始神经网络作为训练完成的学习状态检测模型。

5.根据权利要求4所述的方法，其中，训练得到所述学习状态检测模型的步骤还包括：

响应于确定初始神经网络未达到所述优化目标，调整初始神经网络的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始神经网络作为初始神经网络，继续执行所述训练步骤。

6.一种用于检测学习状态装置，包括：

接收确定单元，被配置成将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像；

输入单元，被配置成将所述目标图像输入至预先训练的学习状态检测模型，得到所述目标图像的学习状态检测结果，其中，所述学习状态检测结果包括：违规学习状态和正常学习状态；

确定单元，被配置成响应于确定所述学习状态检测结果表征的学习状态属于违规学习状态，确定所述人体脸部图像对应的用户信息；

生成发送单元，被配置成生成第一提示信息以及将所生成的第一提示信息发送给目标客户端，其中，所述第一提示信息用于表征所述用户信息所指示的用户的学习状态为违规学习状态。

7.根据权利要求6所述的装置，其中，所述违规学习状态包括以下至少一项：眼睛焦点脱离学习材料超过第一预设时长，处于闭眼状态超过第二预设时长。

8.根据权利要求6所述的装置，其中，所述违规学习状态还包括瞌睡状态，所述瞌睡状态是将所述人体脸部图像中的眼部特征和嘴部特征通过PERCLOS算法来判断得到的。

9.根据权利要求6-8之一所述的装置，其中，所述学习状态检测模型通过如下步骤训练得到：

获取样本集，其中，样本包括人体脸部图像的样本图像，以及与样本图像对应的样本学习状态检测结果；

基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本图像分别输入至初始神经网络，得到所述至少一个样本中的每个样本对应的学习状态检测结果；将所述至少一个样本中的每个样本对应的学习状态检测结果与对应的样本学习状态检测结果进行比较，根据比较结果确定初始神经网络是否达到预设的优化目标，响应于确定初始神经网络达到所述优化目标，将初始神经网络作为训练完成的学习状态检测模型。

10.根据权利要求9所述的装置，其中，训练得到所述学习状态检测模型的步骤还包括：

响应于确定初始神经网络未达到所述优化目标，调整初始神经网络的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始神经网络作为初始神经网络，继续执行所述训练步骤。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。