基于大數據的學生課堂狀態識別系統

白松凡 高雅田 王佳帥

摘 要 當代課堂教育中課堂管理薄弱、學生課堂狀態不佳等問題普遍存在。在大數據逐漸普及的時代下，提出運用大數據技術來識別并分析學生的課堂狀態。根據在教室上課的學生個體進行面部特征提取，訓練出基于支持向量機（SVM）的學生面部狀態分類模型，通過此模型對正在上課的學生課堂狀態進行分類，將分類后的結果進行可視化統計，進而得出學生上課時的總體狀態。

關鍵詞 大數據 人臉識別 支持向量機

0引言

大數據技術的發展與應用，推動著各領域信息技術的迅速發展，課堂教育中的信息也不例外。在科技發展迅速的今天，學生的課堂狀態分析方式落后，相關的教育部門也尚未發展出可視化的統計分析，導致學生課堂狀態只能靠人力管理，出現大量諸如學生聽課不認真，學習效率差的現象。隨著大數據時代的到來，課堂監控中的海量信息便擁有了系統化分析的契機。學生課堂視頻流中的海量圖片信息，可以通過大數據環境來進行存儲、統計、分析。本文以大數據技術在課堂狀態的信息存儲為出發點，通過人臉識別技術提取出學生的面部特征，放入利用支持向量機所構成的算法中進行訓練，從而提出一種新型且較為準確的識別學生課堂狀態的模型。最后借助可視化方法展現學生的課堂狀態。

1學生課堂狀態識別系統架構

1.1系統工作原理

在學生上課的視頻中，如果一堂課的時間為45分鐘，以每一分鐘為一幀，截取一張圖片，則有45張圖片。如果想要分析全國學生在某一節課的課堂狀態，照片的數量無疑是海量的。如果以傳統的方式存儲圖片，不僅會出現管理效率低、存儲能力不足、成本過于昂貴等問題，還會造成不必要技術人員的浪費。對此，本系統采用基于大數據的Hadoop技術來存儲圖片。Hadoop采用面向列的存儲模型，一個單獨的列簇可以存儲一張圖片的信息，如圖片的大小、圖片的來源、存儲和處理的時間、教師、課程以及學校等信息。這樣不僅解決了圖片存儲問題，還使圖片檢索功能變得更加靈活。通常情況下，教室中的電子攝像頭都會放在教室的前方，以固定角度拍攝學生的課堂狀態。拍攝出的圖像是整個教室的狀態，不全是人臉，所以需要人臉檢測技術來定位并分離人臉區域。在人臉檢測的過程中，拍攝的光照度，學生的面部妝容與修飾等等都會加大人臉檢測的難度。從而導致無法自動化的從整個教室背景中檢測并定位學生的人臉區域。為了更好的提取出學生的面部信息，系統將對原有圖片進行歸一化和二值化操作。歸一化包括幾何歸一化與灰度歸一化。幾何歸一化主要用于將人臉圖片變為統一的尺寸，而灰度歸一化則是減少光線和光照強度的影響，使圖片更加清晰直觀。二值化是將灰度化后的圖片轉化成黑白圖片，有利于進一步的人臉特征提取。人臉特征提取主要依賴于人的五官，通過五官的位置，可以判斷出學生的面部朝向，進而分析出學生的課堂狀態。本系統將采用眼睛作為特征提取部位，原因是眼睛在經過預處理后的圖片中顯示為黑色，絕大部分呈現圓形或者半圓形，便于與其他的面部特征進行區分。系統將記錄雙眼瞳孔中心以及上、下、左、右四個邊緣點在面部的坐標并放到支持向量機模型中進行分類。

1.2系統框架設計

學生課堂狀態識別系統是將大數據技術內嵌到智能監控系統中，對智能監控系統的攝像機所采集的圖像信息進行圖像存儲、處理與分類，學生課堂狀態識別系統。系統包括基礎設施層、服務資源層以及系統應用層三部分。其中基礎設施層主要用于前端數據采集，由若干攝像頭與監控器組成。攝像頭用于采集圖像，而監控器用于更改攝像頭的拍攝角度、拍攝時間等設置。服務資源層主要由圖像存儲服務器、管理工作站構成，主要用于存儲和管理通過攝像頭采集的圖像數據。系統應用層是整個系統的核心，用于將存儲到服務器中的圖片進行處理、分類、分析，并將分析結果展現給用戶。

1.3系統的工作流程

學生課堂狀態識別系統的流程為，智能監控系統的前端攝像頭按照人為規定的拍照角度、拍攝位置、工作頻率等設定進行正常工作。采集一定時間和空間的范圍內的圖像信息，將圖片上傳到基于Hadoop存儲技術的服務器中。根據識別系統中的需求進而選擇相應的圖片進入系統。系統首先會對圖片進行人臉檢測，將每張圖片裁剪成若干人臉圖片，之后對每張人臉圖片進行預處理。通過幾何歸一化將人臉圖片拉伸或收縮成統一大小的圖片，在將圖片進行灰度化，弱化光照效果后，通過二值化將圖片轉化成黑白人臉圖片。經過處理的圖片再進行人臉特征提取，提取出人眼長寬、眼間距、眼睛位置等數據。提取出一部分的數據進入基于SVM的訓練模型中進行訓練，找出最優的分類模型，再將另一部分數據代入到分類模型中進行檢測，如果結果誤差在人為規定的誤差范圍內，則采用此分類器對新的數據進行分析，最后將分類結果顯示出來。

2結論

本文對學生課堂狀態識別系統中的系統的架構、流程和所用到的技術點進行了簡要的論述。通過智能攝像頭采集到的學生上課過程中的圖片進行存儲、處理和分析，從而實現對學生課堂狀態的分類和識別。大數據的各項技術都具有實用性強的特點，在各領域中都有普遍的應用，但在教育領域上稍有薄弱。學生課堂狀態的數據具有相當寶貴的挖掘價值，需要更進一步的探索和分析。隨著大數據技術的不斷進步，并結合教育領域進行新的研發，無疑打破了原有的教育觀念，極大的推進了教育事業的發展。

參考文獻

[1] 周曉慶，周智勇，高江錦，肖建瓊，羅興賢.基于Hadoop的海量圖片存儲平臺的設計與開發[J].電腦知識與技術，2018，14（17）：135-137.

[2] 李榮崗.基于支持向量機的嫌疑人特征預測算法及分布式實現[D].合肥：合肥工業大學，2017.

[3] 柴曉麗.大數據環境下人臉識別技術在智能監控系統中的運用分析[J].電視技術，2018，42（07）：38-42.

[4] 李歡歡.人臉識別技術在高校管理中的系統設計與應用[J].電子技術與軟件工程，2018（21）：120-121.

[5] 李忠偉.支持向量機學習算法研究[D].哈爾濱：哈爾濱工程大學，2006.