[發明專利]一種遠程教學的教學質量評估方法及系統

有效

• 申請號: 201711213743.7
• 申請日: 2017-11-28
• 公開（公告）號: CN107832740B
• 公開（公告）日: 2020-08-25
• 發明（設計）人: 楊林權;谷俊允
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06Q10/06;G06Q50/20
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 龔春來

1.一種遠程教學的教學質量評估方法，其特征在于，包含如下步驟：

S1、獲取各學習端的拍攝裝置所拍攝的學習者學習時的面部的表情圖像；

S2、分別對各個拍攝裝置的表情圖像進行處理；對任一個拍攝裝置的表情圖像進行處理的方法如下：先將表情圖像進行表情分類處理，再將表情圖像輸入至分類到的表情所對應的強度處理子模型進行處理，得到分類到的表情的強度，其中一個表情分類下的強度處理子模型中具有該表情分類的多個強度；

S3、根據預設的轉換關系，將步驟S2得到各表情分類以及對應的表情的強度進行整體數據分析，得出每個客戶端的分數后，把在同一時刻的客戶端的分數求平均值，將平均值的大小作為教學質量評估指標，該平均值越大教學質量越好；

所述教學質量評估方法還包括分別訓練各個強度處理子模型的步驟，任意一個強度處理子模型的訓練步驟包括：

A1、獲取某一表情分類下的用于訓練的包含人面部分的表情數據庫，所述表情數據庫包含具有面部表情強度標簽的數據庫與無面部表情強度標簽的數據庫；

A2、對所述表情數據庫中的圖像數據進行預處理，提取出人面部分的數據；

A3、對提取出的人面部分的數據分別進行面部幾何特征、局部二值模式和Gabor小波變換三種模式的特征提??；

A4、分別使用全監督模式、半監督模式和無監督模式對步驟A3輸出的數據進行訓練，得到特征與面部表情強度的關系；

A5、將所述訓練后形成的數據分別作為序數隨機森林算法的輸入進行訓練，分別得出面部表情強度處理子模型，將k₁*B₁+k₂*B₂+k₃*B₃作為最終的面部表情強度計算模型，其中系數k₁、k₂、k₃的取值范圍均為(0，1)，且k₁+k₂+k₃＝1，B₁、B₂、B₃分別為同一輸入條件下全監督模式、半監督模式和無監督模式對應的輸出值；

全監督模式是指采用帶有強度標簽的圖像數據作為該模式的表情數據庫進行訓練；半監督模式是指采用部分帶有強度標簽部分不帶有強度標簽的圖像數據作為該模式的表情數據庫進行訓練；無監督模式是指采用不帶有強度標簽的圖像數據作為該模式的表情數據庫進行訓練；

步驟A3中對于任意一幀：是以該幀中下巴與鼻尖的像素間距離為標準值，將嘴角、下巴、眼角、上下眼皮之間的像素間的相互距離與該幀的標準值的比值作為面部幾何特征；

所述序數隨機森林算法中：對于參與訓練的數據庫中的圖像序列中每一幀，首先進行序數回歸分析，預測該幀在各個強度值上的分布比，然后在隨機森林算法對該圖像序列中的幀進行回歸分析時，對每個決策樹得到的強度值Q進行加權，所加權重為該幀在單獨進行序數回歸分析時，分析結果中強度值Q所占的比例。

2.根據權利要求1所述的教學質量評估方法，其特征在于，步驟S2中的表情分類由高興、疑惑、及焦慮組成，強度處理子模型是指高興強度處理子模型、疑惑強度處理子模型、焦慮強度處理子模型三種之一。

3.根據權利要求1所述的教學質量評估方法，其特征在于，所述步驟A2中預處理包括：人臉特征點定位、人臉識別、圖像剪切和直方圖均衡化；方案采用主動形狀模型ASM獲取面部特征點，利用瞳孔間的連線與水平線的夾角，旋轉圖像使得瞳孔間連線為水平，之后調用OpenCV庫中人臉識別框架獲取圖像數據中人面部分，并且剪切面部區域為M*N像素，最后對剪切后的所有圖像數據進行直方圖均衡化處理；其中，M、N均為正整數且均大于3。

4.根據權利要求1所述的教學質量評估方法，其特征在于，所述步驟A3中還包括步驟：采用主成分分析方法，分別對三種模式提取的特征進行處理以降低特征數據的維度。