基于大数据的学生课堂状态识别系统

白松凡 高雅田 王佳帅

摘 要 当代课堂教育中课堂管理薄弱、学生课堂状态不佳等问题普遍存在。在大数据逐渐普及的时代下，提出运用大数据技术来识别并分析学生的课堂状态。根据在教室上课的学生个体进行面部特征提取，训练出基于支持向量机（SVM）的学生面部状态分类模型，通过此模型对正在上课的学生课堂状态进行分类，将分类后的结果进行可视化统计，进而得出学生上课时的总体状态。

关键词 大数据 人脸识别 支持向量机

0引言

大数据技术的发展与应用，推动着各领域信息技术的迅速发展，课堂教育中的信息也不例外。在科技发展迅速的今天，学生的课堂状态分析方式落后，相关的教育部门也尚未发展出可视化的统计分析，导致学生課堂状态只能靠人力管理，出现大量诸如学生听课不认真，学习效率差的现象。随着大数据时代的到来，课堂监控中的海量信息便拥有了系统化分析的契机。学生课堂视频流中的海量图片信息，可以通过大数据环境来进行存储、统计、分析。本文以大数据技术在课堂状态的信息存储为出发点，通过人脸识别技术提取出学生的面部特征，放入利用支持向量机所构成的算法中进行训练，从而提出一种新型且较为准确的识别学生课堂状态的模型。最后借助可视化方法展现学生的课堂状态。

1学生课堂状态识别系统架构

1.1系统工作原理

在学生上课的视频中，如果一堂课的时间为45分钟，以每一分钟为一帧，截取一张图片，则有45张图片。如果想要分析全国学生在某一节课的课堂状态，照片的数量无疑是海量的。如果以传统的方式存储图片，不仅会出现管理效率低、存储能力不足、成本过于昂贵等问题，还会造成不必要技术人员的浪费。对此，本系统采用基于大数据的Hadoop技术来存储图片。Hadoop采用面向列的存储模型，一个单独的列簇可以存储一张图片的信息，如图片的大小、图片的来源、存储和处理的时间、教师、课程以及学校等信息。这样不仅解决了图片存储问题，还使图片检索功能变得更加灵活。通常情况下，教室中的电子摄像头都会放在教室的前方，以固定角度拍摄学生的课堂状态。拍摄出的图像是整个教室的状态，不全是人脸，所以需要人脸检测技术来定位并分离人脸区域。在人脸检测的过程中，拍摄的光照度，学生的面部妆容与修饰等等都会加大人脸检测的难度。从而导致无法自动化的从整个教室背景中检测并定位学生的人脸区域。为了更好的提取出学生的面部信息，系统将对原有图片进行归一化和二值化操作。归一化包括几何归一化与灰度归一化。几何归一化主要用于将人脸图片变为统一的尺寸，而灰度归一化则是减少光线和光照强度的影响，使图片更加清晰直观。二值化是将灰度化后的图片转化成黑白图片，有利于进一步的人脸特征提取。人脸特征提取主要依赖于人的五官，通过五官的位置，可以判断出学生的面部朝向，进而分析出学生的课堂状态。本系统将采用眼睛作为特征提取部位，原因是眼睛在经过预处理后的图片中显示为黑色，绝大部分呈现圆形或者半圆形，便于与其他的面部特征进行区分。系统将记录双眼瞳孔中心以及上、下、左、右四个边缘点在面部的坐标并放到支持向量机模型中进行分类。

1.2系统框架设计

学生课堂状态识别系统是将大数据技术内嵌到智能监控系统中，对智能监控系统的摄像机所采集的图像信息进行图像存储、处理与分类，学生课堂状态识别系统。系统包括基础设施层、服务资源层以及系统应用层三部分。其中基础设施层主要用于前端数据采集，由若干摄像头与监控器组成。摄像头用于采集图像，而监控器用于更改摄像头的拍摄角度、拍摄时间等设置。服务资源层主要由图像存储服务器、管理工作站构成，主要用于存储和管理通过摄像头采集的图像数据。系统应用层是整个系统的核心，用于将存储到服务器中的图片进行处理、分类、分析，并将分析结果展现给用户。

1.3系统的工作流程

学生课堂状态识别系统的流程为，智能监控系统的前端摄像头按照人为规定的拍照角度、拍摄位置、工作频率等设定进行正常工作。采集一定时间和空间的范围内的图像信息，将图片上传到基于Hadoop存储技术的服务器中。根据识别系统中的需求进而选择相应的图片进入系统。系统首先会对图片进行人脸检测，将每张图片裁剪成若干人脸图片，之后对每张人脸图片进行预处理。通过几何归一化将人脸图片拉伸或收缩成统一大小的图片，在将图片进行灰度化，弱化光照效果后，通过二值化将图片转化成黑白人脸图片。经过处理的图片再进行人脸特征提取，提取出人眼长宽、眼间距、眼睛位置等数据。提取出一部分的数据进入基于SVM的训练模型中进行训练，找出最优的分类模型，再将另一部分数据代入到分类模型中进行检测，如果结果误差在人为规定的误差范围内，则采用此分类器对新的数据进行分析，最后将分类结果显示出来。

2结论

本文对学生课堂状态识别系统中的系统的架构、流程和所用到的技术点进行了简要的论述。通过智能摄像头采集到的学生上课过程中的图片进行存储、处理和分析，从而实现对学生课堂状态的分类和识别。大数据的各项技术都具有实用性强的特点，在各领域中都有普遍的应用，但在教育领域上稍有薄弱。学生课堂状态的数据具有相当宝贵的挖掘价值，需要更进一步的探索和分析。随着大数据技术的不断进步，并结合教育领域进行新的研发，无疑打破了原有的教育观念，极大的推进了教育事业的发展。

参考文献

[1] 周晓庆，周智勇，高江锦，肖建琼，罗兴贤.基于Hadoop的海量图片存储平台的设计与开发[J].电脑知识与技术，2018，14（17）：135-137.

[2] 李荣岗.基于支持向量机的嫌疑人特征预测算法及分布式实现[D].合肥：合肥工业大学，2017.

[3] 柴晓丽.大数据环境下人脸识别技术在智能监控系统中的运用分析[J].电视技术，2018，42（07）：38-42.

[4] 李欢欢.人脸识别技术在高校管理中的系统设计与应用[J].电子技术与软件工程，2018（21）：120-121.

[5] 李忠伟.支持向量机学习算法研究[D].哈尔滨：哈尔滨工程大学，2006.