為了解決在線課程（Massive open online course, MOOC）授課過程中,缺乏對于學(xué)生學(xué)習(xí)情況的跟蹤與教學(xué)效果評估問題,本文依據(jù)視頻信息對學(xué)生行為進(jìn)行建模,提出了一種評判學(xué)生聽課專心程度的行為自動分析算法.該算法能夠有效跟蹤學(xué)生的學(xué)習(xí)狀態(tài),提取學(xué)生的行為特征參數(shù),并對這些參數(shù)進(jìn)行D-S融合判決,以獲得學(xué)生的聽課專注度.經(jīng)過多次實(shí)驗(yàn)的結(jié)果表明,本文采用的方法能夠有效評判學(xué)生在授課期間的專心程度,在數(shù)據(jù)融合上,與貝葉斯推理方法相比,采用D-S融合方法能有效提高實(shí)驗(yàn)結(jié)果的準(zhǔn)確性和可靠性. 

【文章來源】：自動化學(xué)報(bào). 2020,46(04)北大核心EICSCD

【文章頁數(shù)】：14 頁

【部分圖文】：

X軸質(zhì)心坐標(biāo)變化曲線的兩部分

慕課授課過程中學(xué)生專注度自動檢測與判定系統(tǒng)

本文采用的是背景減除法提取目標(biāo)人體[16],由于實(shí)驗(yàn)地點(diǎn)相對單一,我們使用無學(xué)生的背景圖片作為背景模型,將視頻中當(dāng)前幀圖像與背景圖像進(jìn)行差分運(yùn)算,如果像素點(diǎn)灰度值差別很大,則為目標(biāo)人體,如果差值在一定閾值范圍內(nèi),則為背景像素點(diǎn);得到的差值圖像采用最大類間方差法找到合適的二值化閾值;再對二值化后的圖像提取出最大連通域,消除背景的干擾,最后我們還使用基于逆合成孔徑雷達(dá)(Inverse synthetic aperture radar,ISAR)圖像目標(biāo)形狀提取的數(shù)學(xué)形態(tài)學(xué)方法對檢測到的前景目標(biāo)進(jìn)行后處理[17],以平滑連接目標(biāo)人體的邊緣,使提取出的人體輪廓更加完整.1.2 建立“四維特征信息模型”


本文編號：3551850