一种网课学生注意力状态检测方法及检测系统、存储介质与流程

1.本发明涉及网络教育领域，特别涉及一种网课学生注意力状态检测方法 及检测系统、存储介质。


背景技术：

2.随着5g技术以及网上教育的日益普及，在网络教育情况下，学生的注意 力集中成为越来越重要的网络教育效果评估因素。其中，学生疲劳与注意力 分散成为影响网络教育效果的主要因素。
3.目前，在网课学生注意力方面的检测技术基本是空白。对于学生注意力 的评估停留在线下环境对于教室黑板的注意力评估，主要结合人脸三维空间 位置和人脸朝向姿态计算学生在教学展示板上的注意力。
4.所以，如何有效地检测网课学生的注意力状态是衡量网课教学质量的重 要指标，也是未来素质教育线上拓展的一个重要量化指导标准。


技术实现要素：

5.有鉴于此，本发明实施例提供的一种网课学生注意力状态检测方法及检 测系统、存储介质，可以有效地检测线上教育学生的注意力状态，以更好衡 量网课教学质量的重要指标，提高网课教学质量，更好地拓展素质教育线上 教学。
6.本发明解决上述技术问题所采用的技术方案如下：
7.根据本发明的一个方面，提供的一种网课学生注意力状态检测方法，所 述方法包括：
8.不定期采集上网课学生的面部图像；
9.根据采集到所述面部图像，提取学生生理反应特征，所述学生生理反应 特征至少包括以下之一：眼睑尺寸、眨眼频率和视线分布范围；
10.根据所述学生生理反应特征，评估学生的注意力状态。
11.在一个可能的设计中，所述根据采集到所述面部图像，提取学生生理反 应特征；包括：
12.根据采集到的所述面部图像，进行学生眼睛定位；
13.使用gabor滤波器对眼部图像提取眼部轮廓的纹理特征；
14.根据眼部图像提取评估学生眼睑尺寸。
15.在一个可能的设计中，所述根据采集到的所述面部图像，进行学生眼睛 定位；包括：
16.对采集的视频资料提取图像，得到具有鲁棒性的学生面部图片；
17.在得到光照鲁棒性的学生面部图片基础上，使用adaboost方法识别人脸；
18.在识别出人脸后，使用adaboost方法定位学生眼睛。
19.在一个可能的设计中，所述根据所述学生生理反应特征，评估学生的注 意力状
态；包括：
20.确定学生个体perclos阈值；
21.基于眨眼频率检测学生的疲劳状态；
22.基于视线分布范围检测学生的注意力分散状态；
23.根据perclos阈值，眨眼频率以及上课期间视线分布范围，对学生疲劳 和注意力情况进行量化评估。
24.在一个可能的设计中，所述确定学生个体perclos阈值；包括：
25.确定学生个体两只眼睛眼睑闭合程度；
26.根据学生个体两只眼睛眼睑闭合程度确定学生个体perclos阈值。
27.在一个可能的设计中，所述基于眨眼频率检测学生的疲劳状态，包括：
28.利用健康人的眨眼频率为基准，通过计算单个学生的眨眼频率，判断其 注意力状态，从而判断学生的疲劳状态。
29.在一个可能的设计中，所述基于视线分布范围检测学生的注意力分散状 态；包括：根据视线方向偏离正常注视区域的数量检测学生的注意力分散状 态。
30.在一个可能的设计中，所述根据perclos阈值，眨眼频率以及上课期间 视线分布范围，对学生疲劳和注意力情况进行量化评估；包括：
31.采用模糊聚类法快速融合perclos阈值，眨眼频率以及上课期间视线分 布范围等三种面部特征信息，对学生疲劳和注意力分散的状态进行分级评估， 得到学生的整体学习状态。
32.根据本发明的另一个方面，提供的一种检测系统，其特征在于，包括： 存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程 序，所述计算机程序被所述处理器执行时实现本发明实施例提供的所述的一 种网课学生注意力状态检测方法的步骤。
33.根据本发明的另一个方面，提供的一种计算机可读存储介质，其特征在 于，所述计算机可读存储介质上存储有一种网课学生注意力状态检测方法的 程序，所述一种网课学生注意力状态检测方法的程序被处理器执行时实现本 发明实施例提供的所述的一种网课学生注意力状态检测方法的步骤。
34.与相关技术相比，本发明实施例提出的一种网课学生注意力状态检测方 法及检测系统、存储介质，通过分析学生网课学习时的视频并提取面部特征 来评估学生的注意力问题，通过不定期采集上网课学生的面部图像，根据采 集到所述面部图像，提取学生生理反应特征，根据所述学生生理反应特征， 评估学生的注意力状态。从而可以有效地检测线上教育学生的注意力状态， 以更好衡量网课教学质量的重要指标，提高网课教学质量，更好地拓展素质 教育线上教学，且对于网课学生的注意力量化检测会对于学生的平时成绩有 一个量化考核的可能性，在网络教育的过程中更能够协助老师，达到督促学 生，监督学生行为，引导正确的学习习惯的作用。
附图说明
35.图1为本发明实施例提供的一种网课学生注意力状态检测方法的流程示 意图。
36.图2为本发明实施例提供的一种网课学生注意力状态检测方法中根据采 集到所
述面部图像，提取学生生理反应特征的流程示意图。
37.图3为本发明实施例提供的一种网课学生注意力状态检测方法中根据所 述学生生理反应特征，评估学生的注意力状态的流程示意图。
38.图4为本发明实施例提供的一种检测系统的结构示意图。
39.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步 说明。
具体实施方式
40.为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明 白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此 处所描述的具体实施例仅仅以解释本发明，并不用于限定本发明。
41.在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后 缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部 件”或“单元”可以混合地使用。
42.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第 一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次 序。
43.目前，在所有的线上教育过程，因为教学条件和教学环境的限制，教学 机构和老师都不能够完全确定线上教学(网课)学生的注意力情况。而对于 学生的注意力状态检测却是老师和教育机构可以迅速调整教学方案，增加学 生互动，改变教学目标的重要依据。
44.因此，本发明提出了一种通过网课过程当中收集的学生面部特征资料， 进行学生注意力状态评估的方法。可以确定地是，目前的网课，学生可以在 联网的通讯设备，包括但不限于台式机，笔记本电脑，平板电脑，移动电话， 智能手机等上接收在线教育课程的内容，也被要求开启摄像头以便于其学习 状态被监督，这个就是本发明存在的技术环境基础。
45.在一个实施例中，如图1所示，本发明提供一种基于面部特征识别的网 课学生注意力状态检测方法，所述方法包括：
46.s1、不定期采集上网课学生的面部图像。
47.s2、根据采集到所述面部图像，提取学生生理反应特征，所述学生生理 反应特征至少包括以下之一：眼睑尺寸、眨眼频率和视线分布范围。
48.s3、根据所述学生生理反应特征，评估学生的注意力状态。
49.在本实施例中，通过分析学生网课学习时的视频并提取面部特征来评估 学生的注意力问题，通过不定期采集上网课学生的面部图像，根据采集到所 述面部图像，提取学生生理反应特征，根据所述学生生理反应特征，评估学 生的注意力状态。从而可以有效地检测线上教育学生的注意力状态，以更好 衡量网课教学质量的重要指标，提高网课教学质量，更好地拓展素质教育线 上教学，且对于网课学生的注意力量化检测会对于学生的平时成绩有一个量 化考核的可能性，在网络教育的过程中更能够协助老师，达到督促学生，监 督学生行为，引导正确的学习习惯的作用。
50.在一个实施例中，所述步骤s1中，所述不定期采集上网课学生的面部图 像，包括：
51.鉴于在网课场景下，学生应该是打开摄像头，面向电脑或者其他电子设 备屏幕，此时，学生应该是正面朝向摄像头，学生注意力不集中的反应也是 可以完整的被近距离记
录下来的。
52.学生在上课时，会被要求开启摄像头，且在上课的全过程当中，摄像头 会随机被开启，通过摄像头，对上网课学生的面部图像录像以采样频率x1进 行不定期采集，采集生成视频文件f1
……
fn。
53.在一个实施例中，如图2所示，所述步骤s2中，所述根据采集到所述面 部图像，提取学生生理反应特征；包括：
54.s21、根据采集到的所述面部图像，进行学生眼睛定位；包括：
55.s211、对采集的视频资料提取图像，得到具有鲁棒性的学生面部图片。
56.在处理采集的视频资料提取图像时，可以采用以下之一的图像处理方法， 去除光线影响，得到具有鲁棒性的学生面部图片：单尺度retinex算法(ssr)、 多尺度retinex算法(msr)、单尺度自商图像(ssr)、多尺度自商图像 (msr)、离散余弦变换(dct)、小波变换(wa)、非局部均值法(nlm)、 直方图均衡(he)等图像处理方法，去除光线影响，得到具有鲁棒性的学生 面部图片。
57.s212、在得到光照鲁棒性的学生面部图片基础上，使用adaboost方法识 别人脸。
58.adaboost是一种高精度的分类器，主要可以利用各种特征提取方法构建 简单子分类器，利用adaboost方法将这些分类器进行级联，构造强分类器。 因为adaboost方法不容易出现过拟合现象，所以其分类器识别准确率会随着 训练迭代次数增加，而逐渐增加。
59.s213、在识别出人脸后，使用adaboost方法定位学生眼睛。
60.为了定位学生的眼睛，首先将人脸分为上半区和下半区。本发明只处理 上半区的人脸图像，这样减少无用计算。
61.使用adaboost方法检测上半区的人脸图像，精确的定位学生眼睛。此时， 在使用adaboost方法，需要使用人眼样本作为正样本，非人眼样本作为负样 本，训练人眼检测adaboost分类器。
62.这样精确定位学生眼睛，得到眼部图像后，可以为后续的眼部状态识别 和学生注意力评估打下基础。
63.s22、使用gabor滤波器对眼部图像提取眼部轮廓的纹理特征。
64.在对眼部图像提取眼部轮廓的纹理特征时，需要选取多个尺度多个方向 的gabor小波，以生成一个gabor小波滤波器族，从而可以得到完整的眼部 轮廓的纹理特征。当选择不同尺度和不同方向的gabor小波计算时，对眼部 图像进行滤波得到(尺度*图像)组不同性质的特征矢量。
65.在本发明中，采用以下gabor滤波公式对眼部图像进行滤波得到(尺度* 图像)组不同性质的特征矢量：
[0066][0067]
其中，x,y代表滤波的位置，i(x,y)代表图像在点(x,y)上的值，(x,y) 是gabor核函数，w(x,y)为一个尺度一个方向的gabor小波卷积结果。
[0068]
其中，所述眼部轮廓的纹理可以看成是眼部的灰度分布周期性。每个人 脸都具有独特的纹理特征区别与其他物体表面。基于纹理的人脸检测是基于 空间灰度相关矩阵的方法总结。每个人的人脸纹理模型都可以由一组不等式 来表达，若某区域中这组不等式都
成立则该区域为检测到的人脸区域。
[0069]
s23、根据眼部图像提取评估学生眼睑尺寸。
[0070]
通过不同时期收集的学生眼部图像，得到被评估学生眼睑尺寸，作为评 估的计算基准。眼睑的尺寸是眼睛睁开尺寸的有效评估方式。
[0071]
通过以下adaboost算法公式来确定被评估学生的眼睑尺寸：
[0072][0073]
上式中，以上公式是adaboost算法，分别代表左眼和右眼眼睑尺寸的计 算集合，其中，lefteyelid是左眼眼睑尺寸，其中选取n个样本，第i个样本 由lefteye的第i个样本表达，该样本含有常量部分和变量部分。righteyelid 是右眼眼睑尺寸，其中选取n个样本，第i个样本由righteye的第i个样本表 达，该样本含有常量部分和变量部分。
[0074]
在本实施例中，通过对采集的视频资料提取图像，使用adaboost方法识 别人脸，再使用adaboost方法确定人眼具体位置，使用gabor滤波器对学生 的眼部进行特征提取，通过拟合计算，判断出人眼的当前状态是否符合 perclos的情况，以及持续时间，继而通过相关性算法评估学生的注意力集 中程度。
[0075]
在一个实施例中，如图3所示，所述步骤s3中，所述根据所述学生生理 反应特征，评估学生的注意力状态；包括：
[0076]
本发明综合人眼定位、人眼状态。使用perclos准则对学生的注意力状 态进行打分。
[0077]
s31、确定学生个体perclos阈值。
[0078]
perclos是卡内基梅隆研究所提出的度量疲劳/瞌睡的物理量 (percentage of eyeiid ciosure over the pupii，over time，简称perclos)其 定义为单位时间内(一般取1分钟或者30秒)眼睛闭合一定比例(70％ 或80％)所占的时间，满足下式时就认为发生了注意力涣散。
[0079]
perclos测量参数是指在单位时间内眼睛闭合程度超过某一闭值的 时间占总时间的百分比。perclos方法的常用标准如下：
[0080]
p7o：指眼睑遮住瞳孔的面积超过70％就计为眼睛闭合，统计 在一定时间内眼睛闭合时所占的时间比例。
[0081]
p80：指眼睑遮住瞳孔的面积超过80％就计为眼睛闭合，统计在 一定时间内眼睛闭合时所占的时间比例。
[0082]
em：指眼睑遮住瞳孔的面积超过一半就计为眼睛闭合，统计在 一定时间内眼睛闭合时所占的时间比例。
[0083]
所以，需要确定学生的基础值是多少，即值数值。对于有n个学生 来说，值就有(1,
……
,n)个赋值。
[0084]
通过基于图像特征的人眼状态识别，来计算perclos。需要注意的是， 这个perclos的运算是基于学生个体的阈值以及基准值，所以，下面以学生 个体a来举例说明perclos的运算。
[0085]
假设对于学生个体a，在知道其脸部位置和眼睛位置的情况下，首先评估 学生的闭眼状态a1和全睁眼状态ax的数值。在确定了这两个数值的情况下， 再确定的值，的值落在整体闭眼状态a1到全睁眼状态ax的正态分布曲线当 中的
‑
5％状态。
[0086]
对于眼睛睁开状态的判断，可以使用至少包括以下之一方法：模板匹配 法，眼睑曲率法，眼睛面积法，hough变换方法等。上述方法的核心是将眼 睛的图像特征比拟某种有精确计算公式的二位图像，并且据此评估眼睛的张 开大小以及其随着时间的变化。
[0087]
通过这些检测，可以得到学生个体a的perclos比例，即在单位时间 内眼睛闭合程度超过某一闭值的时间占总时间的百分比。
[0088]
s311、确定学生个体a两只眼睛眼睑闭合程度。
[0089]
采用以下公式来确定学生个体a两只眼睛眼睑闭合程度，假设左眼闭合 程度为lep，右眼闭合程度为rep，当眼睛闭合的系数为超过个体开始计时， 计算3秒之内学生眼睛闭合的次数，具体计算方法如下：
[0090][0091][0092]
if lep<0.2 or rep<0.2,n＝n 1
[0093]
上式中，lefteyelid为左眼闭合的次数，即左眼闭合的系数超过的时间， 在3秒的时间里闭合了多少次，而basiclefteyelid是系统根据学生个体a检 测时间算出该学生作为清醒情况下左眼闭合次数的基数。righteyelid为右眼闭 合的次数，即右眼闭合的系数超过的时间，在3秒的时间里闭合了多少次， 而basicrighteyelid是系统根据学生个体a检测时间算出该学生作为清醒情况 下右眼闭合次数的基数。考虑到个体差异，而带来的眼睑闭合时间和次数的 差异，所以闭合次数基数是根据个体计算的。
[0094]
s312、根据学生个体a两只眼睛眼睑闭合程度确定学生个体perclos 阈值。包括：学生个体perclos阈值等于lep和rep的和除以2。
[0095]
在本实施例中，因为学生个体生理差异、电脑屏幕的倾斜角度以及摄像 头的分辨率不同，不应该草率的判断学生个体的眼睑尺寸及眼睛全闭合和全 打开的标准，应该通过学习视频数据的学习，个性化地对于每个学生定义眼 睛全闭合和全打开的两个标准值。这样不但可以更加精确，也避免了其他图 像处理的干扰因素而带来的注意力不集中误判。
[0096]
s32、基于眨眼频率检测学生的疲劳状态。
[0097]
眨眼作为一种无意识的生物特征，一般健康人眨眼间隔2s至10s，眼睛闭 合持续时间100ms至400ms。利用健康人的眨眼频率为基准，通过计算单个学 生的眨眼频率，判断其注意力状态，从而判断学生的疲劳状态。注意力不集 中的明确表现是频繁眨眼(眨眼间隔变短)和长时间闭眼(眼睑闭合时间变 长)，当学生出现频繁眨眼和/或长时间闭眼时，可以判断学生注意力不集中， 处于疲劳状态。
[0098]
本实施例，使用2016年“real
‑
time eye blink detection using facial landmarks”的方法来进行眨眼频率检测。该方法以face landmarks为基础， 定义了ear(eye aspect ratio)，对当前帧以及前后各6帧检测到的ear组 成一个13维特征向量，送到一个svm中来进行分类，判断是否有眨眼动作。 具体计算如下：
[0099]
bits＝[blinktime1,blinktime2,
…
,blinktimen]
[0100]
上式中，bits表达眨眼频率，其中bits的组合是由每一次眨眼时长来判断， blinktime1代表第一次眨眼时长，blinktime2代表第二次眨眼时长，以此类推。
[0101]
本实施例中，主要是基于学生个体a在单位时间30s眨眼次数变化，为 了准确可以取1m的所有图片，再取得平均值。
[0102]
s33、基于视线分布范围检测学生的注意力分散状态。
[0103]
根据学生个体a的视线方向，如果视线方向在电脑或者手机屏幕主方向
‑
15％的范围之内，属于视线正常。按照特征向量取绝对值，如果超出
‑
15％ 的范畴作为量化注意力分散的依据。
[0104]
gdx＝【gazedirection1,gazedirection2,
…
,gazedirectionx】
[0105]
上式中，gdx代表学生视线分布的集合，其中gazedirection1代表第一次 测量视线的绝对值，其中gazedirection2代表第二次测量视线绝对值，以此类 推。
[0106]
学生注意力分散的标志为视线方向偏离正常注视区域的数量，所以，根 据视线方向偏离正常注视区域的数量来检测学生的注意力分散状态，采用以 下公式计算检测学生的注意力分散状态如下：
[0107][0108]
上式中，表达了如何计算在单位要求时间内学生注意力分散的状态，简 单来说是根据视线分为离开电脑或者其他视频设备区域范围
‑
15％的范围即 算注意力分散。具体做法如上述公式所示，当gazedirection的超过屏幕
‑
15％ 的范畴，计数ncountg自动 1，如果并无超出范围，则加0，意味着ncountg 不改变数值。其中，x为测量视线的总次数，代表1到x。
[0109]
s34、根据perclos阈值，眨眼频率以及上课期间视线分布范围，对学 生疲劳和注意力情况进行量化评估。
[0110]
注意力多因子特征融合，单一的注意力特征很难准确的判断学生的学习 注意力情况，因此，本发明采用模糊聚类法快速融合perclos阈值，眨眼频 率以及上课期间视线分布范围等三种面部特征信息，对学生疲劳和注意力分 散的状态进行分级评估，得到学生的整体学习状态，包括：注意力非常集中， 注意力一般集中，注意力不集中，注意力非常分散等四种学习状态，用来提 醒学生以及生成量化评估帮助老师进行课堂调整和学生管理。
[0111]
具体来说，所述采用模糊聚类法快速融合perclos阈值，眨眼频率以及 上课期间视线分布范围等三种面部特征信息包括：在perclos阈值，眨眼频 率以及上课期间视线分布范围这三个指标乘以一个动态权重，生成最终值， 完成对于学生个体的注意力状态评
估。
[0112]
在本实施例中，根据学生个体perclos阈值，眨眼频率以及上课期间视 线分布范围等三个指数乘以权重，通过拟合计算，判断出人眼的当前状态是 否符合perclos的情况，以及持续时间，继而通过相关性算法评估学生的注 意力集中程度，得到学生个体的注意力状态评估，并对学生疲劳和注意力分 散的状态进行分级评估，从而可以对线上教育学生进行有效的注意力检测， 且对于网课学生的注意力量化检测会对于学生的平时成绩有一个量化考核的 可能性，在网络教育的过程中更能够协助老师，达到督促学生，监督学生行 为，引导正确的学习习惯的作用。
[0113]
此外，本发明实施例还提供一种移动终端，如图4所示，所述移动终端 900包括：存储器902、处理器901及存储在所述存储器902中并可在所述处 理器901上运行的一个或者多个计算机程序，所述存储器902和所述处理器 901通过总线系统903耦合在一起，所述一个或者多个计算机程序被所述处理 器901执行时以实现本发明实施例提供的一种基于面部特征识别的网课学生 注意力状态检测方法的以下步骤：
[0114]
s1、不定期采集上网课学生的面部图像。
[0115]
s2、根据采集到所述面部图像，提取学生生理反应特征，所述学生生理 反应特征至少包括以下之一：眼睑尺寸、眨眼频率和视线分布范围。
[0116]
s3、根据所述学生生理反应特征，评估学生的注意力状态。
[0117]
上述本发明实施例揭示的方法可以应用于所述处理器901中，或者由所 述处理器901实现。所述处理器901可能是一种集成电路芯片，具有信号处 理能力。在实现过程中，上述方法的各步骤可以通过所述处理器901中的硬 件的集成逻辑电路或软件形式的指令完成。所述处理器901可以是通用处理 器、dsp、或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件 组件等。所述处理器901可以实现或者执行本发明实施例中的公开的各方法、 步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结 合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行 完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以 位于存储介质中，该存储介质位于存储器902，所述处理器901读取存储器 902中的信息，结合其硬件完成前述方法的步骤。
[0118]
可以理解，本发明实施例的存储器902可以是易失性存储器或者非易失 性存储器，也可以包括易失性和非易失性存储器两者。其中，非易失性存储 器可以是只读存储器(rom，read
‑
only memory)、可编程只读存储器(prom， programmable read
‑
only memory)、可擦除可编程只读存储器(eprom， erasable read
‑
only memory)、电可擦除只读存储器(eeprom，electricallyerasable programmable read
‑
only memory)、磁性随机存取存储器(fram， ferromagnetic random access memory)、闪存(flash memory)或其他存储 器技术、光盘只读存储器(cd
‑
rom，compact disk read
‑
only memory)、 数字多功能盘(dvd，digital video disk)或其他光盘存储、磁盒、磁带、磁 盘存储或其他磁存储装置；易失性存储器可以是随机存取存储器(ram， random access memory)，通过示例性但不是限制性说明，许多形式的ram 可用，例如静态随机存取存储器(sram，static random access memory)、 静态随机存取存储器(ssram，synchronous static random access memory)、 动态随机存取存储器(dram，dynamic random access memory)、同步动 态随机存取存储器(sdram，synchronous dynamic random access memory)、 双倍数据速率同步动态随机存
取存储器(ddrsdram，double data ratesynchronous dynamic random access memory)、增强型同步动态随机存取存 储器(esdram，enhanced synchronous dynamic random access memory)、 同步连接动态随机存取存储器(sldram，synclink dynamic random accessmemory)、直接内存总线随机存取存储器(drram，direct rambus randomaccess memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意 其它适合类型的存储器。
[0119]
需要说明的是，上述检测系统实施例与方法实施例属于同一构思，其具 体实现过程详见方法实施例，且方法实施例中的技术特征在所述检测系统实 施例中均对应适用，这里不再赘述。
[0120]
另外，在示例性实施例中，本发明实施例还提供一种计算机存储介质， 具体为计算机可读存储介质，例如包括存储计算机程序的存储器902，所述计 算机存储介质上存储有界面预加载方法的一个或者多个程序，所述界面预加 载方法的一个或者多个程序被处理器901执行时以实现本发明实施例提供的 一种基于面部特征识别的网课学生注意力状态检测方法的以下步骤：
[0121]
s1、不定期采集上网课学生的面部图像。
[0122]
s2、根据采集到所述面部图像，提取学生生理反应特征，所述学生生理 反应特征至少包括以下之一：眼睑尺寸、眨眼频率和视线分布范围。
[0123]
s3、根据所述学生生理反应特征，评估学生的注意力状态。
[0124]
需要说明的是，上述计算机可读存储介质上的一种基于面部特征识别的 网课学生注意力状态检测方法程序实施例与方法实施例属于同一构思，其具 体实现过程详见方法实施例，且方法实施例中的技术特征在上述计算机可读 存储介质的实施例中均对应适用，这里不再赘述。
[0125]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在 涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装 置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括 为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下， 由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物 品或者装置中还存在另外的相同要素。
[0126]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0127]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光 盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器， 空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0128]
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上 述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的， 本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求 所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。