姿态识别算法；行为图片识别

       近年来，人工智能技术已经渗透到人们生活的方方面面，并进入了广泛应用的阶段。2017年，国务院在《新一代人工智能发展规划》中提出：利用智能技术加速人才培养模式教学方式改革，构建包括智能互动学习在内的新型教育体系，课堂教学活动一直是教育研究的重点课堂教学活动，学生作为学习活动的主体，其行为是教学活动的直接体现 因此，对学生课堂行为的分析不仅是教学分析的重要环节，也是影响学生学习和教师教学效率的重要因素目前，教育已经步入智能化时代，对学生课堂行为的分析提出了更高的要求，实现对学生课堂行为的智能识别变得越来越重要。在此背景下，一些发达国家的高校建立了比较完善的课堂监测分析系统，对课堂教学活动进行深入研究。 然而，学生课堂行为的复杂性和可变性使得智能学生的课堂行为难以识别。 基于上述分析，本文打算结合相关研究成果，探讨学生课堂行为识别的相关研究，以提高智能学生课堂行为识别的准确性，帮助教学改革。

       通过机器实时识别学生课堂行为，并及时给予学生反馈对教与学起到了很好的促进作用。智能化的学生课堂行为识别研究己成为当前热门的研究课题，也是建设数字校园，实施个性化教学的必然选择。

2.1国内研究现状

       目前，国内关于学生课堂行为识别的研究主要集中于表情识别、情绪识别以及课堂异常行为识别等。王竑熹设计了学生课堂行为视频图像采集和识别系统。同时，收集学生课前原始背景图像作为对比图像，识别人体轮廓的变化，然后使用该算法识别学生图像，记录人的轮廓移动，并计算不同班级以及不同教学时间点学生的注意力和得分程度，为教学评估提供依据。杨渊博以学生课堂行为视频数据为基础，应用计算机视觉、模式识别等技术分析学生课堂行为，分析结果作为学生课堂表现评价的参考依据。党冬利研宄学生的课堂行为，对学生课堂发言这一行为进行识别，针对具体研究场景以及学生特点，提出使用贝叶斯分类器识别学生姿态，其中具体学生动作包括举手、听讲以及站立三个常见教室学生行为动作。宋志海从课堂教学行为分析研究入手，探讨深度学习技术应用于课堂教学分析的可行性和解决方案，提出利用卷积神经网络和循环神经网络针对课堂音频和文本进行分类，对音频中出现的教师和学生的身份进行辨析，该研宄将深度学习技术运用于传统课堂教师与学生行为识别。周鹏霄从检测视频图像中的人脸数目、轮廓特征、主体动作幅度三个方面获取数据信息，使用贝叶斯因果网模型推理主体行为特征，获取行为序列，构建了教学视频的教学模式，最终实现了对课堂教学视频中Ｓ-Ｔ行为的智能识别。

2.2国外研究现状

       Wang等人基于CNN架构设计了一种深度运动人体动作识别算法，为了有效提取人体形状与运动信息，他们将3D点云数据分别投影到前视图、侧视图以及顶视图的平面视图中，然后生成每个视图在不同时间尺度上的深度运动映射图，随后将结果输入到CNN网络提取相关特征，最后融合了三视图通道的识别结果。Ji利用时间信息将传统CNN扩展到３个DCNN，并对视频数据的空间和时间维度进行特征计算，将卷积过程中的特征图与多个数据进行联系。Cheron等人使用单帧数据和光流数据捕获相关动作信息。karpathy使用卷积神经网络实现基于视频的动作特征提取，将输入流以分辨率的高低作为划分，分为高分辨率流与低分辨率流，最后合并为两个全连接层用于特征识别。Han针对kinect摄像机拍摄的行为动作视频提出了一种基于多模态信息的动作识别方法，该方法融合了不同模态信息，同时使用了深度学习的方法挖掘各种模态信息，进一步提高运动识别的准确性。Huang通过引入单关节点，采用关节点确定聚类中心的个数，选出高识别率的判别力部位得到新的原动作，最后使用单关节点部位聚类特征表示行为。Shi等人对课堂上学生行为动作进行识别，主要识别举手、站立、听课、写字、看书、睡觉以及左顾右盼七种动作，采用L2EMG特征融合的方式提取学生行为特征，采用FBLS对学生的动作进行分类，其分类精度达到了82%。

综上所述，我们发现对于学生的课堂行为的研宄已经不再局限于过去的人工观察并编码学生行为的方式来探宄学生课堂行为。随着信息技术的发展，越来越多的学者开始尝试通过技术与人工相结合的方式识别学生行为。同时关于学生状态的研宄方向也是多维度的，例如学生课堂的异常行为，学生课堂的表情识别以及学生课堂的动作，使用的手段不仅包括传统机器学习同时还有更加多样的方式。

[1]宋志海．基于深度学习的课堂教学行为识别系统的研宄与实现［D］．中国北京：北京邮电大学，2018．

[2]周鹏霄,邓伟,郭培育,刘清堂.课堂教学视频中的S-T行为智能识别研宄[J].现代教育技术,2018,28(06):54-59.

[3]Pichao Wang,Wang qing Li,Zhimin Gao.Largescale Continuous GestureRecognition Using Convolution Neural Networks[C]. International Conferenceon Pattern Recognition. Mexico,2016:7899600.

[4]Shuiwang Ji, Ming Yang, Kai Yu. 3D Convolutional Neural Networks for HumanAction Recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2013,35(01):221-231.

[5]Cheron Guilhem, Laptev Ivan, Schmid Cordelia. PCNN: Posebased CNN Featuresfor Action Recognition[C].In: Proceeding of the 2015 IEEE International Conference on Computer Vision.Santiago,2015:3218-3226.

[6]Andrej Karpathy,George Toderici,Sanketh Shetty.Largescale Video Classificationwith Convolutional Neural Networks[C].In:Proceeding of the 2014 IEEE Conference on Computer Vision and Pattern Recognition.Columbus,2014:1725-1732.