一种基于声像过程跟踪的在线培训监视方法技术

本发明专利技术公开了一种基于声像过程跟踪的在线培训监视方法，其属于远程监控方法，其包括如下步骤：1.搭建声像过程跟踪平台，设置后台模块；2.进行身份认证；3.进行过程跟踪：在线学习视频播放过程中随时启动网络摄像头抓拍用户面部信息，且在线学习视频播放过程中启动收音设备，定时采集用户的声音指令，根据定时采集到的声音指令和面部信息，实现用户的定位，如声音指令和面部信息不符，则对用户做出提醒并暂停播放。本发明专利技术的优点是不仅在开启时启动人脸识别，且在线培训中每隔一段时间进行人脸识别监视，通过声音指令操作在线视频的相关操作，能够有效监控在线用户的在线时间且能确保进行在线培训的过程中均是本人，避免作弊和替他人学习的情况。

【技术实现步骤摘要】

本专利技术涉及，适用于在线培训的同步监视，属于远程监控方法。
技术介绍
随着在线培训、在线学习系统的普及化和实际应用，企业用户对现有系统也产生了诸多的质疑与问题，在实操中，往往存在重形象、请实效，重硬件、轻软件，重统计、轻结果的情况，没有对客车内容建设和培训体系建设、培训的手段方法及培训的效果进行评估，导致在线培训常常流于形式，或者只在开始时进行身份识别，没有在在线培训过程中实现有效的监督。
技术实现思路
本专利技术所要解决的技术问题是提供了一种使用方便、行之有效的基于声像过程跟踪的在线培训监视方法。本专利技术所采用的技术方案如下: ，其包括如下步骤: 步骤1.搭建声像过程跟踪平台，设置后台模块: 提前通过人脸扫描设备拍摄用户的面部特征，并与用户声明的身份信息绑定;将面部特征分析处理后转化成图像数据代码，并将所述图像数据代码存储到位于在线培训平台上的图像数据代码数据库中；提前利用收音设备录制声音指令，将声音指令分析处理后转化成音频数据代码，并将所述音频数据代码存储到位于在线培训平台上的音频数据库中；步骤2.进行身份认证: 通过通信网络接受用户终端的登录请求，进行身份认证，同时启动网络摄像头扫描用户面部信息，传输至后台进行人脸识别，若人脸识别结果成功，可正常开始在线培训学习，后台自动调取与该用户学习内容相关的学习资料;若人脸识别结果未成功，提示用户未成功并重新扫描； 步骤3.进行过程跟踪: 在线学习视频播放过程中随时启动网络摄像头抓拍用户面部信息，且在线学习视频播放过程中启动收音设备，定时采集用户的声音指令，根据定时采集到的声音指令和面部信息，实现用户的定位，如声音指令和面部信息不符，则对用户做出提醒并暂停播放。进一步的，所述步骤2中的人脸识别包括基于静态图像的人脸识别和基于视频图像的人脸识别，基于静态图像的人脸识别算法同样适用于基于视频图像的人脸识别，只有使用了时间信息的识别算法才属于基于视频图像的人脸识别算法。所述人脸识别的算法可以为特征脸方法，所述特征脸方法可以利用主分量分析方法进行降维和提取特征，所述主分量分析方法选择与原数据协方差矩阵的若干个最大特征值对应的特征向量构成一组基，以达到最佳表征原数据的目的;在人脸识别中，由一组特征脸基图象张成一个特征脸子空间，任何一幅人脸图象都可投影到该子空间，得到一个权值向量。计算此向量和训练集中每个人的权值向量之间的欧式距离，取最小距离所对应的人脸图像的身份作为用户人脸图像的身份。所述主分量是指向数据能量分布最大的轴线方向，可以从最小均方误差意义下对数据进行最优的表达。所述特征脸方法也可以用线性鉴别分析方法，属于模式识别方法，通过将样本线性变换到一个新的空间，使样本的类内散布程度达到最小，同时类间散布程度达到最大，即Fisher 准则。进一步的，所述步骤I中将声音指令分析处理后转化成音频数据代码的方法如下: (1)将声音指令进行预处理，即先进行预加重，再进行分帧加窗处理，最后再进行端点检测;所述分帧加窗处理采用Hamming窗； (2)用Mel频率的倒谱系数作为语音特征识别孤立词语语音，最后组合成音频数据代码，具体方法如下: 首先，将预处理后的声音指令输入Hamming窗帧选，经过Hamming窗帧选的数据进行傅里叶变换； 然后，将傅里叶变换后的数据以滤波组能量的形式输出至进行离散余弦变换，最终输出可识别的音频数据代码。本专利技术的有益效果如下: 本方法不仅在开启时启动人脸识别，且在线培训过程中一定时间间隔下进行人脸识别监视，能够有效监控在线用户的在线时间且能确保进行在线培训的过程中均是本人，避免作弊和替他人学习的情况；另外通过声音指令操作在线视频的相关操作，例如播放、停止、快进、截图及选集等等;不仅方便使用，而且能实时通过声音指令确认用户在线，且通过声音指令还能提升用户体验，提高用户在线培训的兴趣。【具体实施方式】为使本专利技术要解决的技术问题、技术方案和有益效果更加清楚，下面将结合具体实施例进行详细描述。本实施例的实现方法如下: 步骤1.搭建声像过程跟踪平台，设置后台模块: 提前通过人脸扫描设备拍摄用户的面部特征，并与用户声明的身份信息绑定;将面部特征分析处理后转化成图像数据代码，并将所述图像数据代码存储到位于在线培训平台上的图像数据代码数据库中；提前利用收音设备录制声音指令，将声音指令分析处理后转化成音频数据代码，并将所述音频数据代码存储到位于在线培训平台上的音频数据库中；步骤2.进行身份认证: 通过通信网络接受用户终端的登录请求，进行身份认证，同时启动网络摄像头扫描用户面部信息，传输至后台进行人脸识别，若人脸识别结果成功，可正常开始在线培训学习，后台自动调取与该用户学习内容相关的学习资料;若人脸识别结果未成功，提示用户未成功并重新扫描； 步骤3.进行过程跟踪: 在线学习视频播放过程中随时启动网络摄像头抓拍用户面部信息，且在线学习视频播放过程中启动收音设备，定时采集用户的声音指令，根据定时采集到的声音指令和面部信息，实现用户的定位，如声音指令和面部信息不符，则对用户做出提醒并暂停播放。进一步的，所述步骤2中的人脸识别包括基于静态图像的人脸识别和基于视频图像的人脸识别，基于静态图像的人脸识别算法同样适用于基于视频图像的人脸识别，只有使用了时间信息的识别算法才属于基于视频图像的人脸识别算法。所述人脸识别的算法可以为特征脸方法，所述特征脸方法可以利用主分量分析方法进行降维和提取特征，所述主分量分析方法选择与原数据协方差矩阵的若干个最大特征值对应的特征向量构成一组基，以达到最佳表征原数据的目的;在人脸识别中，由一组特征脸基图象张成一个特征脸子空间，任何一幅人脸图象都可投影到该子空间，得到一个权值向量。计算此向量和训练集中每个人的权值向量之间的欧式距离，取最小距离所对应的人脸图像的身份作为用户人脸图像的身份。所述主分量是指向数据能量分布最大的轴线方向，可以从最小均方误差意义下对数据进行最优的表达。所述特征脸方法也可以用线性鉴别分析方法，属于模式识别方法，通过将样本线性变换到一个新的空间，使样本的类内散布程度达到最小，同时类间散布程度达到最大，即Fisher 准则。进一步的，所述步骤I中将声音指令分析处理后转化成音频数据代码的方法如下: (1)将声音指令进行预处理，即先进行预加重，再进行分帧加窗处理，最后再进行端点检测;所述分帧加窗处理采用Hamming窗； (2)用Mel频率的倒谱系数作为语音特征识别孤立词语语音，最后组合成音频数据代码，具体方法如下: 首先，将预处理后的声音指令输入Hamming窗帧选，经过Hamming窗帧选的数据进行傅里叶变换； 然后，将傅里叶变换后的数据以滤波组能量的形式输出至进行离散余弦变换，最终输出可识别的音频数据代码。以上利用具体个例对本专利技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本专利技术的方法及其核心思想;对于本领域技术人员，依据本专利技术的思想，在【具体实施方式】及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本专利技术的限制。【主权项】1.，其特征在于，包括如下步骤: 步骤1.搭建声像过程跟踪平台，设置后台模块: 提前通过人脸扫描设备拍摄用户的面部特征，并与本文档来自技高网...

【技术保护点】
一种基于声像过程跟踪的在线培训监视方法，其特征在于，包括如下步骤：步骤1.搭建声像过程跟踪平台，设置后台模块：提前通过人脸扫描设备拍摄用户的面部特征，并与用户声明的身份信息绑定；将面部特征分析处理后转化成图像数据代码，并将所述图像数据代码存储到位于在线培训平台上的图像数据代码数据库中；提前利用收音设备录制声音指令，将声音指令分析处理后转化成音频数据代码，并将所述音频数据代码存储到位于在线培训平台上的音频数据库中；步骤2.进行身份认证：通过通信网络接受用户终端的登录请求，进行身份认证，同时启动网络摄像头扫描用户面部信息，传输至后台进行人脸识别，若人脸识别结果成功，可正常开始在线培训学习，后台自动调取与该用户学习内容相关的学习资料；若人脸识别结果未成功，提示用户未成功并重新扫描；步骤3.进行过程跟踪：在线学习视频播放过程中随时启动网络摄像头抓拍用户面部信息，且在线学习视频播放过程中启动收音设备，定时采集用户的声音指令，根据定时采集到的声音指令和面部信息，实现用户的定位，如声音指令和面部信息不符，则对用户做出提醒并暂停播放。

【技术特征摘要】

【专利技术属性】
技术研发人员：梁昭，朱卫民，李玉香，王永朝，唐南，庄磊，杨秀娥，张磊，赵昭，
申请(专利权)人：国家电网公司，国网河北省电力公司培训中心，
类型：发明
国别省市：北京;11