1.一种基于人脸识别技术的课堂分析系统，所述系统将用户分为教师用户和学生用户，并将学生用户划分到各个班级；所述教师用户使用上课模式和下课模式，当使用上课模式时，系统会对教室内学生的学习状态进行实时监控，当使用下课模式时，通过系统得出平时班级学生们的上课状态；所述学生用户只能使用下课模式，查询自己平时的上课状态；所述系统包括：图像采集单元，用于利用设置于教室内摄像装置采集用于课堂分析的图像；

图像预处理单元，用于对所述图像进行预处理；所述预处理包括采用非线性的中值滤波法去除图像中的噪声，并直方图均衡化处理进行光照补偿；

人脸检测定位单元，用于采用高斯肤色模型分割出图像中的肤色区域，并利用训练好的级联结构人脸分类器在分割出的肤色区域中准确检测人脸；

考勤单元，用于在接收到考勤请求时根据所述人脸检测定位单元的人脸识别结果，将人脸识别结果与后台服务器中各学生的人脸特征进行比对，识别出缺勤学生予以反馈；

上课状态监控单元，用于在接收到监控请求时根据所述人脸检测定位单元的人脸识别结果与预先建立的人脸表情库进行比对，监控各学生的上课状态，当根据人脸识别结果判断出学生出现消极状态时，对其进行相应的提示，并从后台服务器获取相应学生信息予以反馈；

其中，所述人脸检测定位单元进一步包括：

图像分割模块，用于采用高斯肤色模型分割出预处理后的图像中的肤色区域，从而使得背景图像与人脸图像分割开来；

人脸检测模块，用于利用Adaboost算法训练分类器并构建级联结构模型，利用级联结构的人脸分类器在分割出的肤色区域中准确检测人脸，包括：矩形特征提取模块，用于根据高斯肤色模型分割出的肤色区域，采用SIFT特征法得到人脸图像的矩形特征，从而对人脸区域确定眼睛位置；

所述矩形特征提取模块具体用于：输入原始的人脸图片库；从人脸图片库中提取SIFT特征集；

用PCA算法进行降维；利用K均值聚类方法对SIFT特征集离散化；生成邻域矩阵特征；采用积分图法对获得的矩形特征计算特征值，具体为：当矩形特征为A类特征、B类特征和D类特征时，特征值的计算公式为：v＝∑白‑∑黑其中，v表示矩形特征的特征值；A类特征为将矩阵左右分为黑白两个矩形的特征；B类特征为将矩阵上下分为黑白两个矩形的特征；D类特征为将矩阵沿水平方向轴和竖直方向轴分为四个矩形的特征；所述D类特征的对角矩形颜色相同，且对角矩形颜色分为黑和白两种；

当矩形特征为C类特征时，特征值的计算公式为：

v＝∑白‑2∑黑其中，v表示矩形特征的特征值；所述C类特征为将矩阵沿两个竖直方向轴分为三个矩形的特征；所述C类特征的三个矩形的颜色为白黑相间；

所述当根据人脸识别结果判断出学生出现消极状态时，对其进行相应的提示，包括：当根据人脸识别结果判断出学生出现消极状态时，开启安装在学生位置上的指示灯，同时通过系统信号控制振动对应位置的座椅，直至系统判定为积极状态时，关闭指示灯和停止振动座椅；

所述图像分割模块首先将所述图像从规范化的rgb肤色转化到HSV、YCgCr颜色空间，对向量(H，Cg，Cr)T进行统计，得到肤色的三维高斯概率模型，然后，根据该三维高斯概率模型计算所述图像的肤色相似概率，采用最大类间方差的方法计算二值化阈值，根据阈值将相似度图像二值化，以得到的二值图像为模板，在所述图像的饱和图中根据3像素×3像素区域的平均R、G值进行图像区域分割，从而分割出所述图像中的肤色区域。

2.如权利要求1所述的一种基于人脸识别技术的课堂分析系统，其特征在于，所述人脸检测模块还包括：分类器训练模块，用于通过Adaboost算法训练分类器，通过从已有的特征中选出提取的一个特征以及其对应的阈值使样本分类的错误率最低，从而训练成为弱分类器，并通过将弱分类器组合形成强分类器以筛选出人脸和非人脸。

3.如权利要求2所述的一种基于人脸识别技术的课堂分析系统，其特征在于，所述分类器训练模块利用Adaboost算法训练分类器的过程如下：·给定样本(x1；y1) ,...,(xn；yn)；其中yi＝0表示负样本，yi＝1表示正样本；

·初始化权重：负样本权重W0i＝1/2m，正样本权重W1i＝1/2l，其中，m为负样本总数，l为正样本总数；

·对于t＝1,...T，其中T为训练次数，依次执行：

(1)权重归一化，使本轮所有样本的权重的和为1；

(2)根据每一个特征训练简单分类器，仅使用一个特征；

(3)从所有简单分类器中选出一个分错率最低的分类器，作为弱分类器；

(4)更新权重；

·最后组合T个弱分类器为强分类器。

4.一种应用于如权利要求1所述的基于人脸识别技术的课堂分析系统的基于人脸识别技术的课堂分析方法，包括如下步骤：步骤S1，利用设置于教室内摄像装置采集用于课堂分析的图像；

步骤S2，对图像进行预处理；所述预处理包括采用非线性的中值滤波法去除图像中的噪声，并直方图均衡化处理进行光照补偿；

步骤S3，采用高斯肤色模型分割出图像中的肤色区域，并利用训练好的级联结构的人脸分类器在分割出的肤色区域里准确检测人脸；

步骤S4，在接收到考勤请求时根据所述人脸检测定位单元的人脸识别结果，将人脸识别结果与后台服务器中各学生的人脸特征进行比对，识别出缺勤学生予以反馈；

步骤S5，在接收到监控请求时根据所述人脸检测定位单元的人脸识别结果监控各学生的上课状态，当根据人脸识别结果判断出学生出现消极状态时，对其进行相应的提示，并从后台服务器获取相应学生信息予以反馈；

其中，步骤S3进一步包括：

步骤S300，采用高斯肤色模型分割出预处理后的图像中的肤色区域；

步骤S301，利用Adaboost算法训练分类器并构建级联结构模型，利用级联结构的人脸分类器在分割出的肤色区域中准确检测人脸，包括：步骤S301a，根据高斯肤色模型分割出的肤色区域，采用SIFT特征法得到人脸图像的矩形特征，从而对人脸区域确定眼睛位置；

步骤S300进一步包括：首先将所述图像从规范化的rgb肤色转化到HSV、YCgCr颜色空间，对向量(H，Cg，Cr)T进行统计，得到肤色的三维高斯概率模型，然后，根据该三维高斯概率模型计算所述图像的肤色相似概率，采用最大类间方差的方法计算二值化阈值，根据阈值将相似度图像二值化，从而分割出所述图像中的肤色区域。

5.如权利要求4所述的一种基于人脸识别技术的课堂分析方法，其特征在于，步骤S301进一步包括：步骤S301b，通过Adaboost算法训练分类器，通过从已有的特征中选出提取的一个特征以及其对应的阈值使样本分类的错误率最低，从而训练成为弱分类器，并通过将弱分类器组合形成强分类器以筛选出人脸和非人脸。