1.一种面向在线学习的学习状态自动识别方法，其特征在于，包括以下步骤：步骤1：使用摄像头获取学习者在线学习时的视频，所述摄像头视线与显示屏法线方向平行，并且摄像头位于显示屏上沿中间位置；

步骤2：针对步骤1获得的视频，对学习者进行情感状态、专注状态和注视状态三种状态的识别；

步骤2.1：定义七种学习者情感状态，分别为：生气、厌烦、快乐、沮丧、惊讶、困惑、中性；

对视频进行预处理、特征提取与情感状态识别；

步骤2.1.1：对视频进行预处理：将视频中的每一帧图像灰度化，从图像中搜索人脸，将学习者的正脸图像用矩形框框定并裁切，处理成48×48像素的矩形图像进行归一化与人脸扶正；

步骤2.1.2：进行表情特征提取：对VGG神经网络进行简化，构建表情特征提取卷积神经网络，网络结构如下：由七个卷积层和三个池化层堆叠而成，分为3块；其中第一块包含两个卷积核为3×3且通道数为64的卷积层，后接一个最大池化层；第二块包含两个卷积核为3×3且通道数为64的卷积层，后接一个最大池化层；第三块包含三个卷积核为3×3且通道数为128的卷积层，后接一个最大池化层；所有卷积层的激活函数都使用relu函数；

将矩形图像输入表情特征提取卷积神经网络，依次经过第一块、第二块和第三块，矩形图像的高和宽依次变为24*24像素、13*13像素、7*7像素；

步骤2.1.3：表情特征提取卷积神经网络后接三层全连接层进行情感判别；全连接层第一层有1024个节点，第二层有512个节点，第三层有6个节点，前两层的激活函数使用relu函数，第三层的激活函数使用softmax函数；输出识别的情感状态；

步骤2.2：定义两种专注状态，分别为专注和松散；

对视频图像进行预处理、特征提取与专注状态识别；

步骤2.2.1：从视频图像中检测出学习者的头部与人眼，获取面部图像；

步骤2.2.2：进行专注度的特征提取，将学习者身体倾斜程度作为专注度的判断依据，学习者身体倾斜程度包含两个指标：面部到摄像头的距离distance、头部倾斜角度angle；

将面部定义为：

face＝x,y,w,h

其中面部位置坐标为(x，y)，面部尺寸为(w，h)；

将视频图像命名为bgr_image，面部图像命名为face_image，则面部图像在视频图像中表示为：

face_image＝bgr_image[y:y+h,x:x+w]；

则面部与摄像头的距离distance表示为：在face_image图像中进行人眼检测，利用眼睛的相对位置计算学习者头部倾斜角度，具体如下：

定义左眼坐标为(x1,y1)，右眼坐标为(x2,y2)，则学习者头部倾斜角度的斜率slope表示为：

头部倾斜角度angle计算公式为：angle＝|arctan(slope)|步骤2.2.3：设定默认的距离参照值R，距离参照值R或者为学习者在线学习处于专注状态时的距离平均值，或者由学习者设定自己处于专注坐姿时的距离值；再设定宽容度T，用于调整监测专注度时的识别灵敏程度；

当距离distance满足条件：min≤distance≤max则学习者处于专注状态，其中：min＝R×(1‑T)

max＝R×(1+T)

步骤2.3：定义两种注视状态，分别为注视屏幕和离开屏幕；

对视频图像进行预处理、特征提取与注视状态识别；

步骤2.3.1：使用人脸68个关键点检测法定位内外眼角点，利用每只眼睛的关键点生成一个眼部矩形区域，直接在眼部矩形区域内搜索虹膜；

设定边缘值margin，对于左眼和右眼，将x1,x2,y1,y2表示为：x1＝min(EYE_X)‑marginx2＝max(EYE_X)+marginy1＝min(EYE_Y)‑marginy2＝max(EYE_Y)+margin式中：

EYE_X——眼部所有关键点的横坐标；

EYE_Y——眼部所有关键点的纵坐标；

眼部图像的高度height和宽度width为：height＝y2‑y1

width＝x2‑x1

步骤2.3.2：对眼部矩形区域进行双边滤波操作；再进行腐蚀操作，消除眼部矩形区域中不相关的细节；然后进行二值化；

获取二值化图像后，提取眼部轮廓，并计算眼部轮廓面积，眼部轮廓面积表示为所有像素点的个数；

令(Xc,Yc)表示虹膜中心的坐标，计算公式为：其中，m00和m10为图像空间距，图像空间矩的表示如下：针对一幅图像，把像素的坐标看成是二维随机变量(x,y)，则一副灰度图能用二维灰度图密度函数进行表示，并用空间矩描述灰度图像的特征；能够通过面积获得图像的空间矩，空间矩的公式为：

步骤2.3.3：设左眼虹膜坐标为(Xl,Yl)，左眼眼部中心坐标为(Xlc,Ylc)；右眼虹膜坐标为(Xr,Yr)，右眼眼部中心坐标为(Xrc,Yrc)；则虹膜的水平偏移比率ratio表示为：学习者的水平注视方向判定标准为：步骤3：识别出学习者的情感状态、专注状态及注视状态之后，使用加权平均法对三种状态按照权重求和进行信息融合，计算出学习状态state，其计算如下：式中：

xi——第i个状态按规则量化后得出的状态值；

λi——xi对应的权重；

xi的计算如下：

x1为情感状态值，赋值如下：x2为专注状态值，赋值如下和：x3为注视状态值，赋值如下：当学习状态state小于0.5时判定为消极状态，状态值大于等于0.5时判定为积极状态；

步骤4：将识别结果实时显示；

步骤5：学习结束后将整个学习过程中的状态变化情况进行存储。

2.根据权利要求1所述的一种面向在线学习的学习状态自动识别方法，其特征在于，所述步骤2.1.1中使用Viola‑Jones检测算法的Haar‑like人脸检测器从图像中搜索人脸。

3.根据权利要求1所述的一种面向在线学习的学习状态自动识别方法，其特征在于，所述宽容度T的值介于0.05到0.3之间。