教室注意力分析旨在捕获丰富的语义信息,以分析学生对课堂的反应。随着信息化技术和人工智能的发展,越来越多的技术应用于教室场景,给智慧教室这一理念提供了更多的活力。但是,在教室场景中构造一个统一的注意力模型存在一些挑战。首先教室场景下学生人数众多、每个学生的人脸大小不同、学生人脸分辨率也比较低。同时每个学生都是单独的个体,都会有自己独立的一套行为习惯,使注意力很难被分析。针对教室场景下的这些特点,本文从两个方面来解决以上存在的问题,具体工作如下:(1)针对教室场景下学生的小人脸和人脸低分辨率特性,本文提出了一个教室场景下的头部姿态估计模型。首先基于牛津大学视觉几何组(Visual Geometry Group,VGG)提出的网络构建一个人脸检测器,同时在VGG每个尺度分支加入一个检测模块,实现多尺度的人脸检测。接着通过分类与回归结合的方式融合特征,得到更精确的头部信息。最后在训练时,利用数据融合的思想,将不同质量的图片同时进行训练让模型更加鲁棒。在公开数据集WIDER FACE和AFLW上进行了模型的测试,实验结果表明我们的方法有着良好的性能。(2)针对不同学生难以被统一分析的特性,我们构建了一个注意力分析模块。首先通过头部姿态估计模型得到每个学生共有的属性欧拉角,然后利用欧拉角相互间的约束关系进行计算,最后通过座位与黑板之间夹角产生的空间信息来修正欧拉角来进一步提升精确率。在教室数据集上的实验结果证明了我们方法的性能和实用性。本文结合深度学习模型,针对教室场景下学生小人脸、头部低分辨率特性和学生注意力难以统一被分析的特点,分别构建了头部姿态估计模块和注意力分析模块并进行了改进。提出的方法完善了教室场景下的学生注意力分析检测方法,实现了对传统方法的改进,并对教室场景下的目标检测、自然场景下的注意力检测具有一定的参考价值。