1.一种基于人脸表情和人体动作识别的课堂学习效率分析算法，其特征在于包括以下步骤：步骤1，将一节课按时间分成M个区间段；利用布置在教室内的监视与信息处理系统，获取各区间段内每个同学的表情和动作等统计信息，基于N个学生上课时的表情和动作具体情况，设置“好”行为为Ai，i＝1,2,...,α；“坏”行为为Bi，i＝1,2,...,β；

步骤2，计算学生集体课堂学习效率Pα，具体如下：

步骤2-1、首先根据每一种行为在各区间段总人数的表现，选取“好”行为A1,A2,A3,...,αA在各区间的行为权值；

步骤2-2、计算每个区间段“好”行为因子Pjg，j＝1 ,2 ,3...M；其中：wj1,wj2,wj3,...,wjα分别为“好”行为A1,A2,A3,...,Aα在第j区间的行为权值，A1ji,A2ji,A3ji,...,Aαji指第j区间段第i个学生若产生对应的行为时其值为1，否则为0；

步骤2-3、计算每个区间段“坏”行为因子Pjb，，j＝1,2,3...M；其中：wb1,wb2,wb3,...,wbβ分别为B1ji,B2ji,B3ji,...,Bβji的行为权值，其取值一般为固定值；B1ji,B2ji,B3ji,...,Bβji指第j区间段第i个学生若产生对应的行为时其值为1，否则为0；

步骤2-4、计算得到一节课内集体“好”行为因子 集体“坏”行为因子步骤2-5、计算集体课堂学习效率

步骤3，考虑个体课堂学习效率算法来补偿集体算法的缺点，具体如下：步骤3-1、计算每个学生的“好”行为因子Pig，i＝1，2,3...N，班上总人数为N，其中：wj1,wj2,wj3,...,wjα分别为“好”行为A1,A2,A3,...,Aα在第j区间的行为权值，A1ij,A2ij,A3ij,...,Aαij指第i个学生在第j区间若产生对应的行为时其值为1，否则为0；

步骤3-2、计算每个学生的“坏”行为因子Pib,i＝1，2,3...N，班上总人数为N，其中：wb1,wb2,wb3,...,wbβ分别为“坏”行为B1,B2,B3,...,Bβ的行为权值，其取值一般为固定值，B1ij,B2ij,B3ij,...,Bβij指第i个学生在第j区间若产生对应的行为时其值为1，否则为0；

步骤3-3、计算一节课内每个学生的课堂学习效率

统计出pi≥Pset的人数Z,Pset表示学生的期望课堂学习效率定值，可以视具体情况而定，进一步，计算个体课堂学习效率为步骤4，根据步骤2和步骤3所得的pa和pβ，可以得出考虑个体因素的集体算法的最终课堂效率计算结果为p＝λ1pα+λ2pβ，其中：λ1，λ2分别为Pα和Pβ的分配系数，可视具体情况而定。

2.根据权利要求1所述的一种基于人脸表情和人体动作识别的课堂学习效率分析算法，其特征在于：利用布置在教室内的多个摄像机与热释红外探测器，获取各区间段内N个同学的8种行为的统计信息；“好”行为为A—抬头认真听讲，B—低头看课本，C—做笔记，D—提问/回答老师的问题，“坏”行为为E—打瞌睡，F—交头接耳说话，G—玩手机，H—中途离场；

首先根据每一种行为在各区间段总人数的表现，选取“好”行为A,B,C,D在各区间的行为权值，如表2所示：表2：A,B,C,D行为在各区间段的行为权值

其中：这里θ的取值为0.55，D行为的权属优先级高于A,B,C,即只要区间内有D行为出现，即该区间的权属按四权赋权值。

3.根据权利要求1所述的一种基于人脸表情和人体动作识别的课堂学习效率分析算法，其特征在于：上述步骤2-1、步骤2-2、步骤3-1中所述的行为权值的取值方法，如表1所示：

1 1 1 α

表1：A ,A ,A ,...,A行为在各区间段的行为权值其中：θ表示A1,A1,A1,...,Aα行为在各区间段产生的人次占总人数的比例，num11，num12，...，numnα表示行为权值。