[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN105631410A - 一种基于智能视频处理技术的课堂检测方法 - Google Patents

一种基于智能视频处理技术的课堂检测方法 Download PDF

Info

Publication number
CN105631410A
CN105631410A CN201510970928.7A CN201510970928A CN105631410A CN 105631410 A CN105631410 A CN 105631410A CN 201510970928 A CN201510970928 A CN 201510970928A CN 105631410 A CN105631410 A CN 105631410A
Authority
CN
China
Prior art keywords
image
classroom
detected
walks
detection method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510970928.7A
Other languages
English (en)
Other versions
CN105631410B (zh
Inventor
青春美
苏林达
陈俊宇
张庆瑞
彭建浩
张鑫鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201510970928.7A priority Critical patent/CN105631410B/zh
Publication of CN105631410A publication Critical patent/CN105631410A/zh
Application granted granted Critical
Publication of CN105631410B publication Critical patent/CN105631410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于智能视频处理技术的课堂检测方法，其特征在于，包括出勤人数统计方法；出勤人数统计方法包括：从课室监控视频中提取若干素材图像-归一化处理-生成特征描述器-采用Adaboost算法以学生上半身为识别目标生成分类器-采用扫描子窗口遍历待检测图像-统计总出勤人数的步骤。该课堂检测方法可节省课堂监控成本，准确统计出课室中出勤人数，统计准确度高，实现自动化教学质量评估，节省点名时间，节约人力成本。

Description

一种基于智能视频处理技术的课堂检测方法
技术领域
本发明涉及课堂检测技术领域，更具体地说，涉及一种基于智能视频处理技术的课堂检测方法。
背景技术
智能视频监控技术源于计算机技术、数字图像处理技术以及人工智能技术，它利用计算机视觉(ComputerVision，CV)和视频分析(VideoAnalysis，VA)的方法对视频序列行一系列分析，实现对动态场景中目标的检测、定位、识别和跟踪，并在此基础上分析和判断目标的行为，从而既能完成日常管理工作又能在异常情况发生时及时做出反应。
基于现有智能视频分析的应用主要聚集在视频监控的异常检测、人流量统计等。其中运动目标检测、分割、识别与跟踪是智能视频分析研究领域当中比较常见的几个问题，至于行为理解和描述分析则是最近几年以来颇受关注的一个研究重点问题。
在学校中，学生出勤人数、课堂秩序等课堂情况都是学校管理的重要方面，是教学质量评估的重要指标。因此老师需要在课堂上点名以确定出勤情况，学校还会安排督导员巡视课堂；耗费了不少人力资源。现阶段，学校课室内普遍安装有摄像头录制课室监控视频，但课室监控视频的作用主要是为了对课室情况进行安全监控；将课室监控视频应用于课堂检测领域仍处于空白。现阶段，常采用Haar+Adaboost生成的强分类器进行人脸识别。但是Haar+Adaboost生成的强分类器对于有一定倾斜角度的人脸存在检测盲区，检测效果不好。而课室中摄像头的拍摄角度固定，通常摄像头都是位于学生的斜上方，因此从课堂监控视频提取到的检测对象均为有一定倾斜角度的人脸。通过实验发现，采用Haar+Adaboost生成的强分类器无法达到从课堂监控视频中检测人数的要求。
发明内容
本发明的目的在于克服现有技术中的缺点与不足，提供一种基于智能视频处理技术、可节省课堂监控成本、可准确统计出课室中出勤人数、统计准确度高、可实现自动化教学质量评估、节省点名时间、节约人力成本的课堂检测方法。
为了达到上述目的，本发明通过下述技术方案予以实现：一种基于智能视频处理技术的课堂检测方法，其特征在于，包括出勤人数统计方法；出勤人数统计方法包括如下步骤：
S1步，从数据库中获取课室监控视频，并从课室监控视频中提取若干记录图像；从记录图像中截取学生上半身的区域作为素材图像一，并截取不包含有学生上半身的区域作为素材图像二；分别将素材图像一和素材图像二进行归一化处理，以实现所有素材图像一和素材图像二均尺寸相同；
S2步，分别将各个素材图像一和素材图像二分成若干细胞单元；分别计算各个细胞单元中各像素点的直方图；将直方图进行组合分别形成素材图像一的特征描述器和素材图像二的特征描述器；
S3步，以素材图像一的特征描述器作为正样本，以素材图像二的特征描述器作为负样本；采用Adaboost算法对正样本和负样本进行学习，生成分类器，分类器的识别目标是学生上半身；
S4步，从数据库中获取待检测课堂对应的课室监控视频，以获取待检测图像；将待检测图像进行预处理；设定扫描子窗口，使待检测图像尺寸与扫描子窗口尺寸之间的比例为设定比例的初始值；设定人数值为零；
S5步，采用扫描子窗口遍历待检测图像获得若干扫描子图像；采用分类器依次判断各个扫描子图像是否为分类器的识别目标：若为分类器的识别目标，则人数值自加一；否则人数值不变；
S6步，判断是否已遍历所有设定比例：若已遍历所有设定比例，则当前的人数值为总出勤人数，出勤人数统计程序结束；否则调整待检测图像尺寸和/或扫描子窗口尺寸，使待检测图像尺寸与扫描子窗口尺寸之间的比例为下一个设定比例，并跳至S5步。
本发明课堂检测方法，将学校普遍存在、用于安全监控的课室监控视频来进行课堂分析，是对现有资源的开发利用，可节省课堂监控成本。本发明课堂检测方法可准确统计出课室中出勤人数，实现自动化教学质量评估，节省点名时间，节约人力成本。利用课室监控视频摄影角度固定的特点，采用课室监控视频提取的素材图像作为分类器的学习样本，与现有分类器相比，本发明课堂检测方法训练出的分类器可更有效、快速、准确地实现识别。分类器的识别目标设定为学生上半身，学生上半身是指学生肩膀以上的部位；这是由于课堂中学生被课桌遮挡下半部分，本发明中尽可能多地利用学生暴露在摄像头下的部分；与仅仅识别人脸相比，识别学生上半身可提高识别准确度。
进一步的方案是：课堂检测方法还包括课堂秩序检测方法；所述课堂秩序检测方法包括如下步骤：
T1步，获取课堂的开始时间和结束时间，获取从开始时间至结束时间的课室监控视频中的各帧图像；采用高斯混合模型来表征开始时间所对应的图像中各个像素点的特征；设定下一帧图像作为当前分析图像；
T2步，将当前分析图像中的各个像素点与高斯混合模型进行匹配：若成功匹配，则判定该像素点为背景点；否则判定该像素点为前景点；采用当前分析图像更新高斯混合模型；
T3步，判断当前分析图像对应的时间是否为结束时间：若是，则跳至T4步；否则设定下一帧图像作为当前分析图像，并跳至T2步；
T4步，在各帧图像中分别删除背景点以形成各帧前景图像；分别将各帧前景图像二值化获得各帧黑白前景图像；采用OpenCV中函数cvFindContours对各帧黑白前景图像进行处理，获得各帧黑白前景图像中的运动目标数量；
T5步，分别判断各帧黑白前景图像中的运动目标数量与运动目标数量设定限值之间的大小：若该帧黑白前景图像中的运动目标数量≥运动目标数量设定限值，则判定该帧黑白前景图像为异常黑白前景图像；否则判定该帧黑白前景图像为正常黑白前景图像；
T6步，统计异常黑白前景图像的出现频率，以及统计连续若干帧黑白前景图像均为异常黑白前景图像的异常持续时间，找出最长异常持续时间；判断异常黑白前景图像的出现频率和最长异常持续时间：若异常黑白前景图像的出现频率≥频率设定限值，或最长异常持续时间≥持续时间设定限值，则判断该课堂秩序为异常状态；否则判定该课堂秩序为正常状态。
本发明课堂检测方法还可检测课堂秩序状况，利用课室监控视频的图像进行分析判断，检测成本低，可节省课堂监控成本，无需采用督导员巡视课堂的监控方式，节约人力成本。本发明课堂检测方法中，结合大范围走动等特定行为特征进行判断，采用OpenCV中函数cvFindContours对各帧黑白前景图像进行处理，获得运动目标数量来进行后续判断，可提高判断准确率。
优选的方案是：所述S2步中，直方图是指梯度方向直方图或边缘方向直方图。
所述S4步中，将待检测图像进行预处理是指，将待检测图像进行降低噪声、补偿光照处理。由于课室监控视频录制质量参差不齐，进行降低噪声、补偿光照处理可对待检测图像进行优化，使待检测图像能够满足后续处理要求。
所述S6步中，调整待检测图像尺寸和/或扫描子窗口尺寸是指，采用如下三种情况之一：一、放大或缩小扫描子窗口尺寸，待检测图像尺寸不变；二、缩小待检测图像尺寸，扫描子窗口尺寸不变；三、放大扫描子窗口尺寸，缩小待检测图像尺寸。
所述T1步中，采用高斯混合模型来表征开始时间所对应的图像中各个像素点的特征是指，采用k个高斯模型来表征开始时间所对应的图像中各个像素点的特征。
所述T4步中，采用OpenCV中函数cvFindContours对各帧黑白前景图像进行处理是指，采用OpenCV中函数cvFindContours查找运动目标轮廓，删除面积小于轮廓面积设定值的运动目标轮廓，计算剩余运动目标轮廓数量；剩余运动目标轮廓数量为运动目标数量。这样处理可避免因环境因素造成的变换而导致误判。
与现有技术相比，本发明具有如下优点与有益效果：
1、本发明课堂检测方法将学校普遍存在、用于安全监控的课室监控视频来进行课堂分析，是对现有资源的开发利用，可节省课堂监控成本；本发明课堂检测方法可准确统计出课室中出勤人数，实现自动化教学质量评估，节省点名时间，节约人力成本；
2、本发明课堂检测方法利用课室监控视频摄影角度固定的特点，采用课室监控视频提取的素材图像作为分类器的学习样本，与现有分类器相比，本发明课堂检测方法训练出的分类器可更有效、快速、准确地实现识别；分类器的识别目标设定为学生上半身，学生上半身是指学生肩膀以上的部位；这是由于课堂中学生被课桌遮挡下半部分，本发明中尽可能多地利用学生暴露在摄像头下的部分；与仅仅识别人脸相比，识别学生上半身可提高识别准确度；
3、本发明课堂检测方法可检测课堂秩序状况，利用课室监控视频的图像进行分析判断，检测成本低，可节省课堂监控成本，无需采用督导员巡视课堂的监控方式，节约人力成本。
附图说明
图1是本发明课堂检测方法中出勤人数统计方法的流程图；
图2是本发明课堂检测方法中课堂秩序检测方法的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例
本实施例基于智能视频处理技术的课堂检测方法，包括出勤人数统计方法；出勤人数统计方法的流程如图1所示，包括如下步骤：
S1步，从数据库中获取课室监控视频，并从课室监控视频中提取若干记录图像；从记录图像中截取学生上半身的区域作为素材图像一，并截取不包含有学生上半身的区域作为素材图像二；分别将素材图像一和素材图像二进行归一化处理，以实现所有素材图像一和素材图像二均尺寸相同；
S2步，分别将各个素材图像一和素材图像二分成若干细胞单元；分别计算各个细胞单元中各像素点的直方图；将直方图进行组合分别形成素材图像一的特征描述器和素材图像二的特征描述器；
S3步，以素材图像一的特征描述器作为正样本，以素材图像二的特征描述器作为负样本；采用Adaboost算法对正样本和负样本进行学习，生成分类器，分类器的识别目标是学生上半身；
S4步，从数据库中获取待检测课堂对应的课室监控视频，以获取待检测图像；将待检测图像进行预处理；设定扫描子窗口，使待检测图像尺寸与扫描子窗口尺寸之间的比例为设定比例的初始值；设定人数值为零；
S5步，采用扫描子窗口遍历待检测图像获得若干扫描子图像；采用分类器依次判断各个扫描子图像是否为分类器的识别目标：若为分类器的识别目标，则人数值自加一；否则人数值不变；
S6步，判断是否已遍历所有设定比例：若已遍历所有设定比例，则当前的人数值为总出勤人数，出勤人数统计程序结束；否则调整待检测图像尺寸和/或扫描子窗口尺寸，使待检测图像尺寸与扫描子窗口尺寸之间的比例为下一个设定比例，并跳至S5步。
本发明课堂检测方法，将学校普遍存在、用于安全监控的课室监控视频来进行课堂分析，是对现有资源的开发利用，可节省课堂监控成本。本发明课堂检测方法可准确统计出课室中出勤人数，统计课堂出勤率，实现自动化教学质量评估，节省点名时间，节约人力成本。利用课室监控视频摄影角度固定的特点，采用课室监控视频提取的素材图像作为分类器的学习样本，与现有分类器相比，本发明课堂检测方法训练出的分类器可更有效、快速、准确地实现识别。分类器的识别目标设定为学生上半身，学生上半身是指学生肩膀以上的部位；这是由于课堂中学生被课桌遮挡下半部分，本发明中尽可能多地利用学生暴露在摄像头下的部分；与仅仅识别人脸相比，识别学生上半身可提高识别准确度。
其中，所述S2步中，直方图是指梯度方向直方图或边缘方向直方图。S2步实质是进行图像特征选择和提取；由于图像的数据量是相当大的，所以需要利用特征提取的方法实现数据的压缩。特征提取的目的在于对原始数据进行变换，获取最能反映目标本质的特征。在后续研究中，可以用特征来代替数据。本发明中，采用HOG特征实现，这是因为从HOG特征的视频素材中可采集到有关固定角度人脸的大量有用的数据，有利于后续分类器训练。
S3步中，Adaboost算法是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用Adaboost算法形成的分类器可以排除一些不必要的训练数据特征，并放在关键的训练数据上面。
所述S4步中，将待检测图像进行预处理是指，将待检测图像进行降低噪声、补偿光照处理。由于课室监控视频录制质量参差不齐，进行降低噪声、补偿光照处理可对待检测图像进行优化，使待检测图像能够满足后续处理要求。
所述S6步中，调整待检测图像尺寸和/或扫描子窗口尺寸是指，采用如下三种情况之一：一、放大或缩小扫描子窗口尺寸，待检测图像尺寸不变；二、缩小待检测图像尺寸，扫描子窗口尺寸不变；三、放大扫描子窗口尺寸，缩小待检测图像尺寸。
在实际应用中，还可以采用除课室以外的图像作为负样本。
本发明课堂检测方法还包括课堂秩序检测方法；所述课堂秩序检测方法的流程如图2所示，包括如下步骤：
T1步，获取课堂的开始时间和结束时间，获取从开始时间至结束时间的课室监控视频中的各帧图像；采用高斯混合模型来表征开始时间所对应的图像中各个像素点的特征；设定下一帧图像作为当前分析图像；
T2步，将当前分析图像中的各个像素点与高斯混合模型进行匹配：若成功匹配，则判定该像素点为背景点；否则判定该像素点为前景点；采用当前分析图像更新高斯混合模型；
T3步，判断当前分析图像对应的时间是否为结束时间：若是，则跳至T4步；否则设定下一帧图像作为当前分析图像，并跳至T2步；
T4步，在各帧图像中分别删除背景点以形成各帧前景图像；分别将各帧前景图像二值化获得各帧黑白前景图像；采用OpenCV中函数cvFindContours对各帧黑白前景图像进行处理，获得各帧黑白前景图像中的运动目标数量；
T5步，分别判断各帧黑白前景图像中的运动目标数量与运动目标数量设定限值之间的大小：若该帧黑白前景图像中的运动目标数量≥运动目标数量设定限值，则判定该帧黑白前景图像为异常黑白前景图像；否则判定该帧黑白前景图像为正常黑白前景图像；
T6步，统计异常黑白前景图像的出现频率，以及统计连续若干帧黑白前景图像均为异常黑白前景图像的异常持续时间，找出最长异常持续时间；判断异常黑白前景图像的出现频率和最长异常持续时间：若异常黑白前景图像的出现频率≥频率设定限值，或最长异常持续时间≥持续时间设定限值，则判断该课堂秩序为异常状态；否则判定该课堂秩序为正常状态。
本发明课堂检测方法还可检测课堂秩序状况，利用课室监控视频的图像进行分析判断，检测成本低，可节省课堂监控成本，无需采用督导员巡视课堂的监控方式，节约人力成本；基于课室背景单调、固定的特点，利用稳定的背景，有效进行运动目标跟踪。本发明课堂检测方法中，结合大范围走动等特定行为特征进行判断，采用OpenCV中函数cvFindContours对各帧黑白前景图像进行处理，获得运动目标数量来进行后续判断，可提高判断准确率。
所述T1步中，采用高斯混合模型来表征开始时间所对应的图像中各个像素点的特征是指，采用k个高斯模型来表征开始时间所对应的图像中各个像素点的特征。高斯混合模型主要是有方差和均值两个参数决定，对均值和方差的学习，采取不同的学习机制,将直接影响到高斯混合模型的稳定性、精确性和收敛性。由于是对运动目标的背景提取建模，因此需要对高斯混合模型中方差和均值两个参数实时更新。为提高繁忙场景下,大而慢的运动目标的检测效果,可引入权值均值的概念,建立高斯混合模型并实时更新,然后对像素点进行前景点和背景点的分类。
所述T4步中，采用OpenCV中函数cvFindContours对各帧黑白前景图像进行处理是指，采用OpenCV中函数cvFindContours查找运动目标轮廓，删除面积小于轮廓面积设定值的运动目标轮廓，计算剩余运动目标轮廓数量；剩余运动目标轮廓数量为运动目标数量。查找运动目标轮廓可以是查找人脸轮廓；之后判断运动目标轮廓的面积是否大于或等于轮廓面积设定值(例如轮廓面积设定值为40像素*40像素)，将面积小于轮廓面积设定值的运动目标轮廓删除；这样处理可避免因环境因素造成的变换而导致误判。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于智能视频处理技术的课堂检测方法，其特征在于，包括出勤人数统计方法；出勤人数统计方法包括如下步骤：
S1步，从数据库中获取课室监控视频，并从课室监控视频中提取若干记录图像；从记录图像中截取学生上半身的区域作为素材图像一，并截取不包含有学生上半身的区域作为素材图像二；分别将素材图像一和素材图像二进行归一化处理，以实现所有素材图像一和素材图像二均尺寸相同；
S2步，分别将各个素材图像一和素材图像二分成若干细胞单元；分别计算各个细胞单元中各像素点的直方图；将直方图进行组合分别形成素材图像一的特征描述器和素材图像二的特征描述器；
S3步，以素材图像一的特征描述器作为正样本，以素材图像二的特征描述器作为负样本；采用Adaboost算法对正样本和负样本进行学习，生成分类器，分类器的识别目标是学生上半身；
S4步，从数据库中获取待检测课堂对应的课室监控视频，以获取待检测图像；将待检测图像进行预处理；设定扫描子窗口，使待检测图像尺寸与扫描子窗口尺寸之间的比例为设定比例的初始值；设定人数值为零；
S5步，采用扫描子窗口遍历待检测图像获得若干扫描子图像；采用分类器依次判断各个扫描子图像是否为分类器的识别目标：若为分类器的识别目标，则人数值自加一；否则人数值不变；
S6步，判断是否已遍历所有设定比例：若已遍历所有设定比例，则当前的人数值为总出勤人数，出勤人数统计程序结束；否则调整待检测图像尺寸和/或扫描子窗口尺寸，使待检测图像尺寸与扫描子窗口尺寸之间的比例为下一个设定比例，并跳至S5步。
2.根据权利要求1所述的基于智能视频处理技术的课堂检测方法，其特征在于，还包括课堂秩序检测方法；所述课堂秩序检测方法包括如下步骤：
T1步，获取课堂的开始时间和结束时间，获取从开始时间至结束时间的课室监控视频中的各帧图像；采用高斯混合模型来表征开始时间所对应的图像中各个像素点的特征；设定下一帧图像作为当前分析图像；
T2步，将当前分析图像中的各个像素点与高斯混合模型进行匹配：若成功匹配，则判定该像素点为背景点；否则判定该像素点为前景点；采用当前分析图像更新高斯混合模型；
T3步，判断当前分析图像对应的时间是否为结束时间：若是，则跳至T4步；否则设定下一帧图像作为当前分析图像，并跳至T2步；
T4步，在各帧图像中分别删除背景点以形成各帧前景图像；分别将各帧前景图像二值化获得各帧黑白前景图像；采用OpenCV中函数cvFindContours对各帧黑白前景图像进行处理，获得各帧黑白前景图像中的运动目标数量；
T5步，分别判断各帧黑白前景图像中的运动目标数量与运动目标数量设定限值之间的大小：若该帧黑白前景图像中的运动目标数量≥运动目标数量设定限值，则判定该帧黑白前景图像为异常黑白前景图像；否则判定该帧黑白前景图像为正常黑白前景图像；
T6步，统计异常黑白前景图像的出现频率，以及统计连续若干帧黑白前景图像均为异常黑白前景图像的异常持续时间，找出最长异常持续时间；判断异常黑白前景图像的出现频率和最长异常持续时间：若异常黑白前景图像的出现频率≥频率设定限值，或最长异常持续时间≥持续时间设定限值，则判断该课堂秩序为异常状态；否则判定该课堂秩序为正常状态。
3.根据权利要求1所述的基于智能视频处理技术的课堂检测方法，其特征在于，所述S2步中，直方图是指梯度方向直方图或边缘方向直方图。
4.根据权利要求1所述的基于智能视频处理技术的课堂检测方法，其特征在于，所述S4步中，将待检测图像进行预处理是指，将待检测图像进行降低噪声、补偿光照处理。
5.根据权利要求1所述的基于智能视频处理技术的课堂检测方法，其特征在于，所述S6步中，调整待检测图像尺寸和/或扫描子窗口尺寸是指，采用如下三种情况之一：一、放大或缩小扫描子窗口尺寸，待检测图像尺寸不变；二、缩小待检测图像尺寸，扫描子窗口尺寸不变；三、放大扫描子窗口尺寸，缩小待检测图像尺寸。
6.根据权利要求2所述的基于智能视频处理技术的课堂检测方法，其特征在于，所述T1步中，采用高斯混合模型来表征开始时间所对应的图像中各个像素点的特征是指，采用k个高斯模型来表征开始时间所对应的图像中各个像素点的特征。
7.根据权利要求2所述的基于智能视频处理技术的课堂检测方法，其特征在于，所述T4步中，采用OpenCV中函数cvFindContours对各帧黑白前景图像进行处理是指，采用OpenCV中函数cvFindContours查找运动目标轮廓，删除面积小于轮廓面积设定值的运动目标轮廓，计算剩余运动目标轮廓数量；剩余运动目标轮廓数量为运动目标数量。
CN201510970928.7A 2015-12-18 2015-12-18 一种基于智能视频处理技术的课堂检测方法 Active CN105631410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510970928.7A CN105631410B (zh) 2015-12-18 2015-12-18 一种基于智能视频处理技术的课堂检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510970928.7A CN105631410B (zh) 2015-12-18 2015-12-18 一种基于智能视频处理技术的课堂检测方法

Publications (2)

Publication Number Publication Date
CN105631410A true CN105631410A (zh) 2016-06-01
CN105631410B CN105631410B (zh) 2019-04-09

Family

ID=56046323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510970928.7A Active CN105631410B (zh) 2015-12-18 2015-12-18 一种基于智能视频处理技术的课堂检测方法

Country Status (1)

Country Link
CN (1) CN105631410B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108109220A (zh) * 2017-12-29 2018-06-01 贵州理工学院 一种基于监控摄像头的教室考勤统计系统
CN108257056A (zh) * 2018-01-23 2018-07-06 余绍志 一种应用于教学行业的大数据的课堂辅助教学系统
CN111680569A (zh) * 2020-05-13 2020-09-18 北京中广上洋科技股份有限公司 基于图像分析的出勤率检测方法、装置、设备及存储介质
CN114821399A (zh) * 2022-04-07 2022-07-29 厦门大学 一种面向智慧课堂的板书自动提取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009301104A (ja) * 2008-06-10 2009-12-24 Chube Univ 物体検出装置
CN103699888A (zh) * 2013-12-29 2014-04-02 深圳市捷顺科技实业股份有限公司 人脸检测方法和装置
CN104778453A (zh) * 2015-04-02 2015-07-15 杭州电子科技大学 一种基于红外行人亮度统计特征的夜间行人检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009301104A (ja) * 2008-06-10 2009-12-24 Chube Univ 物体検出装置
CN103699888A (zh) * 2013-12-29 2014-04-02 深圳市捷顺科技实业股份有限公司 人脸检测方法和装置
CN104778453A (zh) * 2015-04-02 2015-07-15 杭州电子科技大学 一种基于红外行人亮度统计特征的夜间行人检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔡俊: "基于Adaboost算法和背景减法的电梯减法的电梯轿厢内人数检测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108109220A (zh) * 2017-12-29 2018-06-01 贵州理工学院 一种基于监控摄像头的教室考勤统计系统
CN108257056A (zh) * 2018-01-23 2018-07-06 余绍志 一种应用于教学行业的大数据的课堂辅助教学系统
CN111680569A (zh) * 2020-05-13 2020-09-18 北京中广上洋科技股份有限公司 基于图像分析的出勤率检测方法、装置、设备及存储介质
CN111680569B (zh) * 2020-05-13 2024-04-19 北京中广上洋科技股份有限公司 基于图像分析的出勤率检测方法、装置、设备及存储介质
CN114821399A (zh) * 2022-04-07 2022-07-29 厦门大学 一种面向智慧课堂的板书自动提取方法
CN114821399B (zh) * 2022-04-07 2024-06-04 厦门大学 一种面向智慧课堂的板书自动提取方法

Also Published As

Publication number Publication date
CN105631410B (zh) 2019-04-09

Similar Documents

Publication Publication Date Title
CN110837784B (zh) 一种基于人体头部特征的考场偷窥作弊检测系统
CN106169071B (zh) 一种基于动态人脸与胸卡识别的考勤方法及系统
CN108288033B (zh) 一种基于随机蕨融合多特征的安全帽检测方法
CN102708361B (zh) 远距离人脸采集方法
CN103279737B (zh) 一种基于时空兴趣点的打架行为检测方法
CN102214291A (zh) 一种快速准确的基于视频序列的人脸检测跟踪方法
CN102609724B (zh) 一种基于双摄像头的周围环境信息提示方法
CN108256462A (zh) 一种商场监控视频中的人数统计方法
CN108960047B (zh) 基于深度二次树的视频监控中人脸去重方法
CN103605969A (zh) 一种人脸录入的方法及装置
CN106886216A (zh) 基于rgbd人脸检测的机器人自动跟踪方法和系统
CN105631410A (zh) 一种基于智能视频处理技术的课堂检测方法
CN106909879A (zh) 一种疲劳驾驶检测方法及系统
CN109359549A (zh) 一种基于混合高斯和hog_lbp的行人检测方法
CN106709438A (zh) 一种基于视频会议的人数统计方法
CN105513053A (zh) 一种用于视频分析中背景建模方法
CN107358163A (zh) 基于人脸识别的游客线路跟踪统计方法、电子设备及存储介质
CN113343926A (zh) 一种基于卷积神经网络的驾驶员疲劳检测方法
CN113450369A (zh) 一种基于人脸识别技术的课堂分析系统及方法
CN103049748A (zh) 行为监测方法及装置
CN101877135B (zh) 一种基于背景重构的运动目标检测方法
CN116453198B (zh) 一种基于头部姿态差异的视线校准方法和装置
CN108009480A (zh) 一种基于特征识别的图像人体行为检测方法
CN114663835B (zh) 一种行人跟踪方法、系统、设备及存储介质
CN113392776B (zh) 一种结合座位信息和机器视觉的离开座位行为检测方法和存储设备

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant