CN108109220A

CN108109220A - 一种基于监控摄像头的教室考勤统计系统

Info

Publication number: CN108109220A
Application number: CN201711483705.3A
Authority: CN
Inventors: 曾成斌
Original assignee: Guizhou Institute of Technology
Current assignee: Guizhou Institute of Technology
Priority date: 2017-12-29
Filing date: 2017-12-29
Publication date: 2018-06-01

Abstract

本发明公开了一种基于监控摄像头的教室考勤统计系统，它涉及考勤统计系统技术领域；它的考勤统计系统包含如下流程：S101：首先，利用机器学习的方法，学习出一个人体上半身模型；S102：利用S101中的模型来对教室监控视频中的图像进行识别，从而计算出该教室的学生人数；S103：通过和学校教务系统中每个教室的应到人数进行对比，从而计算出迟到人数、旷课人数、以及到课率；本发明只需要一个预先学习好的人体上半身模型，即可应用于所有的教室环境，大大降低了系统实施的难度；有着较好的适应能力；能够对到课率，迟到人数、旷课人数进行统计。

Description

一种基于监控摄像头的教室考勤统计系统

技术领域：

本发明涉及一种基于监控摄像头的教室考勤统计系统，属于考勤统计系统技术领域。

背景技术：

对于学校，尤其是高校，需要定期对每个教室的考勤情况进行统计，考勤情况包括：应到人数、实到人数、迟到人数、旷课人数等。通常情况下，学校的管理人员采用人工巡查的方式来进行，但由于教室较多，很难在同一时间对每个教室进行巡查，只能采用抽查的方式，从而导致统计的数据不够全面。

当前，很多学校的教室都安装了监控摄像头，完全可以利用图像识别技术，对每个教室的监控视频图像进行识别，自动统计出该教室的人数，从而可以快速便捷的对所有教室的考勤情况进行统计。中国专利CN104156729A公开了一种教室人数统计方法，主要功能即是对监控视频进行识别，从而统计出教室的人数。该系统包括：在教室无人状态下建立背景模型，并建立人体上半身边缘二值模型；对二值前景图像进行膨胀运算，得到可能的人体活动区域；搜索二值前景图像中的二值峰值点，加入头顶检测集合；将人体上半身边缘二值模型与每一次滑动后的窗口中的边缘图像进行相似度比较，将大于阈值的人体上半身区域加入人体检测集合；结合头顶检测集合和人体检测集合，采用聚类分析的方式进行人数统计。该系统的不足之处主要有如下几点：

1、需要每一个教室在无人状态下的图片，用于建立教室的背景模型。如果要统计的教室数量较多，或者要快速应用到其它学校，将会大大增加系统实施的难度。

2、需要设定一个阈值，用于判断是否为人体上半身区域。而该阈值与环境有很大关系，环境不同，阈值也会随之变化，阈值的设定是一个比较困难的问题。

3、该系统只统计了教室的人数，没有对迟到人数、旷课人数进行统计。

发明内容：

针对上述问题，本发明要解决的技术问题是提供一种基于监控摄像头的教室考勤统计系统。

本发明的一种基于监控摄像头的教室考勤统计系统，它的考勤统计系统包含如下流程：S101：首先，利用机器学习的方法，学习出一个人体上半身模型；S102：利用S101中的模型来对教室监控视频中的图像进行识别，从而计算出该教室的学生人数；S103：通过和学校教务系统中每个教室的应到人数进行对比，从而计算出迟到人数、旷课人数、以及到课率。

作为优选，所述S101：利用机器学习的方法，学习出一个人体上半身模型，其步骤如下：

(1.1)、采集正样本集合PS和负样本集合NS；所述的正样本是指包含人体上半身的图像，负样本是指不包含人体上半身的图像；

(1.2)、对正样本和负样本提取特征；

(1.3)、对所有的正样本和负样本提取特征后，把特征的值写入一个文本文件，然后采用机器学习中著名的支持向量机方法来进行学习，从而得到一个能够识别人体上半身的模型M。

作为优选，所述S102：利用S101中的模型来对教室监控视频中的图像进行识别，从而计算出该教室的学生人数；即为：利用模型M来对教室监控视频中的图像进行识别，并优化模型M，得到新的模型M’,从而计算出该教室的学生人数；具体步骤如下：

(2.1)、对监控视频中的每一帧图像，利用步骤S101中学习好的模型，再利用图像识别领域著名的滑动窗口技术，即可识别出人在该图像中的具体位置，具体过程如下：

(2.1.1)、设定滑动窗口的大小和正负样本的图像大小一致，即32×32像素；对于监控视频中的每一帧图像滑动窗口在该图像上从左至右，然后从上到下进行滑动，每滑动一次即截取和窗口大小一致的子图像，对该子图像，利用步骤S101中学习好的模型M来判断该子图像中是否包含人体，如果包含人体，则判断的值为+1，否则为-1；滑动窗口每次滑动的距离设定为8个像素；

(2.1.2)、由于滑动窗口每次滑动的距离设定为8个像素，而在监控视频中，人体上半身的大小通常为32×32，这会导致有多个被模型M判断值为+1的滑动窗口对应到同一人体；此时，再利用极大值抑制的方法来对这多个窗口进行合并，使得同一人体只对应一个滑动窗口；从而识别出该图像帧中所用人体的具体位置；

(2.2)、优化模型M，得到新的模型M’；由于利用步骤(2.1)中的方法只能识别出图像中的大部分人体，会出现漏检和误检，为了减少漏检和误检的情况出现，需要对模型M进行优化，具体过程如下：

(2.2.1)、建立一个新的教室监控图像集合S，该集合包含的图像数量为N；

(2.2.2)、采用步骤(2.1)中所述的方法来对集合S中的每一张图像进行识别，然后对识别结果进行人工筛查，把漏检的人体上半身区域加入步骤(1.1)中的正样本集合PS，把误检的区域加入步骤(1.1)中的负样本集合NS，然后再采用步骤(1.2)和(1.3)中的方法，对模型M进行重新学习，从而得到优化后的模型M’。

作为优选，所述S103：通过和学校教务系统中每个教室的应到人数进行对比，从而计算出迟到人数、旷课人数、以及到课率的方法：采用步骤(2.2)中优化后的模型M’，再利用步骤(2.1)中所述的方法来对监控图像进行识别，即可得到该图像中人体的数量，由此计算到课率、迟到人数、以及旷课人数，具体步骤如下：

(3.1)、统计每个教室的到课率：在上课时间T把所有教室的在T时间点的监控图像上传至统计系统，利用步骤(2.1)中所述的方法来对监控图像进行识别，可得到教室中的学生人数NUM1，再和教务系统中的应到人数NUM0进行对比，即可计算出到课率；

(3.2)在上课时间T后10-20分钟，再把该时间点的监控图像上传至统计系统，得到该时间点的学生人数NUM2，NUM2-NUM1即为迟到人数，NUM0-NUM2即为旷课人数。

本发明的有益效果为：

一、不需要无人状态下的教室图片，用于建立教室的背景模型。只需要一个预先学习好的人体上半身模型，即可应用于所有的教室环境，大大降低了系统实施的难度；

二、不需要设定一个阈值，用于判断是否为人体上半身区域。使得该系统有着较好的适应能力；

三、能够对到课率，迟到人数、旷课人数进行统计。

附图说明：

为了易于说明，本发明由下述的具体实施及附图作以详细描述。

图1为本发明的流程示意图。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

如图1所示，本具体实施方式采用以下技术方案：它的考勤统计系统包含如下流程：S101：首先，利用机器学习的方法，学习出一个人体上半身模型；S102：利用S101中的模型来对教室监控视频中的图像进行识别，从而计算出该教室的学生人数；S103：通过和学校教务系统中每个教室的应到人数进行对比，从而计算出迟到人数、旷课人数、以及到课率。

进一步的，所述利用机器学习的方法，学习出一个人体上半身模型，其步骤如下：

1.1、采集正样本集合PS和负样本集合NS；这里正样本是指包含人体上半身的图像，负样本是指不包含人体上半身的图像，可以是教室、桌子、道路、电脑等等。正样本和负样本的图像大小都是32×32像素大小。为了使得学习好的模型更加适用于教室环境，对正负样本的采集都来自于教室的监控视频图像。其中正样本的数量是3000张，负样本的数量为20000张。正样本的采集采用人工的方式进行，即对有人的教室图像手工截取包含人体上半身区域的子图像，正样本集合PS要尽可能的包含各种姿态、衣着、光照、遮挡的人体上半身图像。负样本集合NS的采集则是对没有人的教室图像进行随机采样得到，包含了墙壁、桌椅、电脑、窗户等。

1.2、对正样本和负样本提取特征。这里采用了图像识别领域的梯度方向直方图特征和局部二分模式特征。梯度方向直方图能够很好的描述图像的边缘特性，局部二分模式能够很好的描述图像的纹理特征。把两个特征进行结合，即把两个特征对应的向量顺序连接，使得该特征能很好的刻画人的边缘信息和纹理信息。

1.3、对所有的正样本和负样本提取特征后，把特征的值写入一个文本文件，然后采用机器学习中著名的支持向量机方法来进行学习，从而得到一个能够识别人体上半身的模型M。

进一步的，所述S102：利用S101中的模型来对教室监控视频中的图像进行识别，从而计算出该教室的学生人数；即为：利用模型M来对教室监控视频中的图像进行识别，并优化模型M，得到新的模型M’,从而计算出该教室的学生人数；具体步骤如下：

2.1、对监控视频中的每一帧图像，利用步骤S101中学习好的模型，再利用图像识别领域的滑动窗口技术，即可识别出人在该图像中的具体位置，具体过程如下：

2.1.1)、设定滑动窗口的大小和正负样本的图像大小一致，即是32×32像素。对于监控视频中的每一帧图像(大小通常是1024×768像素，或者是640×480像素),滑动窗口在该图像上从左至右，然后从上到下进行滑动，每滑动一次即截取和窗口大小一致的子图像，对该子图像，利用步骤1中学习好的模型M来判断该子图像中是否包含人体，如果包含人体，则判断的值为+1，否则为-1。滑动窗口每次滑动的距离设定为8个像素。

2.1.2)、由于滑动窗口每次滑动的距离设定为8个像素，而在监控视频中，人体上半身的大小通常为32×32左右，这样就会导致有多个被模型M判断值为+1的滑动窗口对应到同一人体。此时，再利用极大值抑制的方法来对这多个窗口进行合并，使得同一人体只对应一个滑动窗口。从而识别出该图像帧中所用人体的具体位置。

2.2、优化模型M，得到新的模型M’。利用步骤2.1中的方法，可以识别出图像中的大部分人体，但会出现漏检和误检的情况。漏检是指图像中的人体区域没有被系统识别出来，误检是指图像中不是人体的区域被判断为人体。为了减少漏检和误检的情况出现，使得系统的识别更加准确，需要对模型M进行优化，具体过程如下：

2.2.1)、建立一个新的教室监控图像集合S，该集合包含的图像数量为N(N的值越大越好，本系统中N的值为500)，这些图像与步骤1.1中采集正负样本所使用的图像要尽可能的不一样，而且所包含的教室场景要尽可能的丰富多样。

2.2.2)、采用步骤2.1中所叙述的方法来对集合S中的每一张图像进行识别，然后对识别结果进行人工筛查，把漏检的人体上半身区域加入步骤1.1中的正样本集合PS，把误检的区域加入步骤1.1中的负样本集合NS，然后再采用步骤1.2和1.3中的方法，对模型M进行重新学习，从而得到优化后的模型M’，该模型能够极大的减少漏检和误检的情况出现，使得系统的识别更加准确。

进一步的，所述所述S103：通过和学校教务系统中每个教室的应到人数进行对比，从而计算出迟到人数、旷课人数、以及到课率的方法：采用步骤(2.2)中优化后的模型M’，再利用步骤(2.1)中所述的方法来对监控图像进行识别，即可得到该图像中人体的数量，由此计算到课率、迟到人数、以及旷课人数，具体步骤如下：

(3.2)、在上课时间T后15分钟左右，再把该时间点的监控图像上传至统计系统，得到该时间点的学生人数NUM2，NUM2-NUM1即为迟到人数，NUM0-NUM2即为旷课人数。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims

1.一种基于监控摄像头的教室考勤统计系统，其特征在于：它的考勤统计系统包含如下流程：S101：首先，利用机器学习的方法，学习出一个人体上半身模型；S102：利用S101中的模型来对教室监控视频中的图像进行识别，从而计算出该教室的学生人数；S103：通过和学校教务系统中每个教室的应到人数进行对比，从而计算出迟到人数、旷课人数、以及到课率。

2.根据权利要求1所述的一种基于监控摄像头的教室考勤统计系统，其特征在于：所述S101：利用机器学习的方法，学习出一个人体上半身模型，其步骤如下：

(1.2)、对正样本和负样本提取特征；

3.根据权利要求1所述的一种基于监控摄像头的教室考勤统计系统，其特征在于：所述S102：利用S101中的模型来对教室监控视频中的图像进行识别，从而计算出该教室的学生人数；即为：利用模型M来对教室监控视频中的图像进行识别，并优化模型M，得到新的模型M’,从而计算出该教室的学生人数；具体步骤如下：

4.根据权利要求1所述的一种基于监控摄像头的教室考勤统计系统，其特征在于：所述S103：通过和学校教务系统中每个教室的应到人数进行对比，从而计算出迟到人数、旷课人数、以及到课率的方法：采用步骤(2.2)中优化后的模型M’，再利用步骤(2.1)中所述的方法来对监控图像进行识别，即可得到该图像中人体的数量，由此计算到课率、迟到人数、以及旷课人数，具体步骤如下：

(3.2)、在上课时间T后10-20分钟，再把该时间点的监控图像上传至统计系统，得到该时间点的学生人数NUM2，NUM2-NUM1即为迟到人数，NUM0-NUM2即为旷课人数。