本发明属于图像处理技术领域，具体涉及到课堂座位分布预测方法。
背景技术：
挖掘人类的社交关系并对其建模可以得到有研究价值的数据，目前社交互动研究已应用于行人跟踪领域并取得了显著成果。文献“socially-awarelarge-scalecrowdforecasting，inproc.ofieeeconferenceoncomputervisionandpatternrecognition(cvpr),pp.2211–2218,2014.”公开了一种将行人的社会亲和力模型(sam，socialaffinitymaps)应用于行人目的地预测的方法。此方法首先通过在火车站布置高密度摄像机网络来采集大规模行人轨迹数据，利用scoop算法进行人检测，并设计了一个社会亲和力模型sam用来描述行人与其邻近个体在运动上的相互影响关系。作者认为在公共场合行人的行走轨迹会受到周围人的影响，而影响程度取决于人们的空间位置关系，因此sam模型为每个行人规划了一个半径为3米的圆形区域，对每个行人聚类其邻域行人的相对位置，将其映射到圆形区域中，距离越近的邻域行人其亲和力越高，对该区域结构执行矢量量化编码得到二进制向量，即得到sam模型。作者将匹配行人的轨迹片段问题转化为最小成本网络流问题，用汉明距离测量社会亲和力模型之间的相似度，将其定义为网络流上的成本，并提出一个启发式优化方法，采用线性规划获取最小成本流，实现最佳轨迹连接，达到了预测行人轨迹的目的。该方法被成功应用于行人轨迹跟踪领域，揭示了研究社交关系的重要性，在人类行为分析、智慧旅游等领域均具有重要的借鉴意义。
由此可见将社交关系纳入预测框架，可以得到高性能的预测效果。社交关系的挖掘与研究已在多个领域实现，但用于学生的座位分布预测尚未见文献。本发明将社交关系量化为模型，应用在学生的课堂座位分布预测上。
技术实现要素：
本发明所要解决的技术问题在于提供一种教师能及时了解缺勤学生的动向、排查意外情况的基于学生社交关系模型的课堂座位分布预测方法。
解决上述技术问题所采用的技术方案由下述步骤组成：
(1)数据采集与获取
教师每次上课时拍摄包含班级学生的教室全景照片，经过一学期的累积得到学生上课场景的照片。
(2)学生面部图像的检测和识别
使用harr人脸检测方法和lbp人脸识别方法对学生面部图像进行检测和识别，并将没有识别到的学生面部图像进行手工截图，记录学生面部区域左上角和右下角在图像中的二维像素坐标，其中横坐标为该点到图像左边界的像素值，纵坐标为该点到图像下边界的像素值，由坐标可知学生面部区域在图像中所处的位置。
(3)学生定位
建立教室座位二维坐标系，每一行座位对应坐标系中的横坐标，每一列座位对应坐标系中的纵坐标，对每一个座位设定在二维图像中左上角和右下角的像素坐标，每一个学生面部像素区域与该座位像素区域有80％及以上重合时，判断学生坐在该座位上，否则判断学生没有坐在该座位上，得到考勤照片中的所有学生在座位坐标系中的坐标。
将得到的学生在座位坐标系中的坐标用矩阵l存储，
其中将考勤照片数量记为x，ki,j存储第i次考勤中编号为j的学生所在的二维坐标(p，q)。若某个位置没有人则记为(-1，-1)。
(4)建立学生社交关系模型
记录每一个学生与其前、后、左、右以及四个对角邻桌的八个学生编号，得到学生社交关系模型，每个学生的社交关系模型是x×8的矩阵m为：
其中ci,j是第i次考勤中坐在该学生第j个邻桌上的学生编号，矩阵m记录x张考勤中每一个学生八个邻桌的学生序号，18≤x≤72,从步骤(3)的学生坐标系中坐标数据找到学生的八个邻桌学生，将八个邻桌学生序号填充进该模型，按式(3)进行填充：
其中li,num表示第i次考勤中编号为num的学生在座位坐标系中的坐标，tocoord(i,j)是第i次考勤中该学生邻桌编号为j的位置在座位坐标系中的坐标，当tocoord(i,j)与li,num相等时，ci,j等于num。
(5)座位分布预测
将班级里座位变动频率最低的一部分学生安置在他最常坐的座位上，已安置学生的序号集合记为a，a如式(4)所示：
a＝{a1,a2,a3,...an}(4)
其中每一个元素ai代表一个已安置学生的序号，查询a中学生的八邻桌模型，提取出一个与a中任意一个座位相邻次数最多的学生，将其安置在他们的相邻座位上，并将其加入集合a；依次重复该查询步骤，每查询一次安置一个学生，直至所有学生均已分配了座位，得到座位分布预测结果。
将教室按空间位置分为七个区域，预测的学生所属区域与测试数据中的学生实际座位区域一致的学生比例即为预测正确率，预测正确率如式(5)所示：
其中a代表学生总数，an代表预测的座位所属区域与测试数据集中该学生的座位所属区域一致的学生个数。
在本发明的建立学生社交关系模型步骤(4)中，记录每一个学生与其前、后、左、右以及四个对角邻桌的八个学生编号，得到学生社交关系模型，每个学生的社交关系模型是x×8的矩阵m为：
其中ci,j是第i次考勤中坐在该学生第j个邻桌上的学生编号，矩阵m记录x张考勤中每一个学生八个邻桌的学生序号，x为18或36或72,从步骤(3)的学生坐标系中坐标数据找到学生的八个邻桌学生，将八个邻桌学生序号填充进该模型，按式(3)进行填充：
其中li,num表示第i次考勤中编号为num的学生在座位坐标系中的坐标，tocoord(i,j)是第i次考勤中该学生邻桌编号为j的位置在座位坐标系中的坐标，当tocoord(i,j)与li,num相等时，ci,j等于num。本发明将学生的社交关系纳入了预测方法，能对大量考勤中的座位分布数据进行学生社交关系记录，得到具有代表性及预测性的学生课堂座位分布结果。
本发明将社交关系量化为模型，应用在学生的课堂座位分布预测上。对学生进行座位分布预测，不仅可以在某学生无故缺勤时根据预测结果找其同桌询问原因，及时了解缺勤学生的动向，排查意外情况，还可以在课后帮助教师还原课堂座位，研究提炼学生选择座位的依据，让教师掌握更科学的座位安排策略。另外，学生的成绩与其座位距离讲台远近的关系、学生自发形成的邻近团体之间成绩的潜在关联等问题都有研究价值，具有代表性的座位分布数据将为这些研究提供数据来源。座位分布预测结果代表了学生未来选择座位的趋势，通过这个趋势可以了解学生未来的学习动向，及时对学生进行针对性的引导和帮助。
具体实施方式
下面结合实施例对本发明进一步详细说明，但本发明不限于下述的实施例。
实施例1
以教室有8行8列座位学生人数39人的班级共18张考勤照片为例，基于学生社交关系模型的1课堂座位分布预测方法步骤如下：
(1)数据采集与获取
教师每次上课时拍摄包含班级学生的教室全景照片，经过一学期的累积得到18张学生上课场景的照片。
(2)学生面部图像的检测和识别
使用harr人脸检测方法和lbp人脸识别方法对学生面部图像进行检测和识别，harr人脸检测方法和lbp人脸识别方法是本技术领域中的公知常识，并将没有识别到的学生面部图像进行手工截图，记录学生面部区域左上角和右下角在图像中的二维像素坐标，其中横坐标为该点到图像左边界的像素值，纵坐标为该点到图像下边界的像素值，由坐标可知学生面部区域在图像中所处的位置。
(3)学生定位
建立教室座位二维坐标系，每一行座位对应坐标系中的横坐标，每一列座位对应坐标系中的纵坐标，对每一个座位设定在二维图像中左上角和右下角的像素坐标，每一个学生面部像素区域与该座位像素区域有80％及以上重合时，判断学生坐在该座位上，否则判断学生没有坐在该座位上，得到考勤照片中的所有学生在座位坐标系中的坐标。
将得到的学生在座位坐标系中的坐标用矩阵l存储，18次考勤共39个学生的座位坐标构成了18×39的矩阵l，如式(1)所示：
其中ki,j存储第i次考勤中编号为j的学生所在的二维坐标(p，q)。若某个位置没有人则记为(-1，-1)。
(4)建立学生社交关系模型
记录每一个学生与其前、后、左、右以及四个对角邻桌的八个学生编号，得到学生社交关系模型，每个学生的社交关系模型是18×8的矩阵m为：
其中ci,j是第i次考勤中坐在该学生第j个邻桌上的学生编号，i≤18，矩阵m记录18张考勤中每一个学生八个邻桌的学生序号，从步骤(3)的学生坐标系中坐标数据找到学生的八个邻桌学生，将八个邻桌学生序号填充进该模型，按式(3)进行填充：
其中li,num表示第i次考勤中编号为num的学生在座位坐标系中的坐标，tocoord(i,j)是第i次考勤中该学生邻桌编号为j的位置在座位坐标系中的坐标，当tocoord(i,j)与li,num相等时，ci,j等于num。
(5)座位分布预测
将班级里座位变动频率最低的一部分学生安置在他最常坐的座位上，已安置学生的序号集合记为a，a如式(4)所示：
a＝{a1,a2,a3,...an}(4)
其中每一个元素ai代表一个已安置学生的序号，查询a中学生的八邻桌模型，提取出一个与a中任意一个座位相邻次数最多的学生，将其安置在他们的相邻座位上，并将其加入集合a；依次重复该查询步骤，每查询一次安置一个学生，直至所有学生均已分配了座位，得到座位分布预测结果。
将教室按空间位置分为七个区域，预测的学生所属区域与测试数据中的学生实际座位区域一致的学生比例即为预测正确率，预测正确率如式(5)所示：
其中an代表预测的座位所属区域与测试数据集中该学生的座位所属区域一致的学生个数。本实施例中an为32，预测正确率为32/39＝82.1％。
实施例2
以教室有8行8列座位学生人数39人的班级共36张考勤照片为例，基于学生社交关系模型的课堂座位分布预测方法步骤如下：
(1)数据采集与获取
教师每次上课时拍摄包含班级学生的教室全景照片，经过一学期的累积得到36张学生上课场景的照片。
(2)学生面部图像的检测和识别
该步骤与实施例1相同。
(3)学生定位
建立教室座位二维坐标系，每一行座位对应坐标系中的横坐标，每一列座位对应坐标系中的纵坐标，对每一个座位设定在二维图像中左上角和右下角的像素坐标，每一个学生面部像素区域与该座位像素区域有80％及以上重合时，判断学生坐在该座位上，否则判断学生没有坐在该座位上，得到考勤照片中的所有学生在座位坐标系中的坐标。
将得到的学生在座位坐标系中的坐标用矩阵l存储，36次考勤共39个学生的座位坐标构成了36×39的矩阵l，如式(1)所示：
其中ki,j存储第i次考勤中编号为j的学生所在的二维坐标(p，q)。若某个位置没有人则记为(-1，-1)。
(4)建立学生社交关系模型
记录每一个学生与其前、后、左、右以及四个对角邻桌的八个学生编号，得到学生社交关系模型，每个学生的社交关系模型是36×8的矩阵m为：
其中ci,j是第i次考勤中坐在该学生第j个邻桌上的学生编号，i≤36，矩阵m记录36张考勤中每一个学生八个邻桌的学生序号，从步骤(3)的学生坐标系中坐标数据找到学生的八个邻桌学生，将八个邻桌学生序号填充进该模型，按式(3)进行填充：
其中li,num表示第i次考勤中编号为num的学生在座位坐标系中的坐标，tocoord(i,j)是第i次考勤中该学生邻桌编号为j的位置在座位坐标系中的坐标，当tocoord(i,j)与li,num相等时，ci,j等于num。
其他步骤与实施例1相同。
实施例3
以教室有8行8列座位学生人数39人的班级共72张考勤照片为例，基于学生社交关系模型的课堂座位分布预测方法步骤如下：
(1)数据采集与获取
教师每次上课时拍摄包含班级学生的教室全景照片，经过一学期的累积得到72张学生上课场景的照片。
(2)学生面部图像的检测和识别
该步骤与实施例1相同。
(3)学生定位
建立教室座位二维坐标系，每一行座位对应坐标系中的横坐标，每一列座位对应坐标系中的纵坐标，对每一个座位设定在二维图像中左上角和右下角的像素坐标，每一个学生面部像素区域与该座位像素区域有80％及以上重合时，判断学生坐在该座位上，否则判断学生没有坐在该座位上，得到考勤照片中的所有学生在座位坐标系中的坐标。
将得到的学生在座位坐标系中的坐标用矩阵l存储，72次考勤共39个学生的座位坐标构成了72×39的矩阵l，如式(1)所示：
其中ki,j存储第i次考勤中编号为j的学生所在的二维坐标(p，q)。若某个位置没有人则记为(-1，-1)。
(4)建立学生社交关系模型
记录每一个学生与其前、后、左、右以及四个对角邻桌的八个学生编号，得到学生社交关系模型，每个学生的社交关系模型是72×8的矩阵m为：
其中ci,j是第i次考勤中坐在该学生第j个邻桌上的学生编号，i≤72，矩阵m记录72张考勤中每一个学生八个邻桌的学生序号，从步骤(3)的学生坐标系中坐标数据找到学生的八个邻桌学生，将八个邻桌学生序号填充进该模型，按式(3)进行填充：
其中li,num表示第i次考勤中编号为num的学生在座位坐标系中的坐标，tocoord(i,j)是第i次考勤中该学生邻桌编号为j的位置在座位坐标系中的坐标，当tocoord(i,j)与li,num相等时，ci,j等于num。
其他步骤与实施例1相同。