一种基于智能视频处理技术的课堂检测方法
【技术领域】
[0001]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】
[0002]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(Computer Vis1n，CV)和视频分析(Video Analysis，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。
[0003]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。
[0004]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】
[0005]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。
[0006]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:
[0007]SI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；
[0008]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；
[0009]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；
[0010]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；
[0011 ] 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；
[0012]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。
[0013]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、准确地实现识另O。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。
[0014]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:
[0015]Tl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；
[0016]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；
[0017]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；
[0018]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cvF indContour s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；
[0019]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I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；
[0020]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之频率设定限值，或最长异常持续时间I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。
[0021]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。
[0022 ]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。
[0023]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。
[0024]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。
[0025]所述Tl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。
[0