課堂教學(xué)是教學(xué)的基本形式,是學(xué)生獲取信息、提高技能和形成思想觀念的主渠道。師、生課堂教、學(xué)行為對受教育者的影響極大,這些行為數(shù)據(jù)可以用來客觀評價學(xué)生,預(yù)測學(xué)生未來的學(xué)習(xí)成績,規(guī)劃職業(yè),也可以評價教師的教學(xué)水平,促進(jìn)教師反思并改進(jìn)教學(xué)。因此識別師、生的課堂的教、學(xué)行為有著非常廣泛的應(yīng)用,值得深入研究。目前針對課堂環(huán)境這一復(fù)雜背景下行為識別的研究剛剛開展,本文研究了數(shù)字圖像處理識別課堂背景的起立、舉手的行為。論文的主要工作如下:（1）運動目標(biāo)檢測算法在課堂場景的實現(xiàn)與應(yīng)用。將典型運動目標(biāo)檢測算法,包括運動歷史圖、高斯混合模型、Vibe、光流法應(yīng)用于課堂,并對實驗結(jié)果進(jìn)行了分析,由于這些算法前景提取的不足,針對課堂行為檢測仍然存在的難點,確定了一種先檢測行為主體（臉、手）,再判斷主體運動趨勢的行為識別的研究思路。（2）基于感興趣區(qū)域的起立識別。為了避免人物背景雜亂的影響,結(jié)合主運動發(fā)生在圖像上半部分的特點,利用二分法確定裁剪位置,進(jìn)行了圖像裁剪,獲取感興趣區(qū)域,再根據(jù)是否有舉手干擾,選擇了不同的閾值分割算法,識別了不同分割背景下的起立行為。（3）基于人臉跟蹤的起立識別。為了能對行為目標(biāo)進(jìn)行定... 

【文章來源】：太原理工大學(xué)山西省 211工程院校

【文章頁數(shù)】：90 頁

【學(xué)位級別】：碩士

【部分圖文】：

幀間差分法Fig.1-1Subtractionmethodofinterframes

：中， D( x, y , t ) I ( x, y , t ) I ( x, y , t ) 。式中， I ( x, y , t )為視頻序列第 t 幀中坐標(biāo)( x, y )處像素點的強度值， 為幀間距是人為給定的差異閾值，可隨視頻場景的變化而調(diào)整。本次應(yīng)用中，根據(jù)實際情況，將 的取值定為 15，衰退參數(shù) 定為 20，差異閾為 150，為了得到清晰的前景目標(biāo)，將求得的運動歷史圖二值化處理，得到的檢如圖 1-2 所示�？梢钥闯�，運動歷史圖基本可以檢測出目標(biāo)運動，但是存在兩個顯的缺點。第一，單靠運動歷史圖的數(shù)據(jù)，難以區(qū)分檢測出的手還是人；第二，動作的干擾，會出現(xiàn)大小不同的連通域，難以判斷小區(qū)域是否是由后排人的運動。 01( x,y,t)D( x,y,t) otherwiseif

高斯混合模型法(Gaussian mixture model, GMM)是一種基于背景建模來提取前景的方法。其基本思想是對圖像中的所有像素點使用單高斯模型進(jìn)行建模描述，對多個單高斯模型使用權(quán)值和參數(shù)匹配來實現(xiàn)背景模型的更新，以此適應(yīng)各種復(fù)雜多變的場景。這個算法的多個單高斯模型都在盡力預(yù)測本坐標(biāo)未來的顏色，系統(tǒng)根據(jù)各個高斯模型對未來顏色預(yù)測成功與否來改變它們權(quán)重，成功預(yù)測的可以調(diào)整自己，以利于下一次預(yù)測。在過去預(yù)測最準(zhǔn)的那個高斯模型所預(yù)測的值將被作為背景值。如果所有的模型都預(yù)測不準(zhǔn)，那么刪去預(yù)測最不準(zhǔn)的高斯模型并根據(jù)當(dāng)前值，建立新的高斯模型[19-21]。高斯混合模型法適用于檢測背景單一、噪聲較少的運動變化場景，但是存在計算量較大且背景更新慢的問題。若背景變化迅速，高斯混合模型法就要更新速度來適應(yīng)環(huán)境變化的速度，但是對噪聲也就更容易敏感。高斯混合模型法的檢測結(jié)果如圖 1-3 所示�？梢钥闯�，高斯混合模型可以檢測出運動目標(biāo)的輪廓，但是存在大量孔洞，也難以確定運動行為。

【參考文獻(xiàn)】：
期刊論文
[1]面向人機交互的常見桌面手勢識別[J]. 朱慶杰,潘航,陳顯軍,湛永松,楊明浩.  計算機工程與設(shè)計. 2018(10)
[2]掃描線種子區(qū)域填充算法的研究與實現(xiàn)[J]. 王利祥.  信息記錄材料. 2018(10)
[3]學(xué)生課堂行為視頻圖像采集和識別系統(tǒng)[J]. 王竑熹.  發(fā)明與創(chuàng)新(中學(xué)生). 2018(06)
[4]基于深度圖像的人體行為識別綜述[J]. 孫彬,孔德慧,張雯暉,賈文浩.  北京工業(yè)大學(xué)學(xué)報. 2018(10)
[5]基于Snake模型與輪廓跟蹤的區(qū)域填充算法[J]. 苗龍元,于正林.  科技資訊. 2018(11)
[6]基于HSI顏色空間和暗原色先驗的去霧算法[J]. 宋瑞霞,孫相東,王小春.  系統(tǒng)科學(xué)與數(shù)學(xué). 2017(10)
[7]人體行為識別數(shù)據(jù)集研究進(jìn)展[J]. 朱紅蕾,朱昶勝,徐志剛.  自動化學(xué)報. 2018(06)
[8]基于區(qū)域外接矩形的自動化孔洞填充算法[J]. 劉海峰,張超,羅江,林福良.  指揮信息系統(tǒng)與技術(shù). 2017(03)
[9]基于背景減除法的視頻序列運動目標(biāo)檢測[J]. 劉仲民,何勝皎,胡文瑾,李戰(zhàn)明.  計算機應(yīng)用. 2017(06)
[10]基于Kinect的課堂教學(xué)狀態(tài)監(jiān)測系統(tǒng)[J]. 李彬,謝翟,段渭軍,楊榮.  傳感器與微系統(tǒng). 2017(01)

碩士論文
[1]煙塵測量中圖像法的應(yīng)用研究[D]. 王素婷.太原理工大學(xué) 2018
[2]基于視覺技術(shù)的蛋雞信息監(jiān)測方法與應(yīng)用研究[D]. 劉修林.中北大學(xué) 2018
[3]基于顏色空間轉(zhuǎn)換的分水嶺彩色圖像分割算法研究[D]. 張慧.遼寧工程技術(shù)大學(xué) 2017
[4]人體行為識別及在教育錄播系統(tǒng)中的應(yīng)用[D]. 黨冬利.西安科技大學(xué) 2017
[5]基于圖像處理的自動閱卷系統(tǒng)相關(guān)技術(shù)研究[D]. 邵鳳瑩.太原理工大學(xué) 2017
[6]封閉曲線上隨機多起點的洪水填充相位解包裹算法[D]. 孫佳星.遼寧師范大學(xué) 2017
[7]基于視頻的人臉檢測與對齊算法研究[D]. 吳彬.吉林大學(xué) 2017
[8]基于圖像的人體姿勢估計和手勢識別研究[D]. 王國楨.安徽大學(xué) 2016
[9]Voila-Jones算法和遺傳神經(jīng)網(wǎng)絡(luò)算法在遠(yuǎn)程中醫(yī)診斷系統(tǒng)中的應(yīng)用[D]. 申鵬程.武漢理工大學(xué) 2013
[10]基于改進(jìn)Viola-Jones框架的人臉檢測算法[D]. 陳致蓬.湘潭大學(xué) 2012



本文編號：3604647