任潁超

上饒職業(yè)技術(shù)學(xué)院,江西 上饒 334109

0 引言

學(xué)生管理是高職院校日常管理工作的重要組成部分。常規(guī)模式下,針對學(xué)生異常行為的管理需要高職院校耗費(fèi)大量的人力、物力、精力,且很難達(dá)到精準(zhǔn)化、無縫化、智能化的管理效果[1]。異常行為監(jiān)測(ABD)系統(tǒng)是在計(jì)算機(jī)技術(shù)、圖像視頻識別技術(shù)、智能自動(dòng)化技術(shù)等飛速發(fā)展背景下誕生的個(gè)體行為識別監(jiān)測技術(shù)系統(tǒng),它能夠通過對異常行為運(yùn)算建模、提取特征變量、設(shè)置類別標(biāo)簽、訓(xùn)練測試、報(bào)警提醒等方式,識別和監(jiān)測出個(gè)體的非正常行為[2],將其引入高職院校中,對提升學(xué)生管理的智能化和自動(dòng)化水平有著重要意義。

1 SVM技術(shù)

支持向量機(jī)(support vector machine,SVM)是機(jī)器學(xué)習(xí)領(lǐng)域典型的線性分類學(xué)習(xí)模型[3],通常用來進(jìn)行模式識別、判斷和回歸分析,將其用在學(xué)生異常行為監(jiān)測系統(tǒng)中,有以下幾方面優(yōu)勢:能夠?qū)W(xué)生異常行為進(jìn)行建模,直觀準(zhǔn)確地表達(dá)和描述異常行為數(shù)據(jù);能夠準(zhǔn)確地收集學(xué)生異常行為數(shù)據(jù);能夠精確地訓(xùn)練學(xué)生的異常行為數(shù)據(jù),并加以分類區(qū)別;算法簡單易用,能夠高效地處理小樣本數(shù)據(jù),有效識別學(xué)生異常行為并實(shí)現(xiàn)即時(shí)報(bào)警。整體來說,SVM是一種監(jiān)督學(xué)習(xí)的機(jī)器智能算法,能夠高效地提取學(xué)生異常行為的數(shù)據(jù)特征,兼顧異常行為模型的易用性和分類性,保證了優(yōu)秀的泛在化識別能力。此外,通過分類區(qū)別能夠更好地在保護(hù)學(xué)生隱私的情況下收集數(shù)據(jù)。

2 OpenCV技術(shù)

OpenCV是一個(gè)基于BSD的計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)開源軟件庫,被廣泛應(yīng)用在人臉識別、運(yùn)動(dòng)跟蹤、動(dòng)作識別、機(jī)器視覺等領(lǐng)域[4]。它提供了人臉識別接口,為用戶提供了eigenface特征提取、線性識別和局部二元模式直方圖3種算法,能夠快速抓取人臉圖像作為隨機(jī)變量,并應(yīng)用統(tǒng)計(jì)學(xué)方法識別不同人的面部特征,達(dá)到快速識別、區(qū)分、監(jiān)測人臉的效果[5]。將OpenCV技術(shù)應(yīng)用在學(xué)生異常行為監(jiān)測系統(tǒng)中有以下幾方面優(yōu)勢:能夠與SVM技術(shù)完美兼容,通過算法資源共享完成對學(xué)生人臉識別和異常行為的監(jiān)測;內(nèi)置矩陣求解算法能夠快速擬合學(xué)生人臉形狀的特征,通過基地線性組合生成多張人臉圖像,并通過比較人臉圖像識別出身份信息;在算法輔助下能夠快速捕捉學(xué)生的運(yùn)動(dòng)軌跡、身體姿態(tài)等信息,為精準(zhǔn)監(jiān)測學(xué)生異常行為提供數(shù)據(jù)源。

3 基于SVM的學(xué)生異常行為識別模型構(gòu)建

3.1 模型框架

基于SVM技術(shù)構(gòu)建學(xué)生異常行為識別模型(見圖1),具體的識別流程為:借助攝像頭或RGB相機(jī)等視頻捕捉設(shè)備,抓取對象的實(shí)時(shí)靜態(tài)或動(dòng)態(tài)圖像,按照SVM算法生成對象骨架圖特征點(diǎn)的三維坐標(biāo);經(jīng)過數(shù)據(jù)處理后,輸入學(xué)生異常行為識別模型中,根據(jù)對象的三維坐標(biāo)信息進(jìn)行參數(shù)尋優(yōu);通過反復(fù)循環(huán)的運(yùn)算尋找最優(yōu)解,獲取學(xué)生異常行為特征,并與數(shù)據(jù)庫中的異常行為類別標(biāo)簽進(jìn)行對比,通過訓(xùn)練測試提取異常行為識別結(jié)果。

該系統(tǒng)將學(xué)生異常行為歸納成4個(gè)方面,特征較少,但由于在校學(xué)生樣本數(shù)量眾多,且學(xué)生異常行為數(shù)據(jù)隸屬于線性不可分型數(shù)據(jù),因此需要選用SVM模型中的RBF核函數(shù)在高維空間對采集到的學(xué)生行為數(shù)據(jù)進(jìn)行運(yùn)算,以獲取學(xué)生異常行為識別數(shù)據(jù)集合。

3.2 特征變量提取

特征變量是SVM模型的輸入值,也是學(xué)生異常行為的數(shù)據(jù)源。該系統(tǒng)基于SVM模型采集學(xué)生異常行為數(shù)據(jù)的需求,參考部分親和域PAFS算法,得到反映學(xué)生異常行為動(dòng)作的三維坐標(biāo)骨架模型,作為選取的特征變量。以學(xué)生異常跌倒行為為例,根據(jù)異常行為動(dòng)作三維坐標(biāo)骨架模型,當(dāng)學(xué)生發(fā)生跌倒行為時(shí),距離地面越遠(yuǎn)的骨架點(diǎn),發(fā)生偏移越大,此時(shí)學(xué)生肩部2個(gè)關(guān)鍵骨架點(diǎn)在垂直方向上的運(yùn)動(dòng)偏移便是一個(gè)能夠反映異常跌倒動(dòng)作的特征變量。此外,當(dāng)學(xué)生異常跌倒時(shí),出于個(gè)體本能會做出單手或雙手撐住地面、扶住物體的動(dòng)作,因此,學(xué)生雙手骨架點(diǎn)也能夠作為反映異常跌倒動(dòng)作的特征變量。其他學(xué)生異常行為也有類似的特征變量,只要找到并提取出來,輸入到SVM模型中,便可通過運(yùn)算快速獲取數(shù)據(jù)源。

3.3 類別標(biāo)簽設(shè)置

類別標(biāo)簽用來對學(xué)生異常行為進(jìn)行分類,以便SVM模型能夠根據(jù)分類標(biāo)識快速地預(yù)測和識別學(xué)生異常行為的類型。該系統(tǒng)重點(diǎn)關(guān)注學(xué)生異常離校、異常跌倒、異常俯身、上課玩手機(jī)4種異常行為,將這4種異常行為設(shè)置成類別標(biāo)簽,以供SVM模型采樣識別。此外,還應(yīng)包含學(xué)生正常的日常行為,例如在教室內(nèi)走動(dòng)、坐在椅子上看書學(xué)習(xí)、與同伴或教師進(jìn)行交流等,具體的類別標(biāo)簽設(shè)置為:正常行為的類別標(biāo)簽為“0”,學(xué)生異常離校的類別標(biāo)簽為“1”,學(xué)生異常跌倒的類別標(biāo)簽為“2”,學(xué)生異常附身的類別標(biāo)簽為“3”,學(xué)生上課玩手機(jī)的類別標(biāo)簽為“4”。

3.4 訓(xùn)練測試方法

對初步識別出的學(xué)生異常行為,還需要采用合適的算法得到分類預(yù)測的規(guī)則方差,以便進(jìn)行深度識別。該系統(tǒng)將學(xué)生異常行為數(shù)據(jù)集劃分為訓(xùn)練集和測試集,通過對特定的學(xué)生樣本進(jìn)行訓(xùn)練,得到訓(xùn)練集和測試集SVM模型,對學(xué)生異常行為進(jìn)行分類識別。此外,結(jié)合物聯(lián)網(wǎng)系統(tǒng)、電子信息系統(tǒng)、光電報(bào)警系統(tǒng)設(shè)計(jì)硬件電路與系統(tǒng),當(dāng)訓(xùn)練集和測試集反饋的結(jié)果超過閥值時(shí),說明有學(xué)生異常行為發(fā)生,硬件電路系統(tǒng)便會發(fā)出報(bào)警提示。具體來說,常用的異常行為訓(xùn)練和測試方法有真正類率(TPR)和負(fù)正類率(FPR)檢測2種訓(xùn)練測試方法,其變量指標(biāo)見表1,運(yùn)算表達(dá)式如下所示。

表1 學(xué)生異常行為訓(xùn)練測試指標(biāo)集

TPR=TP/(TP+NF)

FPR=FP/(FP+NT)

(1)

由式(1)可知,TPR的值越大,指標(biāo)集合數(shù)據(jù)訓(xùn)練測試的分類性能越好,表明學(xué)生異常行為的深度識別效果也越好。

4 基于OpenCV的學(xué)生異常行為監(jiān)測系統(tǒng)設(shè)計(jì)與測試

4.1 系統(tǒng)功能模塊及硬件設(shè)計(jì)

學(xué)生異常行為監(jiān)測系統(tǒng)基于OpenCV人臉識別算法設(shè)計(jì)功能模塊,由于OpenCV提供了3種人臉識別算法,根據(jù)學(xué)生異常行為識別監(jiān)測的實(shí)際需求,選擇其中的eigenface算法調(diào)取SVM模型采樣的學(xué)生人臉和行為圖像作為隨機(jī)變量,構(gòu)建系統(tǒng)的功能模塊如下。

1)人臉識別身份監(jiān)測模塊。當(dāng)學(xué)生進(jìn)入采樣區(qū)域后,系統(tǒng)監(jiān)控設(shè)備便會實(shí)時(shí)采樣學(xué)生的面部、行為、肢體動(dòng)作等信息構(gòu)建特征變量集合,并對集合數(shù)據(jù)進(jìn)行消噪、濾波等處理,突出人臉和行為特征,識別出學(xué)生的身份信息。

2)學(xué)生運(yùn)動(dòng)軌跡監(jiān)測模塊。當(dāng)識別出學(xué)生身份信息后,系統(tǒng)監(jiān)控設(shè)備便會實(shí)時(shí)捕捉學(xué)生的行為動(dòng)作,通過與SVM模型中的骨架點(diǎn)模型數(shù)據(jù)進(jìn)行對比,實(shí)現(xiàn)對學(xué)生運(yùn)動(dòng)軌跡的跟蹤監(jiān)測,當(dāng)數(shù)據(jù)與類別標(biāo)簽集合中的異常行為標(biāo)簽吻合時(shí),便發(fā)出異常行為監(jiān)測報(bào)警提醒。

基于上述功能模塊,該系統(tǒng)的硬件設(shè)施包括:高清RGB監(jiān)控?cái)z像機(jī)數(shù)臺、計(jì)算機(jī)數(shù)臺,且攝像機(jī)和計(jì)算機(jī)應(yīng)通過無線路由器組建局域網(wǎng)。硬件設(shè)施組建完后,將攝像機(jī)對準(zhǔn)學(xué)生異常行為監(jiān)測區(qū)域,實(shí)時(shí)捕捉區(qū)域畫面。

4.2 系統(tǒng)測試效果

系統(tǒng)設(shè)計(jì)完成后,在某高職院校進(jìn)行現(xiàn)場測試,測試的場景分為4個(gè),分別在能容納30、50、70和100人的教室內(nèi)安裝該系統(tǒng),進(jìn)行無教師值守狀態(tài)下學(xué)生異常行為的識別監(jiān)測,結(jié)果如表2所示。根據(jù)測試結(jié)果可知:隨著參與測試學(xué)生人數(shù)攀升,該系統(tǒng)的檢測精準(zhǔn)度、抓取異常行為識別時(shí)間、異常行為計(jì)算判定時(shí)間3項(xiàng)指標(biāo)的表現(xiàn)效果雖略有下降,但整體符合預(yù)期,能夠較為精準(zhǔn)、高效地識別和監(jiān)測學(xué)生異常行為,呈現(xiàn)出良好的應(yīng)用效果。

表2 系統(tǒng)測試效果統(tǒng)計(jì)

5 結(jié)束語

針對學(xué)生異常行為識別和監(jiān)測系統(tǒng)的設(shè)計(jì)和應(yīng)用,一直以來都是計(jì)算機(jī)科學(xué)技術(shù)領(lǐng)域研究的熱點(diǎn),但如何高效精準(zhǔn)地捕捉現(xiàn)場人員信息,并識別監(jiān)測其異常行為一直是研究的難點(diǎn)。本文充分利用SVM和OpenCV技術(shù)在人臉識別、行為軌跡跟蹤等方面的優(yōu)勢,設(shè)計(jì)了一套學(xué)生異常行為識別監(jiān)測系統(tǒng),通過現(xiàn)場測試驗(yàn)證了系統(tǒng)的有效性,希望能夠?yàn)楫惓Ｐ袨楸O(jiān)測(ABD)系統(tǒng)的研究提供更多啟示。