基于深度学习的学生课堂异常行为检测与分析系统
廖鹏;刘宸铭;苏航;李启芳;韩延巾;
摘要(Abstract)：
视频分析技术已越来越多的用于视频监控等领域,为了对学生听课状况进行有效的监督和管理,项目构建了一个检测、统计学生课堂异常行为的辅助教学管理系统。通过基于VGG预训练网络模型迁移学习,来提取学生课堂异常行为特征,实现对玩手机、睡觉等异常行为的检测分析。系统在测试集上的平均识别正确率达到了85.2775%,其中识别睡觉95.1510%,识别正常90.5490%,识别玩手机70.1334%。基于背景差分提取目标区域,使系统可以识别视频中多个目标;通过连续的识别和统计,界定学生异常行为,最后自动生成成课堂行为分析报告。结果表明,卷积神经网络能够对目标特征进行特征提取,适应复杂的环境。该方法可实现对学生课堂异常行为的准确监测,具有适用性强、抗干扰的特点。
关键词(KeyWords)： 辅助教学管理系统;异常行为分析;卷积神经网络;模式分类
基金项目(Foundation): 2017年燕山大学“大学生创新创业训练计划”国家级立项(项目编号:201710216019)
作者(Authors): 廖鹏;刘宸铭;苏航;李启芳;韩延巾;
DOI: 10.19353/j.cnki.dzsj.2018.08.054
参考文献(References)：
- [1]管皓,薛向阳,安志勇.深度学习在视频目标跟踪中的应用进展与展望[J].自动化学报,2016,42(06):834-847.
- [2]朱煜,赵江坤,王逸宁,郑兵兵.基于深度学习的人体行为识别算法综述[J].自动化学报,2016,42(06):848-857.
- [3]刘智,黄江涛,冯欣.构建多尺度深度卷积神经网络行为识别模型[J].光学精密工程,2017,25(03):799-805.
- [4]赵凯旋,何东健.基于卷积神经网络的奶牛个体身份识别方法[J].农业工程学报,2015,31(05):181-187.
- [5]T Xiang,S Gong.Video Behavior Profiling for Anomaly Detection[J].IEEE Transactions on Pattern Analysis and Machaine Intellig ence,2008,30(5):893-908.
- [6]K.Simonyan and A.Zisserman,“Very deep convolutional networks for large-scale image recognition,”in International Conference on Learning Representations(ICLR),2015.
- [7]A.Krizhevsky,I.Sutskever,and G.Hinton,“Imagenet classification with deep convolutional neural networks,”in Neural Information Processing Systems(NIPS),2012.