任颍超

上饶职业技术学院,江西 上饶 334109

0 引言

学生管理是高职院校日常管理工作的重要组成部分。常规模式下,针对学生异常行为的管理需要高职院校耗费大量的人力、物力、精力,且很难达到精准化、无缝化、智能化的管理效果[1]。异常行为监测(ABD)系统是在计算机技术、图像视频识别技术、智能自动化技术等飞速发展背景下诞生的个体行为识别监测技术系统,它能够通过对异常行为运算建模、提取特征变量、设置类别标签、训练测试、报警提醒等方式,识别和监测出个体的非正常行为[2],将其引入高职院校中,对提升学生管理的智能化和自动化水平有着重要意义。

1 SVM技术

支持向量机(support vector machine,SVM)是机器学习领域典型的线性分类学习模型[3],通常用来进行模式识别、判断和回归分析,将其用在学生异常行为监测系统中,有以下几方面优势:能够对学生异常行为进行建模,直观准确地表达和描述异常行为数据;能够准确地收集学生异常行为数据;能够精确地训练学生的异常行为数据,并加以分类区别;算法简单易用,能够高效地处理小样本数据,有效识别学生异常行为并实现即时报警。整体来说,SVM是一种监督学习的机器智能算法,能够高效地提取学生异常行为的数据特征,兼顾异常行为模型的易用性和分类性,保证了优秀的泛在化识别能力。此外,通过分类区别能够更好地在保护学生隐私的情况下收集数据。

2 OpenCV技术

OpenCV是一个基于BSD的计算机视觉和机器学习开源软件库,被广泛应用在人脸识别、运动跟踪、动作识别、机器视觉等领域[4]。它提供了人脸识别接口,为用户提供了eigenface特征提取、线性识别和局部二元模式直方图3种算法,能够快速抓取人脸图像作为随机变量,并应用统计学方法识别不同人的面部特征,达到快速识别、区分、监测人脸的效果[5]。将OpenCV技术应用在学生异常行为监测系统中有以下几方面优势:能够与SVM技术完美兼容,通过算法资源共享完成对学生人脸识别和异常行为的监测;内置矩阵求解算法能够快速拟合学生人脸形状的特征,通过基地线性组合生成多张人脸图像,并通过比较人脸图像识别出身份信息;在算法辅助下能够快速捕捉学生的运动轨迹、身体姿态等信息,为精准监测学生异常行为提供数据源。

3 基于SVM的学生异常行为识别模型构建

3.1 模型框架

基于SVM技术构建学生异常行为识别模型(见图1),具体的识别流程为:借助摄像头或RGB相机等视频捕捉设备,抓取对象的实时静态或动态图像,按照SVM算法生成对象骨架图特征点的三维坐标;经过数据处理后,输入学生异常行为识别模型中,根据对象的三维坐标信息进行参数寻优;通过反复循环的运算寻找最优解,获取学生异常行为特征,并与数据库中的异常行为类别标签进行对比,通过训练测试提取异常行为识别结果。

该系统将学生异常行为归纳成4个方面,特征较少,但由于在校学生样本数量众多,且学生异常行为数据隶属于线性不可分型数据,因此需要选用SVM模型中的RBF核函数在高维空间对采集到的学生行为数据进行运算,以获取学生异常行为识别数据集合。

3.2 特征变量提取

特征变量是SVM模型的输入值,也是学生异常行为的数据源。该系统基于SVM模型采集学生异常行为数据的需求,参考部分亲和域PAFS算法,得到反映学生异常行为动作的三维坐标骨架模型,作为选取的特征变量。以学生异常跌倒行为为例,根据异常行为动作三维坐标骨架模型,当学生发生跌倒行为时,距离地面越远的骨架点,发生偏移越大,此时学生肩部2个关键骨架点在垂直方向上的运动偏移便是一个能够反映异常跌倒动作的特征变量。此外,当学生异常跌倒时,出于个体本能会做出单手或双手撑住地面、扶住物体的动作,因此,学生双手骨架点也能够作为反映异常跌倒动作的特征变量。其他学生异常行为也有类似的特征变量,只要找到并提取出来,输入到SVM模型中,便可通过运算快速获取数据源。

3.3 类别标签设置

类别标签用来对学生异常行为进行分类,以便SVM模型能够根据分类标识快速地预测和识别学生异常行为的类型。该系统重点关注学生异常离校、异常跌倒、异常俯身、上课玩手机4种异常行为,将这4种异常行为设置成类别标签,以供SVM模型采样识别。此外,还应包含学生正常的日常行为,例如在教室内走动、坐在椅子上看书学习、与同伴或教师进行交流等,具体的类别标签设置为:正常行为的类别标签为“0”,学生异常离校的类别标签为“1”,学生异常跌倒的类别标签为“2”,学生异常附身的类别标签为“3”,学生上课玩手机的类别标签为“4”。

3.4 训练测试方法

对初步识别出的学生异常行为,还需要采用合适的算法得到分类预测的规则方差,以便进行深度识别。该系统将学生异常行为数据集划分为训练集和测试集,通过对特定的学生样本进行训练,得到训练集和测试集SVM模型,对学生异常行为进行分类识别。此外,结合物联网系统、电子信息系统、光电报警系统设计硬件电路与系统,当训练集和测试集反馈的结果超过阀值时,说明有学生异常行为发生,硬件电路系统便会发出报警提示。具体来说,常用的异常行为训练和测试方法有真正类率(TPR)和负正类率(FPR)检测2种训练测试方法,其变量指标见表1,运算表达式如下所示。

表1 学生异常行为训练测试指标集

TPR=TP/(TP+NF)

FPR=FP/(FP+NT)

(1)

由式(1)可知,TPR的值越大,指标集合数据训练测试的分类性能越好,表明学生异常行为的深度识别效果也越好。

4 基于OpenCV的学生异常行为监测系统设计与测试

4.1 系统功能模块及硬件设计

学生异常行为监测系统基于OpenCV人脸识别算法设计功能模块,由于OpenCV提供了3种人脸识别算法,根据学生异常行为识别监测的实际需求,选择其中的eigenface算法调取SVM模型采样的学生人脸和行为图像作为随机变量,构建系统的功能模块如下。

1)人脸识别身份监测模块。当学生进入采样区域后,系统监控设备便会实时采样学生的面部、行为、肢体动作等信息构建特征变量集合,并对集合数据进行消噪、滤波等处理,突出人脸和行为特征,识别出学生的身份信息。

2)学生运动轨迹监测模块。当识别出学生身份信息后,系统监控设备便会实时捕捉学生的行为动作,通过与SVM模型中的骨架点模型数据进行对比,实现对学生运动轨迹的跟踪监测,当数据与类别标签集合中的异常行为标签吻合时,便发出异常行为监测报警提醒。

基于上述功能模块,该系统的硬件设施包括:高清RGB监控摄像机数台、计算机数台,且摄像机和计算机应通过无线路由器组建局域网。硬件设施组建完后,将摄像机对准学生异常行为监测区域,实时捕捉区域画面。

4.2 系统测试效果

系统设计完成后,在某高职院校进行现场测试,测试的场景分为4个,分别在能容纳30、50、70和100人的教室内安装该系统,进行无教师值守状态下学生异常行为的识别监测,结果如表2所示。根据测试结果可知:随着参与测试学生人数攀升,该系统的检测精准度、抓取异常行为识别时间、异常行为计算判定时间3项指标的表现效果虽略有下降,但整体符合预期,能够较为精准、高效地识别和监测学生异常行为,呈现出良好的应用效果。

表2 系统测试效果统计

5 结束语

针对学生异常行为识别和监测系统的设计和应用,一直以来都是计算机科学技术领域研究的热点,但如何高效精准地捕捉现场人员信息,并识别监测其异常行为一直是研究的难点。本文充分利用SVM和OpenCV技术在人脸识别、行为轨迹跟踪等方面的优势,设计了一套学生异常行为识别监测系统,通过现场测试验证了系统的有效性,希望能够为异常行为监测(ABD)系统的研究提供更多启示。