刘新运，叶时平，张登辉

(1.常州大学 信息科学与工程学院，江苏 常州 213164；2.浙江树人大学 信息科技学院，浙江 杭州310015)

0 引 言

行为识别应用于课堂场景，能够帮助教师掌握学生上课状态、调整教学方式，并可作为教学评价的重要依据。目前主流的视频行为识别方法多基于深度学习技术。其中Karpathy等基于CNN设计了4种不同的神经网络模型用于行为识别[1]。Simmoyan等使用图像空间特征和时序特征的双流网络方法，改善了运动特征提取不足问题[2]。Limin Wang等提出TSN方法将视频分为K个部分，稀疏采样后使用双流网络提取特征，再融合各部分特征进行行为识别，提高了长时间视频的行为识别能力[3]。Tran等提出的C3D方法使用三维卷积核提取视频特征，简化了网络结构、提高了检测速度[4]。Wenbin Du等提出的RPAN方法[5]和Donahue等提出的LRCN方法[6]，采用RNN和LSTM网络，提升了时间维度的理解能力。

应用中，沈铮等使用改进的CNN模型对经预处理后的连续帧图像进行识别，实现了公交车中异常行为的检测[7]。孔言等将注意力机制融入双流网络中，实现了油田现场人员的行为识别[8]。李辰政等使用迁移学习训练的C3D网络实现了公共场合下危险行为识别[9]。

上述方法计算成本较高、模型训练时间较长、实时性不足；此外，所用数据集包含的场景有限、目标单一且小目标少，训练所得模型难以在课堂场景中推广。针对课堂场景中学生活动空间有限、行为受时间影响小的特点，可使用多目标回归的目标检测方法对学生课堂行为进行检测。……