CN109118512B - 一种基于机器视觉的课堂迟到早退检测方法 - Google Patents

一种基于机器视觉的课堂迟到早退检测方法 Download PDF

Info

Publication number
CN109118512B
CN109118512B CN201810915073.1A CN201810915073A CN109118512B CN 109118512 B CN109118512 B CN 109118512B CN 201810915073 A CN201810915073 A CN 201810915073A CN 109118512 B CN109118512 B CN 109118512B
Authority
CN
China
Prior art keywords
classroom
early
late
detection method
moving
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810915073.1A
Other languages
English (en)
Other versions
CN109118512A (zh
Inventor
窦东阳
周德炀
薛研
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN201810915073.1A priority Critical patent/CN109118512B/zh
Publication of CN109118512A publication Critical patent/CN109118512A/zh
Application granted granted Critical
Publication of CN109118512B publication Critical patent/CN109118512B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于机器视觉的课堂迟到早退检测方法，检测方法：S1、计算机通过导入数据库中教室课表信息循环判断该教室是否处于课堂阶段；S2、若该教室处于课堂阶段，计算机通过教室的监控摄像头获取课堂阶段内进出教室前后门的视频，分割视频图像并进行运动目标跟踪检测；S3、对于被跟踪检测到的运动目标，依据运动方向判断是迟到还是早退，并截留捕捉有运动目标的运动视频；S4、将跟踪检测到的运动目标的信息通过短信、邮箱或网络链接发送给任课老师或管理人员。本发明利用机器视觉实现课堂迟到或早退检测，做到实时监控，适时监控，为管理课堂纪律提供便利，且利用已有的校园监控系统设施，大大节约了资金投入。

Description

一种基于机器视觉的课堂迟到早退检测方法
技术领域
本发明涉及教务系统技术领域，特别是涉及一种基于机器视觉的课堂迟到早退检测方法。
背景技术
课堂纪律监管是学校提高校风学风的重点。许多学校尤其是高等院校在大教室上课，学生众多，班级混杂，因此任课老师很难管理课堂纪律；又有部分学生的自律能力较差，无心学习，纵是课堂点名也无法阻止学生迟到、早退等现象时常发生；而任课老师在授课时不是一直注意着课堂状况，一些学生经常趁任课老师疏忽时离开课堂，影响课堂纪律和学习氛围，任课老师也因不知事由无法对这些学生做出管理；已有的各类课堂考勤无法做到实时考查，亦或存在各种缺点无法检测迟到早退状况。鉴于上述问题，寻求一种实时监管考勤或检测课堂迟到早退状况的方法十分必要。
目前校园教室的视频监控的到广泛运用，但校园视频监控系统多用于监考和防盗，功能单一，造成设备资源的浪费。现阶段监控设备的性能有了很大提高，如计算机计算性能、摄像机拍摄视频性能、无线数据传输等。计算机视觉处理技术发展迅猛，已在交通、医学、军事和工业等领域得到广泛应用。这些都为实现基于机器视觉的课堂迟到早退检测方法提供良好的支持。
发明内容
为了克服上述现有技术的不足，本发明提供了提供一种基于机器视觉的课堂迟到早退检测方法，以教室已有的视频监控设备为基础，不仅使得校园视频监控系统功能更加多样化，而且对课堂迟到早退问题提供良好的检测方法。
本发明所采用的技术方案是：一种基于机器视觉的课堂迟到早退检测方法，
检测方法：
S1、计算机通过导入数据库中教室课表信息循环判断该教室是否处于课堂阶段；
S2、若该教室处于课堂阶段，计算机通过教室的监控摄像头获取课堂阶段内进出教室前后门的视频，分割视频图像并进行运动目标跟踪检测；
S3、对于被跟踪检测到的运动目标，依据运动方向判断是迟到还是早退，并截留捕捉有运动目标的运动视频；
S4、将跟踪检测到的运动目标的信息通过短信、邮箱或网络链接发送给任课老师或管理人员，发送内容包括事件时间、事件内容和事件截图。
进一步地，在步骤S2中，运动目标跟踪检测采用基于混合高斯背景模型的背景差分法。
进一步地，在步骤S3中，使用Blob分析寻找连通域，依据连通域面积的大小判断是否为人为运动，判断阈值即最小连通域面积由操作人员依据选取检测图像的分辨率预设。
进一步地，在步骤S3之前，由操作人员依据拍摄画面预设迟到和早退的运动方向向量分别为
Figure DEST_PATH_IMAGE001
和
Figure DEST_PATH_IMAGE002
，运动检测时对被检测到的人员进行跟踪来获得其运动方向向量
Figure DEST_PATH_IMAGE003
，并将获得的运动方向向量
Figure 25128DEST_PATH_IMAGE003
与预设的运动方向向量
Figure 473426DEST_PATH_IMAGE001
和
Figure 659688DEST_PATH_IMAGE002
进行匹配以判断迟到或早退。计算公式为：
Figure DEST_PATH_IMAGE004
当所得值
Figure DEST_PATH_IMAGE005
满足
Figure DEST_PATH_IMAGE006
时匹配成功，即
Figure DEST_PATH_IMAGE007
匹配成功将判断为迟到，
Figure DEST_PATH_IMAGE008
匹配成功则判断为早退。
进一步地，在步骤S3中，计算机在检测到运动目标时截留捕捉有运动目标的运动视频，截取捕捉有运动目标的视频图片，获取人员面部图像，进行人脸识别，匹配学生信息数据库，获得运动目标信息。
进一步地，检测方法所需硬件设备包括：计算机和监控摄像头。
进一步地，所述计算机接收监控摄像头的监控数据进行迟到或早退分析，并且将分析数据进行存储上传到教务平台。
与现有技术相比，本发明的有益效果是：
1、本发明利用实时时间与教室课表信息对比结果和视频图像采集与处理技术获取合理正确的视频，通过机器视觉技术对视频进行检测以监控迟到早退现象，做到实时监控，适时监控，为管理课堂纪律提供便利。
2、检测设备为校园已有的监控系统，无需投入大量资金购买设备，降低成本。
附图说明
图1为本发明一个实施例的课堂迟到早退检测方法的流程图。
具体实施方式
为了加深对本发明的理解，下面结合附图和实施例对本发明进一步说明，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
如图1所示，一种基于机器视觉的课堂迟到早退检测方法，检测方法：
S1、计算机通过导入数据库中教室课表信息循环判断该教室是否处于课堂阶段；
S2、若该教室处于课堂阶段，计算机通过教室的监控摄像头获取课堂阶段内进出教室前后门的视频，分割视频图像并进行运动目标跟踪检测；
S3、对于被跟踪检测到的运动目标，依据运动方向判断是迟到还是早退，并截留捕捉有运动目标的运动视频；
S4、将跟踪检测到的运动目标的信息通过短信、邮箱或网络链接发送给任课老师或管理人员，发送内容包括事件时间、事件内容和事件截图。
在上述实施例中，步骤S1中计算机先利用实时日期访问数据库中课表信息，再通过实时时间与各教室课堂时间段进行对比，以此判断是否处于上课阶段，若处于上课阶段，将获取任课老师或管理人员的联系方式。整个步骤S1是一个循环过程，计算机每隔1s会对教室是否处于课堂阶段进行一次判断，并及时更新判断结果和联系方式等信息，并连接学生信息数据库。
在上述实施例中，步骤S2中获取的视频图像易出现许多不确定因素，从而影响检测结果，计算机操作人员依据拍摄画面对监控摄像头采集的视频图像自行选取进行区域分割处理，再对分割后的视频图像进行运动目标跟踪检测。运动目标跟踪检测采用基于混合高斯背景模型的背景差分法，并且使用Blob分析寻找连通域，依据连通域面积的大小判断是否为人为运动，判断阈值，此处表示最小连通域面积，即获得的连通域的面积小于该值则判断其不是人为运动，由操作人员依据选取检测图像的分辨率设定。
在上述实施例中，步骤S3之前由操作人员依据拍摄画面预设迟到和早退的运动方向向量分别为
Figure 727001DEST_PATH_IMAGE001
和
Figure 947898DEST_PATH_IMAGE002
，运动检测时对被检测到的人员进行跟踪来获得其运动方向向量
Figure 439535DEST_PATH_IMAGE003
，并将获得的运动方向向量
Figure 503306DEST_PATH_IMAGE003
与预设的运动方向向量
Figure 108731DEST_PATH_IMAGE001
和
Figure 308768DEST_PATH_IMAGE002
进行匹配以判断迟到或早退。计算公式为：
Figure DEST_PATH_IMAGE009
，当所得值
Figure 239815DEST_PATH_IMAGE005
满足
Figure DEST_PATH_IMAGE010
时匹配成功，即
Figure 931827DEST_PATH_IMAGE007
匹配成功将判断为迟到，
Figure DEST_PATH_IMAGE011
匹配成功则判断为早退。计算机在检测到人员运动时会截取视频图片，获取人员面部图像，进行人脸识别，匹配学生信息数据库，获得运动目标信息。
在上述实施例中，当计算机循环步骤S1判断课堂结束时，将整合该节课内的所有检测结果，包括未检测到迟到或早退现象的结果，统一发送给任课老师或管理人员做进一步处理。
在上述实施例中，检测方法所需硬件设备包括：计算机和监控摄像头。计算机接收监控摄像头的监控数据进行迟到或早退分析，并且将分析数据进行存储上传到教务平台；监控摄像头是校园监控系统中用于教室监考和防盗等功能的监控摄像头，以上所述硬件设备，校园监控系统中的此类设备均满足要求，所以无需投入大量资金购买设备，节省成本。
本发明的实施例公布的是较佳的实施例，但并不局限于此，本领域的普通技术人员，极易根据上述实施例，领会本发明的精神，并做出不同的引申和变化，但只要不脱离本发明的精神，都在本发明的保护范围内。

Claims (5)

1.一种基于机器视觉的课堂迟到早退检测方法，其特征在于：
检测方法：
S1、计算机通过导入数据库中教室课表信息循环判断该教室是否处于课堂阶段；
S2、若该教室处于课堂阶段，计算机通过教室的监控摄像头获取课堂阶段内进出教室前后门的视频，分割视频图像并进行运动目标跟踪检测；
S3、对于被跟踪检测到的运动目标，依据运动方向判断是迟到还是早退，并截留捕捉有运动目标的运动视频；
S4、将跟踪检测到的运动目标的信息通过短信、邮箱或网络链接发送给任课老师或管理人员，发送内容包括事件时间、事件内容和事件截图；
其中：在步骤S3中，使用Blob分析寻找连通域，依据连通域面积的大小判断是否为人为运动，判断阈值即最小连通域面积由操作人员依据选取检测图像的分辨率预设；
在步骤S3之前，由操作人员依据拍摄画面预设迟到和早退的运动方向向量分别为
Figure 143830DEST_PATH_IMAGE001
和
Figure 622216DEST_PATH_IMAGE002
，运动检测时对被检测到的人员进行跟踪来获得其运动方向向量
Figure 734529DEST_PATH_IMAGE003
，并将获得的运动方向向量
Figure 787804DEST_PATH_IMAGE003
与预设的运动方向向量
Figure 719988DEST_PATH_IMAGE001
和
Figure 267644DEST_PATH_IMAGE002
进行匹配以判断迟到或早退；
计算公式为：
Figure 234463DEST_PATH_IMAGE004
当所得值
Figure 464499DEST_PATH_IMAGE005
满足
Figure 883979DEST_PATH_IMAGE006
时匹配成功，即
Figure 235326DEST_PATH_IMAGE007
匹配成功将判断为迟到，
Figure 305919DEST_PATH_IMAGE008
匹配成功则判断为早退。
2.根据权利要求1所述的基于机器视觉的课堂迟到早退检测方法，其特征在于：在步骤S2中，运动目标跟踪检测采用基于混合高斯背景模型的背景差分法。
3.根据权利要求1所述的基于机器视觉的课堂迟到早退检测方法，其特征在于：在步骤S3中，计算机在检测到运动目标时截留捕捉有运动目标的运动视频，截取捕捉有运动目标的视频图片，获取人员面部图像，进行人脸识别，匹配学生信息数据库，获得运动目标信息。
4.根据权利要求1所述的基于机器视觉的课堂迟到早退检测方法，其特征在于：检测方法所需硬件设备包括：计算机和监控摄像头。
5.根据权利要求1或4所述的基于机器视觉的课堂迟到早退检测方法，其特征在于：所述计算机接收监控摄像头的监控数据进行迟到或早退分析，并且将分析数据进行存储上传到教务平台。
CN201810915073.1A 2018-08-13 2018-08-13 一种基于机器视觉的课堂迟到早退检测方法 Active CN109118512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810915073.1A CN109118512B (zh) 2018-08-13 2018-08-13 一种基于机器视觉的课堂迟到早退检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810915073.1A CN109118512B (zh) 2018-08-13 2018-08-13 一种基于机器视觉的课堂迟到早退检测方法

Publications (2)

Publication Number Publication Date
CN109118512A CN109118512A (zh) 2019-01-01
CN109118512B true CN109118512B (zh) 2022-03-08

Family

ID=64853183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810915073.1A Active CN109118512B (zh) 2018-08-13 2018-08-13 一种基于机器视觉的课堂迟到早退检测方法

Country Status (1)

Country Link
CN (1) CN109118512B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110598559B (zh) * 2019-08-15 2022-08-30 深圳数联天下智能科技有限公司 检测运动方向的方法、装置、计算机设备和存储介质
CN110647842B (zh) * 2019-09-20 2022-02-15 重庆大学 一种双摄像头课堂巡检方法及系统
CN112596451A (zh) * 2021-01-15 2021-04-02 王旭东 分科走班ai智能管理系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834287A (zh) * 2015-04-01 2015-08-12 常州大学 一种教室教学管控系统
CN205680136U (zh) * 2016-06-06 2016-11-09 内蒙古农业大学职业技术学院 一种人脸识别考勤系统
CN106228153A (zh) * 2016-08-29 2016-12-14 广州市果豆科技有限责任公司 一种基于人脸识别的存在感应装置及电路控制系统
CN206224567U (zh) * 2016-08-31 2017-06-06 北京师范大学珠海分校 一种教室人数统计装置
CN206594721U (zh) * 2017-03-20 2017-10-27 西南交通大学 基于人脸检测与识别的课堂考勤系统
CN206878987U (zh) * 2017-05-03 2018-01-12 济南大学泉城学院 一种具有点名功能的学生课堂行为监控系统
CN107818605A (zh) * 2017-11-23 2018-03-20 彭俊又 基于安防系统的学生签到方法
JP2018049482A (ja) * 2016-09-21 2018-03-29 富士ゼロックス株式会社 評価システム、情報処理装置およびプログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834287A (zh) * 2015-04-01 2015-08-12 常州大学 一种教室教学管控系统
CN205680136U (zh) * 2016-06-06 2016-11-09 内蒙古农业大学职业技术学院 一种人脸识别考勤系统
CN106228153A (zh) * 2016-08-29 2016-12-14 广州市果豆科技有限责任公司 一种基于人脸识别的存在感应装置及电路控制系统
CN206224567U (zh) * 2016-08-31 2017-06-06 北京师范大学珠海分校 一种教室人数统计装置
JP2018049482A (ja) * 2016-09-21 2018-03-29 富士ゼロックス株式会社 評価システム、情報処理装置およびプログラム
CN206594721U (zh) * 2017-03-20 2017-10-27 西南交通大学 基于人脸检测与识别的课堂考勤系统
CN206878987U (zh) * 2017-05-03 2018-01-12 济南大学泉城学院 一种具有点名功能的学生课堂行为监控系统
CN107818605A (zh) * 2017-11-23 2018-03-20 彭俊又 基于安防系统的学生签到方法

Also Published As

Publication number Publication date
CN109118512A (zh) 2019-01-01

Similar Documents

Publication Publication Date Title
CN109118512B (zh) 一种基于机器视觉的课堂迟到早退检测方法
US20220319181A1 (en) Artificial intelligence (ai)-based system and method for managing education of students in real-time
CN110718067A (zh) 违规行为告警方法及相关装置
CN107452018B (zh) 主讲人跟踪方法及系统
CN104581140B (zh) 一种会议电视的视频质量评估方法
Indi et al. Detection of malpractice in e-exams by head pose and gaze estimation
Abdulkader et al. Optimizing student engagement in edge-based online learning with advanced analytics
CN110458198B (zh) 多分辨率目标识别方法及装置
CN113705510A (zh) 目标识别跟踪的方法、装置、设备及存储介质
CN109472464A (zh) 一种基于眼动追踪的在线课程质量的评估方法
CN114359976A (zh) 一种基于人物识别的智能安防方法与装置
Ozgen et al. Cheating detection pipeline for online interviews
Dimitriadou et al. Using Student Action Recognition to Enhance the Efficiency of Tele-education.
CN114529979A (zh) 人体姿势辨识系统、人体姿势辨识方法以及非暂态计算机可读取储存媒体
CN110765953A (zh) 一种多媒体教学教师签到监控方法及系统
CN111144260A (zh) 一种翻越闸机的检测方法、装置及系统
CN113128414A (zh) 人员跟踪方法、装置、计算机可读存储介质及电子设备
Saurav et al. AI Based Proctoring
CN114266688A (zh) 基于智慧校园的校园安全管理方法
Sarkar et al. A 360-degree video analytics service for in-classroom firefighter training
Hwang et al. Attentiveness assessment in learning based on fuzzy logic analysis
Guan et al. Evaluation of classroom teaching quality based on video processing technology
CN109589585A (zh) 一种乒乓球教学方法及系统
Guney et al. ARTIFICIAL LEARNING-BASED PROCTORING SOLUTION FOR REMOTE ONLINE ASSESSMENTS:“VPROCTOR”
Barba-Guaman et al. The attention of students in online education: Using head pose techniques to detect attention in videoconferencing platforms: A case study

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant