CN116935493B - 一种教育管理系统 - Google Patents

一种教育管理系统 Download PDF

Info

Publication number
CN116935493B
CN116935493B CN202311175721.1A CN202311175721A CN116935493B CN 116935493 B CN116935493 B CN 116935493B CN 202311175721 A CN202311175721 A CN 202311175721A CN 116935493 B CN116935493 B CN 116935493B
Authority
CN
China
Prior art keywords
image
user
pixel point
real
representing
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
CN202311175721.1A
Other languages
English (en)
Other versions
CN116935493A (zh
Inventor
李潇
王进
潘易
包安良
高见
蒋彦初
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.)
Chengdu Qingyang Big Data Co ltd
Original Assignee
Chengdu Qingyang Big Data Co ltd
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 Chengdu Qingyang Big Data Co ltd filed Critical Chengdu Qingyang Big Data Co ltd
Priority to CN202311175721.1A priority Critical patent/CN116935493B/zh
Publication of CN116935493A publication Critical patent/CN116935493A/zh
Application granted granted Critical
Publication of CN116935493B publication Critical patent/CN116935493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Educational Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Social Psychology (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Psychiatry (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种教育管理系统，属于数据处理技术领域，包括图像采集单元、动作提取单元、动作姿态对比单元和信息上传单元；图像采集单元用于对用户实时图像进行裁剪，生成用户标准图像；动作提取单元用于识别动作姿态；动作姿态对比单元用于识别异常姿态；信息上传单元用于将异常姿态的用户信息上传至数据库。该教育管理系统可以实时监测学生用户的行为姿态，减少人工成本。信息上传单元上传至数据库后，数据库可检索该数据库所属学校的剩余用户名额，便于后期合理对用户（即学生）和学校进行匹配。通过用户和教育管理系统之间的交互，可以对学校的教学、管理和校园资源进行整合，提高教育管理系统的明确性和灵活性，从而实现智慧化教育服务。

Description

一种教育管理系统
技术领域
本发明属于数据处理技术领域，具体涉及一种教育管理系统。
背景技术
随着教育系统中在线考试的大量普及，在线考试在考试方式中占有越来越高的比重。这些在线考试通常真人监考，由考生自行组织考场完成考试，其基本特征包括：①考生在自己设置的房间中独立完成考生；②考生在自己设置的电脑上或者手机移动端，登录考试信息系统进行答题。
现有的在线教育监考系统多采用多个联网摄像头向考试系统上传实时现场图像，再由考官巡查。但传统方式容易出现疏漏，且费时费力，因此需对现有教育管理系统进行改进，提供一种可以自动监测考生行为姿态的系统。
发明内容
本发明为了解决以上问题，提出了一种教育管理系统。
本发明的技术方案是：一种教育管理系统包括图像采集单元、动作提取单元和动作姿态对比单元；
图像采集单元用于采集用户实时图像，并对用户实时图像进行裁剪，生成用户标准图像；
动作提取单元用于识别用户标准图像中的动作姿态；
动作姿态对比单元用于识别异常姿态；
信息上传单元用于将异常姿态的用户信息上传至数据库。
进一步地，图像采集单元生成用户标准图像包括以下步骤：
采集用户实时图像，提取用户实时图像中各个像素点的灰度，并根据各个像素点的灰度计算各个像素点的图像分块阈值；
将图像分块阈值最大的像素点作为顶点像素点；
将顶点像素点所在列左侧的图像作为第一用户实时子图像，将顶点像素点所在列右侧的图像作为第二用户实时子图像；
在第一用户实时子图像中确定左侧像素点，在第二用户实时图像中确定右侧像素点；
将顶点像素点、右侧像素点和左侧像素点顺时针直线连接，生成三角区域；
裁剪用户实时图像中除三角区域外的其他区域，生成用户标准图像。
上述进一步方案的有益效果是：在本发明中，用户实时图像中一般包含用户所处环境的背景图像，因此需要对用户实时图像进行裁剪，保证用户标准图像尽量只包含用户本身，这样可以减少后期动作姿态的识别区域，简化算法流程。另外，传统的裁剪结果通常是矩形区域，而本发明将裁剪区域缩减到三角区域，裁剪区域的缩小可以进一步精准确定只包含用户本身的图像区域，也有利于简化后期动作姿态识别流程。
进一步地，用户实时图像中第m个像素点的图像分块阈值αm的计算公式为：
；式中，xm表示用户实时图像中第m个像素点的横坐标，ym表示用户实时图像中第m个像素点的纵坐标，hm表示用户实时图像中第m个像素点的灰度值，x0表示用户实时图像中最小灰度对应像素点的横坐标，y0表示用户实时图像中最小灰度对应像素点的纵坐标，h0表示用户实时图像中最小灰度，M表示用户实时图像的像素点个数。
上述进一步方案的有益效果是：在本发明中，通过各个像素点的灰度值等参数确定各个像素点的图像分块阈值，将图像分块阈值最大的点作为图像裁剪的关键点，这个关键点既可以确定三角区域的顶点（即确定三角区域的大致位置），又可以用于划分两个子图像，便于后续步骤在两个子图像中分别确定三角区域的另外两个顶点。
进一步地，左侧像素点和右侧像素点的确定方法具体为：分别计算第一用户实时子图像和第二用户实时子图像中各个像素点的像素权重值，将第一用户实时子图像中像素权重值最大的像素点作为左侧像素点，将第二用户实时子图像中像素权重值最大的像素点作为右侧像素点。
上述进一步方案的有益效果是：在本发明中，基于图像分块阈值确定三角区域的顶点后，需要分别在左右两侧的子图像中确定三角区域的左顶点和右顶点。所以像素权重值的计算公式中加入了更多的像素点参数，可以在图像分块阈值的基础上进一步确定像素权重值。
进一步地，第一用户实时子图像中第n个像素点的像素权重值θn的计算公式为：
；式中，an表示第一用户实时子图像中第n个像素点的横坐标，bn表示第一用户实时子图像中第n个像素点的纵坐标，Hn表示第一用户实时子图像中第n个像素点的灰度值，a0表示第一用户实时子图像中最小灰度对应像素点的横坐标，b0表示第一用户实时子图像中最小灰度对应像素点的纵坐标，H0表示第一用户实时子图像中最小灰度，a1表示第一用户实时子图像中最大灰度对应像素点的横坐标，b1表示第一用户实时子图像中最大灰度对应像素点的纵坐标，H1表示第一用户实时子图像中最大灰度，N表示第一用户实时子图像的像素点个数，/>表示第一用户实时子图像中第n个像素点的图像分块阈值；
第二用户实时子图像中第l个像素点的像素权重值的计算公式为：
；式中，表示第二用户实时子图像中第l个像素点的横坐标，/>表示第二用户实时子图像中第l个像素点的纵坐标，/>表示第二用户实时子图像中第l个像素点的灰度值，a2表示第二用户实时子图像中最小灰度对应像素点的横坐标，b2表示第二用户实时子图像中最小灰度对应像素点的纵坐标，H2表示第二用户实时子图像中最小灰度，a3表示第二用户实时子图像中最大灰度对应像素点的横坐标，b3表示第二用户实时子图像中最大灰度对应像素点的纵坐标，H3表示第二用户实时子图像中最大灰度，L表示第二用户实时子图像的像素点个数，/>表示第二用户实时子图像中第l个像素点的图像分块阈值。
进一步地，动作提取单元识别动作姿态包括以下步骤：
根据用户标准图像，生成第一旋转用户标准图像和第二旋转用户标准图像；
将用户标准图像的边缘与第一旋转用户标准图像的边缘之间的交点以及用户标准图像的边缘与第二旋转用户标准图像的边缘之间的交点作为姿态像素点集合的子集；
计算第一旋转用户标准图像中所有像素点的三色权重和第二旋转用户标准图像中所有像素点的三色权重；
在第一旋转用户标准图像和第二旋转用户标准图像中，将三色权重相同的像素点作为姿态像素点集合的子集；
将姿态像素点集合中所有像素点连接，生成动作姿态。
上述进一步方案的有益效果是：在本发明中，将用户标准图像分别在顺时针方向和逆时针方向进行一定角度的旋转调整，用户标准图像与旋转后的两张图像存在交点，交点表示该处存在用户姿态，因此将其作为姿态像素点集合的子集。另外，计算两张旋转图像中像素点的三色权重，三色权重通过对像素点的三色进行运算，可以反映像素点的像素情况，三色权重相同的像素点表示该处存在用户姿态。
进一步地，第一旋转用户标准图像和第二旋转用户标准图像的生成方法具体为：将用户标准图像的重心作为中心点，将用户标准图像顺时针旋转45°，得到第一旋转用户标准图像，将用户标准图像逆时针旋转45°，得到第二旋转用户标准图像。
进一步地，第一旋转用户标准图像中第j个像素点的三色权重γj的计算公式为：
；式中，rj表示第一旋转用户标准图像中第j个像素点的红色分量，gj表示第一旋转用户标准图像中第j个像素点的绿色分量，bj表示第一旋转用户标准图像中第j个像素点的蓝色分量，β表示由用户标准图像生成第一旋转用户标准图像的旋转角度；
第二旋转用户标准图像中第k个像素点的三色权重的计算公式为：
；式中，/>表示第二旋转用户标准图像中第k个像素点的红色分量，/>表示第二旋转用户标准图像中第k个像素点的绿色分量，表示第二旋转用户标准图像中第k个像素点的蓝色分量，βˊ表示由用户标准图像生成第二旋转用户标准图像的旋转角度。
进一步地，动作姿态对比单元识别异常姿态的具体方法为：计算用户标准图像中的动作姿态与标准姿态之间的余弦相似度，若余弦相似度低于相似度阈值，则用户标准图像中的动作姿态为异常姿态。
本发明的有益效果是：
（1）该教育管理系统通过采集学生用户的实时图像并裁剪，可以得到背景干扰最小的标准图像，简化后续步骤处理图像的算法流程；
（2）该教育管理系统通过对标准图像进行旋转变化，可以确定学生用户的动作姿态，由此与标准姿态进行比对，判断学生用户是否存在异常姿态；
（3）该教育管理系统可以实时监测学生用户的行为姿态，减少人工成本。
附图说明
图1为教育管理系统的结构图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种教育管理系统，包括图像采集单元、动作提取单元、动作姿态对比单元和信息上传单元；
图像采集单元用于采集用户实时图像，并对用户实时图像进行裁剪，生成用户标准图像；
动作提取单元用于识别用户标准图像中的动作姿态；
动作姿态对比单元用于识别异常姿态；
信息上传单元用于将异常姿态的用户信息上传至数据库。
用户信息包括用户姓名、学号和实时图像等。另外，信息上传单元上传至数据库后，数据库可检索该数据库所属学校的剩余用户名额，便于后期合理对用户（即学生）和学校进行匹配。另外，通过用户和教育管理系统之间的交互，可以对学校的教学、管理和校园资源进行整合，提高教育管理系统的明确性和灵活性，从而实现智慧化教育服务。
在本发明实施例中，图像采集单元生成用户标准图像包括以下步骤：
采集用户实时图像，提取用户实时图像中各个像素点的灰度，并根据各个像素点的灰度计算各个像素点的图像分块阈值；
将图像分块阈值最大的像素点作为顶点像素点；
将顶点像素点所在列左侧的图像作为第一用户实时子图像，将顶点像素点所在列右侧的图像作为第二用户实时子图像；
在第一用户实时子图像中确定左侧像素点，在第二用户实时图像中确定右侧像素点；
将顶点像素点、右侧像素点和左侧像素点顺时针直线连接，生成三角区域；
裁剪用户实时图像中除三角区域外的其他区域，生成用户标准图像。
在本发明中，用户实时图像中一般包含用户所处环境的背景图像，因此需要对用户实时图像进行裁剪，保证用户标准图像尽量只包含用户本身，这样可以减少后期动作姿态的识别区域，简化算法流程。另外，传统的裁剪结果通常是矩形区域，而本发明将裁剪区域缩减到三角区域，裁剪区域的缩小可以进一步精准确定只包含用户本身的图像区域，也有利于简化后期动作姿态识别流程。
在本发明实施例中，用户实时图像中第m个像素点的图像分块阈值αm的计算公式为：
；式中，xm表示用户实时图像中第m个像素点的横坐标，ym表示用户实时图像中第m个像素点的纵坐标，hm表示用户实时图像中第m个像素点的灰度值，x0表示用户实时图像中最小灰度对应像素点的横坐标，y0表示用户实时图像中最小灰度对应像素点的纵坐标，h0表示用户实时图像中最小灰度，M表示用户实时图像的像素点个数。
在本发明中，通过各个像素点的灰度值等参数确定各个像素点的图像分块阈值，将图像分块阈值最大的点作为图像裁剪的关键点，这个关键点既可以确定三角区域的顶点（即确定三角区域的大致位置），又可以用于划分两个子图像，便于后续步骤在两个子图像中分别确定三角区域的另外两个顶点。
在本发明实施例中，左侧像素点和右侧像素点的确定方法具体为：分别计算第一用户实时子图像和第二用户实时子图像中各个像素点的像素权重值，将第一用户实时子图像中像素权重值最大的像素点作为左侧像素点，将第二用户实时子图像中像素权重值最大的像素点作为右侧像素点。
在本发明中，基于图像分块阈值确定三角区域的顶点后，需要分别在左右两侧的子图像中确定三角区域的左顶点和右顶点。所以像素权重值的计算公式中加入了更多的像素点参数，可以在图像分块阈值的基础上进一步确定像素权重值。
在本发明实施例中，第一用户实时子图像中第n个像素点的像素权重值θn的计算公式为：
；式中，an表示第一用户实时子图像中第n个像素点的横坐标，bn表示第一用户实时子图像中第n个像素点的纵坐标，Hn表示第一用户实时子图像中第n个像素点的灰度值，a0表示第一用户实时子图像中最小灰度对应像素点的横坐标，b0表示第一用户实时子图像中最小灰度对应像素点的纵坐标，H0表示第一用户实时子图像中最小灰度，a1表示第一用户实时子图像中最大灰度对应像素点的横坐标，b1表示第一用户实时子图像中最大灰度对应像素点的纵坐标，H1表示第一用户实时子图像中最大灰度，N表示第一用户实时子图像的像素点个数，/>表示第一用户实时子图像中第n个像素点的图像分块阈值；
第二用户实时子图像中第l个像素点的像素权重值的计算公式为：
；式中，表示第二用户实时子图像中第l个像素点的横坐标，/>表示第二用户实时子图像中第l个像素点的纵坐标，/>表示第二用户实时子图像中第l个像素点的灰度值，a2表示第二用户实时子图像中最小灰度对应像素点的横坐标，b2表示第二用户实时子图像中最小灰度对应像素点的纵坐标，H2表示第二用户实时子图像中最小灰度，a3表示第二用户实时子图像中最大灰度对应像素点的横坐标，b3表示第二用户实时子图像中最大灰度对应像素点的纵坐标，H3表示第二用户实时子图像中最大灰度，L表示第二用户实时子图像的像素点个数，/>表示第二用户实时子图像中第l个像素点的图像分块阈值。
在本发明实施例中，动作提取单元识别动作姿态包括以下步骤：
根据用户标准图像，生成第一旋转用户标准图像和第二旋转用户标准图像；
将用户标准图像的边缘与第一旋转用户标准图像的边缘之间的交点以及用户标准图像的边缘与第二旋转用户标准图像的边缘之间的交点作为姿态像素点集合的子集；
计算第一旋转用户标准图像中所有像素点的三色权重和第二旋转用户标准图像中所有像素点的三色权重；
在第一旋转用户标准图像和第二旋转用户标准图像中，将三色权重相同的像素点作为姿态像素点集合的子集；
将姿态像素点集合中所有像素点连接，生成动作姿态。
在本发明中，将用户标准图像分别在顺时针方向和逆时针方向进行一定角度的旋转调整，用户标准图像与旋转后的两张图像存在交点，交点表示该处存在用户姿态，因此将其作为姿态像素点集合的子集。另外，计算两张旋转图像中像素点的三色权重，三色权重通过对像素点的三色进行运算，可以反映像素点的像素情况，三色权重相同的像素点表示该处存在用户姿态。
在本发明实施例中，第一旋转用户标准图像和第二旋转用户标准图像的生成方法具体为：将用户标准图像的重心作为中心点，将用户标准图像顺时针旋转45°，得到第一旋转用户标准图像，将用户标准图像逆时针旋转45°，得到第二旋转用户标准图像。
在本发明实施例中，第一旋转用户标准图像中第j个像素点的三色权重γj的计算公式为：
；式中，rj表示第一旋转用户标准图像中第j个像素点的红色分量，gj表示第一旋转用户标准图像中第j个像素点的绿色分量，bj表示第一旋转用户标准图像中第j个像素点的蓝色分量，β表示由用户标准图像生成第一旋转用户标准图像的旋转角度；
第二旋转用户标准图像中第k个像素点的三色权重的计算公式为：
；式中，/>表示第二旋转用户标准图像中第k个像素点的红色分量，/>表示第二旋转用户标准图像中第k个像素点的绿色分量，表示第二旋转用户标准图像中第k个像素点的蓝色分量，βˊ表示由用户标准图像生成第二旋转用户标准图像的旋转角度。β=βˊ=45°。
在本发明实施例中，动作姿态对比单元识别异常姿态的具体方法为：计算用户标准图像中的动作姿态与标准姿态之间的余弦相似度，若余弦相似度低于相似度阈值，则用户标准图像中的动作姿态为异常姿态。
标准姿态可通过让用户呈标准坐姿来采集用户图像获得。相似度阈值可以人为设置。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (6)

1.一种教育管理系统，其特征在于，包括图像采集单元、动作提取单元、动作姿态对比单元和信息上传单元；
所述图像采集单元用于采集用户实时图像，并对用户实时图像进行裁剪，生成用户标准图像；
所述动作提取单元用于识别用户标准图像中的动作姿态；
所述动作姿态对比单元用于识别异常姿态；
所述信息上传单元用于将异常姿态的用户信息上传至数据库；
所述动作提取单元识别动作姿态包括以下步骤：
根据用户标准图像，生成第一旋转用户标准图像和第二旋转用户标准图像；
将用户标准图像的边缘与第一旋转用户标准图像的边缘之间的交点以及用户标准图像的边缘与第二旋转用户标准图像的边缘之间的交点作为姿态像素点集合的子集；
计算第一旋转用户标准图像中所有像素点的三色权重和第二旋转用户标准图像中所有像素点的三色权重；
在第一旋转用户标准图像和第二旋转用户标准图像中，将三色权重相同的像素点作为姿态像素点集合的子集；
将姿态像素点集合中所有像素点连接，生成动作姿态；
所述第一旋转用户标准图像和第二旋转用户标准图像的生成方法具体为：将用户标准图像的重心作为中心点，将用户标准图像顺时针旋转45°，得到第一旋转用户标准图像，将用户标准图像逆时针旋转45°，得到第二旋转用户标准图像；
所述第一旋转用户标准图像中第j个像素点的三色权重γj的计算公式为：；式中，rj表示第一旋转用户标准图像中第j个像素点的红色分量，gj表示第一旋转用户标准图像中第j个像素点的绿色分量，bj表示第一旋转用户标准图像中第j个像素点的蓝色分量，β表示由用户标准图像生成第一旋转用户标准图像的旋转角度；
所述第二旋转用户标准图像中第k个像素点的三色权重的计算公式为：；式中，/>表示第二旋转用户标准图像中第k个像素点的红色分量，/>表示第二旋转用户标准图像中第k个像素点的绿色分量，/>表示第二旋转用户标准图像中第k个像素点的蓝色分量，βˊ表示由用户标准图像生成第二旋转用户标准图像的旋转角度。
2.根据权利要求1所述的教育管理系统，其特征在于，所述图像采集单元生成用户标准图像包括以下步骤：
采集用户实时图像，提取用户实时图像中各个像素点的灰度，并根据各个像素点的灰度计算各个像素点的图像分块阈值；
将图像分块阈值最大的像素点作为顶点像素点；
将顶点像素点所在列左侧的图像作为第一用户实时子图像，将顶点像素点所在列右侧的图像作为第二用户实时子图像；
在第一用户实时子图像中确定左侧像素点，在第二用户实时图像中确定右侧像素点；
将顶点像素点、右侧像素点和左侧像素点顺时针直线连接，生成三角区域；
裁剪用户实时图像中除三角区域外的其他区域，生成用户标准图像。
3.根据权利要求2所述的教育管理系统，其特征在于，所述用户实时图像中第m个像素点的图像分块阈值αm的计算公式为：；式中，xm表示用户实时图像中第m个像素点的横坐标，ym表示用户实时图像中第m个像素点的纵坐标，hm表示用户实时图像中第m个像素点的灰度值，x0表示用户实时图像中最小灰度对应像素点的横坐标，y0表示用户实时图像中最小灰度对应像素点的纵坐标，h0表示用户实时图像中最小灰度，M表示用户实时图像的像素点个数。
4.根据权利要求2所述的教育管理系统，其特征在于，所述左侧像素点和右侧像素点的确定方法具体为：分别计算第一用户实时子图像和第二用户实时子图像中各个像素点的像素权重值，将第一用户实时子图像中像素权重值最大的像素点作为左侧像素点，将第二用户实时子图像中像素权重值最大的像素点作为右侧像素点。
5.根据权利要求4所述的教育管理系统，其特征在于，所述第一用户实时子图像中第n个像素点的像素权重值θn的计算公式为：；式中，an表示第一用户实时子图像中第n个像素点的横坐标，bn表示第一用户实时子图像中第n个像素点的纵坐标，Hn表示第一用户实时子图像中第n个像素点的灰度值，a0表示第一用户实时子图像中最小灰度对应像素点的横坐标，b0表示第一用户实时子图像中最小灰度对应像素点的纵坐标，H0表示第一用户实时子图像中最小灰度，a1表示第一用户实时子图像中最大灰度对应像素点的横坐标，b1表示第一用户实时子图像中最大灰度对应像素点的纵坐标，H1表示第一用户实时子图像中最大灰度，N表示第一用户实时子图像的像素点个数，/>表示第一用户实时子图像中第n个像素点的图像分块阈值；
所述第二用户实时子图像中第l个像素点的像素权重值的计算公式为：；式中，/>表示第二用户实时子图像中第l个像素点的横坐标，/>表示第二用户实时子图像中第l个像素点的纵坐标，/>表示第二用户实时子图像中第l个像素点的灰度值，a2表示第二用户实时子图像中最小灰度对应像素点的横坐标，b2表示第二用户实时子图像中最小灰度对应像素点的纵坐标，H2表示第二用户实时子图像中最小灰度，a3表示第二用户实时子图像中最大灰度对应像素点的横坐标，b3表示第二用户实时子图像中最大灰度对应像素点的纵坐标，H3表示第二用户实时子图像中最大灰度，L表示第二用户实时子图像的像素点个数，/>表示第二用户实时子图像中第l个像素点的图像分块阈值。
6.根据权利要求1所述的教育管理系统，其特征在于，所述动作姿态对比单元识别异常姿态的具体方法为：计算用户标准图像中的动作姿态与标准姿态之间的余弦相似度，若余弦相似度低于相似度阈值，则用户标准图像中的动作姿态为异常姿态。
CN202311175721.1A 2023-09-13 2023-09-13 一种教育管理系统 Active CN116935493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311175721.1A CN116935493B (zh) 2023-09-13 2023-09-13 一种教育管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311175721.1A CN116935493B (zh) 2023-09-13 2023-09-13 一种教育管理系统

Publications (2)

Publication Number Publication Date
CN116935493A CN116935493A (zh) 2023-10-24
CN116935493B true CN116935493B (zh) 2024-01-02

Family

ID=88382828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311175721.1A Active CN116935493B (zh) 2023-09-13 2023-09-13 一种教育管理系统

Country Status (1)

Country Link
CN (1) CN116935493B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008088221A1 (en) * 2007-01-18 2008-07-24 Nederlandse Organisatie Voor Toegepast-Natuurwetenschappelijk Onderzoek Tno Age-dependent relative weight indications
CN101246544A (zh) * 2008-01-24 2008-08-20 电子科技大学中山学院 一种基于边界点搜索和susan边缘检测的虹膜定位方法
CN103677529A (zh) * 2012-03-06 2014-03-26 苹果公司 用于查看图像的应用
CN106503609A (zh) * 2015-09-08 2017-03-15 腾讯科技（深圳）有限公司 指纹纹线点的识别方法及装置
CN107749062A (zh) * 2017-09-18 2018-03-02 深圳市朗形网络科技有限公司 图像处理方法、及装置
CN109509329A (zh) * 2018-10-31 2019-03-22 广东小天才科技有限公司 一种基于可穿戴设备的溺水报警方法及可穿戴设备
CN110853151A (zh) * 2019-10-15 2020-02-28 西安理工大学 一种基于视频的三维立体点集恢复方法
CN110956135A (zh) * 2019-12-02 2020-04-03 易海艳 一种远程在线教育管理系统
CN113421248A (zh) * 2021-06-30 2021-09-21 上海申瑞继保电气有限公司 变电站设备旋转图像数值处理方法
CN113781406A (zh) * 2021-08-20 2021-12-10 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 电子元器件的划痕检测方法、装置及计算机设备
WO2021253732A1 (zh) * 2020-06-18 2021-12-23 飞依诺科技(苏州)有限公司 医学图像的处理方法、装置、计算机设备和存储介质
CN114187561A (zh) * 2021-11-30 2022-03-15 广西世纪创新显示电子有限公司 异常行为的识别方法、装置、终端设备及存储介质
CN114842314A (zh) * 2022-04-27 2022-08-02 王之纯 基于神经网络的舌象的识别方法、装置和计算机设备
CN114973423A (zh) * 2022-07-28 2022-08-30 聊城市飓风工业设计有限公司 用于儿童学习桌的坐姿监测的警示方法及系统
CN115327773A (zh) * 2022-07-19 2022-11-11 深圳市光途显示科技有限公司 显示设备、应用显示设备的车辆及显示虚拟图像的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10943375B2 (en) * 2019-04-17 2021-03-09 Adobe Inc. Multi-state vector graphics

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008088221A1 (en) * 2007-01-18 2008-07-24 Nederlandse Organisatie Voor Toegepast-Natuurwetenschappelijk Onderzoek Tno Age-dependent relative weight indications
CN101246544A (zh) * 2008-01-24 2008-08-20 电子科技大学中山学院 一种基于边界点搜索和susan边缘检测的虹膜定位方法
CN103677529A (zh) * 2012-03-06 2014-03-26 苹果公司 用于查看图像的应用
CN106503609A (zh) * 2015-09-08 2017-03-15 腾讯科技（深圳）有限公司 指纹纹线点的识别方法及装置
CN107749062A (zh) * 2017-09-18 2018-03-02 深圳市朗形网络科技有限公司 图像处理方法、及装置
CN109509329A (zh) * 2018-10-31 2019-03-22 广东小天才科技有限公司 一种基于可穿戴设备的溺水报警方法及可穿戴设备
CN110853151A (zh) * 2019-10-15 2020-02-28 西安理工大学 一种基于视频的三维立体点集恢复方法
CN110956135A (zh) * 2019-12-02 2020-04-03 易海艳 一种远程在线教育管理系统
WO2021253732A1 (zh) * 2020-06-18 2021-12-23 飞依诺科技(苏州)有限公司 医学图像的处理方法、装置、计算机设备和存储介质
CN113421248A (zh) * 2021-06-30 2021-09-21 上海申瑞继保电气有限公司 变电站设备旋转图像数值处理方法
CN113781406A (zh) * 2021-08-20 2021-12-10 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 电子元器件的划痕检测方法、装置及计算机设备
CN114187561A (zh) * 2021-11-30 2022-03-15 广西世纪创新显示电子有限公司 异常行为的识别方法、装置、终端设备及存储介质
CN114842314A (zh) * 2022-04-27 2022-08-02 王之纯 基于神经网络的舌象的识别方法、装置和计算机设备
CN115327773A (zh) * 2022-07-19 2022-11-11 深圳市光途显示科技有限公司 显示设备、应用显示设备的车辆及显示虚拟图像的方法
CN114973423A (zh) * 2022-07-28 2022-08-30 聊城市飓风工业设计有限公司 用于儿童学习桌的坐姿监测的警示方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种边界-区域相结合的图像分割算法;罗胜;陈平;叶忻泉;沈龙;;光电工程(第12期);第101-106段 *
基于纹理特征融合的人脸表情识别;张雪梅;公维宾;邬建志;王超;;计算机技术与发展(第03期);第57-61页 *

Also Published As

Publication number Publication date
CN116935493A (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN109359521A (zh) 基于深度学习的课堂质量双向评估系统
CN205334563U (zh) 一种学生课堂参与度检测系统
CN110543811B (zh) 一种基于深度学习的非配合式考试人员管理方法及其系统
WO2019028592A1 (zh) 一种教学辅助方法及采用该方法的教学辅助系统
CN106897698A (zh) 基于机器视觉与双目协同技术的教室人数检测方法及系统
CN109376637A (zh) 基于视频监控图像处理的人数统计系统
CN108830559A (zh) 一种基于人脸识别的考勤方法及装置
CN110059611A (zh) 一种智能化教室空余座位识别方法
CN108921038A (zh) 一种基于深度学习人脸识别技术的课堂快速点名签到方法
CN108985200A (zh) 一种基于终端设备的非配合式的活体检测算法
CN106982357A (zh) 一种基于分布云的智能拍摄系统
CN110163567A (zh) 基于多任务级联卷积神经网络的课堂点名系统
CN107133611A (zh) 一种课堂学生点头率识别与统计方法及装置
CN116092199B (zh) 一种员工工作状态识别方法及识别系统
CN113705510A (zh) 目标识别跟踪的方法、装置、设备及存储介质
CN116016869A (zh) 一种基于人工智能以及物联网的校园安全监测系统
CN111241926A (zh) 考勤与学情分析方法、系统、设备及可读存储介质
CN114898460A (zh) 一种基于图卷积神经网络的教师非言语行为检测方法
CN114677644A (zh) 一种基于教室监控视频的学生入座分布识别方法及系统
CN116226821B (zh) 一种教学数据中台管理系统
CN116935493B (zh) 一种教育管理系统
CN111800428A (zh) 一种数字会议参与实时统计方法及系统
CN112200698A (zh) 一种基于人工智能的校园社交关系大数据分析系统
CN114495169A (zh) 一种人体姿态识别的训练数据处理方法、装置及设备
CN116434253A (zh) 图像处理方法、装置、设备、存储介质及产品

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