CN110647807A - 异常行为确定方法、装置、计算机设备和存储介质 - Google Patents
异常行为确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110647807A CN110647807A CN201910748655.XA CN201910748655A CN110647807A CN 110647807 A CN110647807 A CN 110647807A CN 201910748655 A CN201910748655 A CN 201910748655A CN 110647807 A CN110647807 A CN 110647807A
- Authority
- CN
- China
- Prior art keywords
- student
- classroom
- probability
- classroom video
- video frame
- 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.)
- Pending
Links
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 88
- 238000004590 computer program Methods 0.000 claims description 25
- 210000000746 body region Anatomy 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000037237 body shape Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G06V40/10—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
- G06V40/172—Classification, e.g. identification
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种异常行为确定方法、装置、计算机设备和存储介质。基于肢体动作检测技术,所述方法包括:获取摄像设备采集到的课堂视频,将获取的课堂视频的各课堂视频帧输入人体动作识别模型和专注度识别模型中,确定各学员的动作异常概率及专注度概率,将课堂视频帧、课堂视频帧中各学员的动作异常概率以及各学员的专注度概率对应存储至目标数据库中,当接收到携带有目标时间段的异常行为确定指令时,从目标数据库中确定出与目标时间段对应的多个课堂视频帧,得到连续视频帧,基于连续视频帧对应的各学员的动作异常概率集合以及各学员的专注度概率集合,确定异常行为学员,从而提高了各学员出现异常行为识别的准确率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种异常行为确定方法、装置、计算机设备和存储介质。
背景技术
基于各企业的业务情况,时常会开展一些培训课,让学员们能够更好地获知有用的知识。培训过程中,为了合理的对学员进行约束,会记录需要参加培训的学员的考勤情况及各学员的学习情况。
目前记录学员的考勤情况及各学员的学习情况的方式有,在教室现场安装摄像设备,基于人脸识别技术对教室现场拍摄的图片进行分析,主要是采集教室现场的图片,对图片中学员的人脸进行识别,判断人脸图像是否为完整的人脸图像,确定学员是否在认真听讲。而人脸是否完整,并不能说明学员是否一定在认真听讲,很容易出现被误判,因此,准确率低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高准确率的异常行为确定方法、装置、计算机设备和存储介质。
一种异常行为确定方法,所述方法包括:
获取摄像设备采集到的课堂视频;
将所述课堂视频的各课堂视频帧输入人体动作识别模型进行人体动作分析,确定各所述课堂视频帧中各学员的动作异常概率;
将所述课堂视频的各课堂视频帧输入专注度识别模型中,确定各所述课堂视频帧中各学员的专注度概率;
将所述课堂视频帧、所述课堂视频帧中各学员的动作异常概率以及各学员的专注度概率对应存储至目标数据库中;
当接收到携带有目标时间段的异常行为确定指令时,从所述目标数据库中确定出与所述目标时间段对应的多个课堂视频帧,得到连续视频帧;
基于所述连续视频帧对应的各所述学员的动作异常概率集合以及各所述学员的专注度概率集合,确定异常行为学员。
在其中一个实施例中,在所述基于所述连续视频帧对应的各所述学员的动作异常概率集合以及各所述学员的专注度概率集合,确定异常行为学员的步骤之后,还包括:
获取所述异常行为学员的学员信息及负责人信息;
根据各所述学员信息及所述负责人信息将对应的课堂异常数据发送至对应的终端。
在其中一个实施例中,所述基于所述连续视频帧对应的各所述学员的动作异常概率集合以及各所述学员的专注度概率集合,确定异常行为学员的步骤,包括:
基于所述连续视频帧对应的各所述学员的动作异常概率集合以及各所述学员的专注度概率集合;
对各所述学员的所述动作异常概率集合和各所述学员的专注度概率集合基于预设阈值进行分析,确定各学员在所述目标时间段内超过所述预设阈值的课堂异常次数;
将所述课堂异常次数超过预设值的学员确定为异常行为学员。
在其中一个实施例中,所述将所述课堂视频的各课堂视频帧输入人体动作识别模型进行人体动作分析,确定各学员的动作异常概率的步骤,包括:
对所述课堂视频的各课堂视频帧中的各学员进行人脸识别,确定各所述课堂视频帧中各学员标签;
基于各所述课堂视频帧中各所述学员标签对各所述课堂视频帧进行人体特征进行提取,获得各所述课堂视频帧对应的各学员的人体特征;
将各所述课堂视频帧对应的各学员的所述人体特征输入人体动作识别模型进行人体动作分析,确定各所述课堂视频帧中各学员的所述动作异常概率。
在其中一个实施例中,所述将所述课堂视频的各课堂视频帧输入专注度识别模型中,确定各学员的专注度概率的步骤,包括:
对所述课堂视频的各所述课堂视频帧中的预设区域的进行区域划分,获得各所述课堂视频帧对应的人脸图像集合;
将各所述课堂视频帧中对应的所述人脸图像集合输入专注度识别模型进行专注度分析,确定各所述课堂视频帧中各学员的所述专注度概率。
在其中一个实施例中,所述对所述课堂视频的各所述课堂视频帧中的预设人脸区域的进行人脸区域划分,获得各所述课堂视频帧中对应的人脸图像集合的步骤,包括:
对所述课堂视频的各所述课堂视频帧中的所述预设区域的进行区域划分,获得各所述课堂视频帧中对应的各区域图像;
对各所述课堂视频帧中对应的各所述区域图像进行色彩分析,确定各所述课堂视频帧中各人体区域的分布情况;
根据各所述课堂视频帧中各所述人体区域的分布情况进行人脸图像位置分析,获取各所述课堂视频帧对应的所述人脸图像集合。
在其中一个实施例中,所述方法还包括:
获取培训过程中所述目标数据库存储所有视频帧,根据所述所有视频帧对应的各所述学员的动作异常概率集合,以及各所述学员的专注度概率集合;
根据各所述学员的动作异常概率集合,以及各所述学员的专注度概率集合进行学员考评,获得各学员的考评分数。
一种异常行为确定装置,所述装置包括:
课堂视频帧获取模块,用于获取摄像设备采集到的课堂视频;
动作异常概率确定模块,用于将所述课堂视频的各课堂视频帧输入人体动作识别模型进行人体动作分析,确定各所述课堂视频帧中各学员的动作异常概率;
专注度概率确定模块,用于将所述课堂视频的各课堂视频帧输入专注度识别模型中,确定各所述课堂视频帧中各学员的专注度概率;
存储模块,用于将所述课堂视频帧、所述课堂视频帧中各学员的动作异常概率以及各学员的专注度概率对应存储至目标数据库中;
连续视频帧获得模块,用于当接收到携带有目标时间段的异常行为确定指令时,从所述目标数据库中确定出与所述目标时间段对应的多个课堂视频帧,得到连续视频帧;
异常行为学员确定模块,用于基于所述连续视频帧对应的各所述学员的动作异常概率集合以及各所述学员的专注度概率集合,确定异常行为学员。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的方法的步骤。
上述异常行为确定方法、装置、计算机设备和存储介质,服务器获取摄像设备采集到的课堂视频,由摄像设备对教室现场进行拍摄,再将获取的课堂视频的各课堂视频帧输入人体动作识别模型进行人体动作分析,确定各学员的动作异常概率,可以识别出动作异常的学员,将课堂视频的各课堂视频帧输入专注度识别模型中,确定各学员的专注度概率,可以识别出专注度不高的学员,将课堂视频帧、课堂视频帧中各学员的动作异常概率以及各学员的专注度概率对应存储至目标数据库中,当接收到携带有目标时间段的异常行为确定指令时,从目标数据库中确定出与目标时间段对应的多个课堂视频帧,得到连续视频帧,基于连续视频帧对应的各学员的动作异常概率集合以及各学员的专注度概率集合,确定异常行为学员,通过学员的动作以及专注度判断各学员是否出现异常行为,从而提高了各学员出现异常行为识别的准确率。
附图说明
图1为一个实施例中异常行为确定方法的应用场景图;
图2为一个实施例中异常行为确定方法的流程示意图;
图3为一个实施例中异常行为确定装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的异常行为确定方法,可以应用于如图1所示的应用环境中。其中,摄像设备102通过网络与服务器104通过网络进行通信。服务器104获取摄像设备102采集到的课堂视频;服务器104将课堂视频的各课堂视频帧输入人体动作识别模型进行人体动作分析,确定各课堂视频帧中各学员的动作异常概率;服务器104将课堂视频的各课堂视频帧输入专注度识别模型中,确定各课堂视频帧中各学员的专注度概率;服务器104将课堂视频帧、课堂视频帧中各学员的动作异常概率以及各学员的专注度概率对应存储至目标数据库中;当接收到携带有目标时间段的异常行为确定指令时,从目标数据库中确定出与目标时间段对应的多个课堂视频帧,得到连续视频帧;基于连续视频帧对应的各学员的动作异常概率集合以及各学员的专注度概率集合,确定异常行为学员。其中,摄像设备102可以但不限于是各种监控摄像头、AI摄像头等设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种异常行为确定方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S220,获取摄像设备采集到的课堂视频。
其中,获取摄像设备采集到的课堂视频,可以是摄像设备实时采集到的,如:实时向摄像设备获取摄像设备当前拍摄到的课堂视频,实时获取课堂视频,能够及时的获取到学员的上课情况,进行实时对各学员的异常行为进行分析,从而及时提醒各学员认真听讲。还可以是获取摄像设备采集到课堂视频后,存储在数据库中的课堂视频等等。
步骤S240,将课堂视频的各课堂视频帧输入人体动作识别模型进行人体动作分析,确定各课堂视频帧中各学员的动作异常概率。
其中,对该课堂视频帧基于人体动作识别技术训练的人体动作识别模型识别各人体特征进行人体动作分析,判断各人体特征出现动作异常的概率,确定该课堂视频帧中各学员的动作异常概率,并记录。其中,人体动作识别模型可以是根据训练得到,如将睡觉时的人体特征、打闹时的人体特征、离开座位的时的人体特征、正常的人体特征让人体动作识别模型进行训练,当课堂视频帧输入到人体动作识别模型,人体动作识别模型判断出该课堂视频帧中的人体特征动作异常的概率。课堂视频帧指的是课堂视频在某一帧静止的画面。动作异常指的是学员上课时间出现睡觉、打闹、离开座位等动作。如:学员在课堂上最常见的异常行为包括:睡觉、打闹、玩手机等等,而学员在打闹时,肢体动作必然会超出正常的活动范围,但是人脸不一定不会是正脸面对摄像设备,通过将各课堂视频帧进行人体动作分析,就可以识别该学员的动作异常概率,基于该学员的动作异常概率也可以确定为异常行为。
步骤S260,将课堂视频的各课堂视频帧输入专注度识别模型中,确定各课堂视频帧中各学员的专注度概率。
其中,对课堂视频帧中的人脸图像提取,将人脸图像输入专注度识别模型,专注度识别模型基于各人脸图像进行专注度分析,得出各所述课堂视频帧中各学员的所述专注度概率。如:视频是在一个角度拍摄照片,而所有学员坐的位置不一样,拍摄的人脸会有差异,尤其是摄像头安装在侧边,拍摄到的各个人脸会有很大差异,很容易识别出错,可以基于该摄像头采集多个训练样本特征,训练出根据分布位置不同有不同的专注度分析标准的专注度识别模型。专注度指的是学员上课的听讲的认真程度。如:学员在课堂上最常见的异常行为包括:睡觉、打闹、玩手机等等,而学员在玩手机时,肢体动作并不会超出正常的活动范围,但是人脸不是正脸面对摄像设备,而是在看手机,通过将各课堂视频帧进行专注度分析,就可以识别出该学员的专注度概率,基于该学员的专注度概率也可以确定为异常行为。
步骤S280,将课堂视频帧、课堂视频帧中各学员的动作异常概率以及各学员的专注度概率对应存储至目标数据库中。
其中,课堂视频有多个课堂视频帧,一个课堂视频帧就对应一份各学员的动作异常概率及专注度概率数据,因此,需要将课堂视频帧、课堂视频帧中各学员的动作异常概率以及各学员的专注度概率对应存储至目标数据库中,如:一个课堂视频帧对应了一份各学员的动作异常概率信息和一份各学员的专注度概率信息,该课堂视频帧关联了该课堂视频帧中各学员的动作异常概率以及各学员的专注度概率。方便后续查看、使用。
步骤S300,当接收到携带有目标时间段的异常行为确定指令时,从目标数据库中确定出与目标时间段对应的多个课堂视频帧,得到连续视频帧。
其中,该目标时间段可以根据分析异常行为学员的需要进行设定,该目标时间段可以是指定的某个时间段的,如:2019年3月1日上午10:00-10:01这个目标时间段。当需要实时确定异常行为学员时,该目标时间段也可以是根据上一次确定异常行为学员的时间点确定,如:上一次确定异常行为学员的时间点为2019年3月5日上午10:09,且进行异常行为学员分析需要时长为1分钟的连续视频帧,则应该在2019年3月5日上午10:10时进行当前次异常行为学员分析,则,目标时间段则为2019年3月5日上午10:09-10:10。得到连续视频帧可以更准确分析出学员是否出现异常行为。
步骤S320,基于连续视频帧对应的各学员的动作异常概率集合以及各学员的专注度概率集合,确定异常行为学员。
其中,根据目标时间段连续的多个课堂视频帧中,各学员的动作异常概率和专注度概率,确定异常行为学员,连续的多次可以是目标时间段的所有课堂视频帧对应的各学员的动作异常概率和专注度概率。从一次课堂视频帧中的动作异常概率和专注度概率不能准确判断异常行为学员的学员,容易产生误差,因此连续的多次综合判断得出异常行为学员。
上述异常行为确定方法中,服务器获取摄像设备采集到的课堂视频,由摄像设备对教室现场进行拍摄,再将获取的课堂视频的各课堂视频帧输入人体动作识别模型进行人体动作分析,确定各学员的动作异常概率,可以识别出动作异常的学员,将课堂视频的各课堂视频帧输入专注度识别模型中,确定各学员的专注度概率,可以识别出专注度不高的学员,将课堂视频帧、课堂视频帧中各学员的动作异常概率以及各学员的专注度概率对应存储至目标数据库中,当接收到携带有目标时间段的异常行为确定指令时,从目标数据库中确定出与目标时间段对应的多个课堂视频帧,得到连续视频帧,基于连续视频帧对应的各学员的动作异常概率集合以及各学员的专注度概率集合,确定异常行为学员,通过学员的动作以及专注度判断各学员是否出现异常行为,从而提高了各学员出现异常行为识别的准确率。
在一个实施例中,在步骤S220之前,还包括步骤:通过学员考评指令向对应的摄像设备发送视频拍摄指令。
其中,可以将服务器中录入课程安排表,服务器可以根据课程安排表中的上课时间,自动根据上课时间触发学员考评指令,向对应的摄像设备发送视频拍摄指令,使摄像设备进行课堂视频拍摄,如:1号教室,2018年10月5号9:00-10:00有课,服务器可以在9:00之前触发学员考评指令,向摄像设备发送视频拍摄指令,使摄像设备进行课堂视频拍摄。还可以在10:00之后向摄像设备发送停止视频拍摄指令,使摄像设备关闭。
将摄像设备与服务器连接,连接方式可以是无线或有线,如:WIFI、USB。摄像设备安装在各课堂的投影幕的一侧,摄像设备可水平180°,垂直90°自动旋转,还可根据获取的图片进行角度调整,如:服务器获取摄像设备拍摄的图片,对图片进行分析,确定摄像设备的调整角度,根据调整角度向摄像设备发送角度调整指令,使摄像设备调整到合适拍摄角度。摄像设备可以将采集的视频实时传输至服务器。可以根据上课时间,自动判断出开启或关闭时间,节省资源,且减少用户参与,提高了工作效率。
在一个实施例中,在基于连续视频帧对应的各学员的动作异常概率集合以及各学员的专注度概率集合,确定异常行为学员的步骤之后,还包括:
获取异常行为学员的学员信息及负责人信息;根据各学员信息及负责人信息将对应的课堂异常数据发送至对应的终端。
其中,获取异常行为学员对应的学员信息及负责人信息,学员信息可以是手机号码、微信号码、邮箱号码等,可以使该学员终端能够收到提醒消息的信息。负责人信息可以是手机号码、微信号码、邮箱号码等,可以使该负责人终端能够收到学员情况的信息。课堂异常数据可以是该学员的动作异常概率和专注度概率,还可以包括相应的视频帧,还可以是根据该学员的动作异常概率和专注度概率通过行为判断出该学员的行为数据,该学员的行为数据作为课堂异常数据,如:根据该学员的动作异常概率和专注度概率,判断出该学员上课睡觉,课堂异常数据中的内容是提示他上课睡觉的内容等等。可以及时提醒学员认真上课。
在一个实施例中,基于连续视频帧对应的各学员的动作异常概率集合以及各学员的专注度概率集合,确定异常行为学员的步骤,包括:
基于连续视频帧对应的各学员的动作异常概率集合以及各学员的专注度概率集合;对各学员的动作异常概率集合和各学员的专注度概率集合基于预设阈值进行分析,确定各学员在目标时间段内超过预设阈值的课堂异常次数;将课堂异常次数超过预设值的学员确定为异常行为学员。
其中,动作异常概率集合中是该动作异常概率集合对应的学员在连续视频帧中的各个动作异常概率,专注度概率集合中是该专注度概率集合对应的学员在连续视频帧中的各个专注度概率。课堂异常次数指的是动作异常概率超过预设阈值的次数加上专注度概率超过预设阈值的次数,预设时间段可以根据实际情况而定,如在2分钟之内,处于同一个异常动作,可以确定为异常动作。预设阈值可以根据动作异常概率和专注度概率的准确性进行确定,动作异常概率的预设阈值和专注度概率的预设阈值可以不相同,也可以相同,如:动作异常概率为0%-100%,可以将动作异常概率为0%-50%的学员定为没有出现动作异常,将动作异常概率为50%-100%的学员定为出现动作异常,则将50%设为预设阈值,预设值可以根据预设时间段的课堂视频帧的多少确定,如:预设时间段内连续的课堂视频帧有30帧,基于多数原则,可以将预设值设在15以上,还可以根据其他情况进行调整。提高异常行为学员判断的准确性。
在一个实施例中,所述将课堂视频的各课堂视频帧输入人体动作识别模型进行人体动作分析,确定各学员的动作异常概率的步骤,包括:
对课堂视频的各课堂视频帧中的各学员进行人脸识别,确定各课堂视频帧中各学员标签;基于各课堂视频帧中各学员标签对各课堂视频帧进行人体特征进行提取,获得各课堂视频帧对应的各学员的人体特征;将各课堂视频帧对应的各学员的人体特征输入人体动作识别模型进行人体动作分析,确定各课堂视频帧中各学员的动作异常概率。
其中,服务器将接收的课堂视频中的课堂视频帧输入人脸识别模型,人脸识别模型根据识别课堂视频帧中的人脸特征,将课堂视频帧中的各人脸特征与人脸识别模型记录的人脸特征信息进行相似度比对,确定课堂视频帧中的各学员标签,学员标签可以是学员的姓名,也可以是编号等等。主要是为了确定各学员的身份。基于各课堂视频帧中各学员标签对各课堂视频帧进行人体特征进行提取,获得各课堂视频帧对应的各学员的人体特征,可以是根据课堂视频帧中学员的人体的形状提取出学员的人体形状特征,如:人有四肢、头、身体组成,手臂有上下两节,一节可以看作一条直线,两只手有4条直线,腿也有上下两节,一节可以看作一条直线,两条腿有4条直线,身体可看作1条直线,头可以看作是1个球,将两只手的4条直线、两条腿的4条直线、身体的1条直线和球进行连接,形成一个人体特征。将各课堂视频帧对应的各学员的人体特征输入人体动作识别模型进行人体动作分析,确定各课堂视频帧中各学员的动作异常概率。
在一个实施例中,将课堂视频的各课堂视频帧输入专注度识别模型中,确定各学员的专注度概率的步骤,包括:
对课堂视频的各课堂视频帧中的预设区域的进行区域划分,获得各课堂视频帧对应的人脸图像集合;将各课堂视频帧中对应的所述人脸图像集合输入专注度识别模型进行专注度分析,确定各课堂视频帧中各学员的专注度概率。
其中,预设区域是根据课堂视频帧中哪些区域是各学员的座的位置确定的,根据学员的身体面积确定预设区域。将各课堂视频帧中对应的所述人脸图像集合输入专注度识别模型进行专注度分析,确定各课堂视频帧中各学员的专注度概率。专注度识别模型是根据获取大量被标记过学员的专注度情况的课堂视频帧进行训练获得的。专注度识别模型可以根据课堂视频帧各学员的位置不同,根据各人脸图像对应的位置来判断各学员的专注度概率。
在一个实施例中,对课堂视频的各课堂视频帧中的预设人脸区域的进行人脸区域划分,获得各课堂视频帧中对应的人脸图像集合的步骤,包括:
对课堂视频的各课堂视频帧中的预设区域的进行区域划分,获得各课堂视频帧中对应的各区域图像;对各课堂视频帧中对应的各区域图像进行色彩分析,确定各课堂视频帧中各人体区域的分布情况;根据各课堂视频帧中各人体区域的分布情况进行人脸图像位置分析,获取各课堂视频帧对应的人脸图像集合。
其中,区域图像指的是根据学员的身体面积确定预设区域的区域图像,是根据预设区域截取出对应区域的区域图像。区域图像中可能还存在其他学员以及墙、课桌的图像,通过对各课堂视频帧中对应的各区域图像进行色彩分析,分析出去区域图像中人体区域的分布情况,在人体区域判断人脸的位置,截取人体区域中的人脸图像,获得各课堂视频帧对应的人脸图像集合。可以在人体区域判断出五官中心位置及人脸脸部边界,划定人脸区域的矩形边界,根据人脸区域的矩形边界对应提取人脸图像,获得各课堂视频帧的人脸图像集合。
在一个实施例中,所述方法还包括:获取培训过程中目标数据库存储所有视频帧,根据所有视频帧对应的各学员的动作异常概率集合,以及各学员的专注度概率集合;根据各学员的动作异常概率集合,以及各学员的专注度概率集合进行学员考评,获得各学员的考评分数。
其中,通过给各学员设定基础评分,根据各学员所有视频帧对应的各学员的动作异常概率集合,以及各学员的专注度概率集合对各学员进行相应的加分减分,如:给各学员设定基础评分为90分,学员A的基础评分为90分,根据学员A的姓名去获取学员A的所有的动作异常概率及专注度概率,判断超过预设阈值的课堂异常次数,如学员A超过预设阈值的课堂异常为10次,一次1分进行扣分,则学员A扣分标准,被扣10分,还剩80分,再获取学员A的专注度概率的平均值为68,根据专注度概率的平均值为达到80进行加分,专注度概率的平均值80一下相应减分的原则,80-90加5分,90-100加10分,80-60减10分,60-40减20分,40-20减30分,20-0减40分的标准,则学员A的最终评分为70分,课堂异常次数及各学员的专注度概率的平均值对各学员进行相应的加分减分的无固定先后顺序。可有效提升培训的管控力度和培训质量,也可减少助教线下管控工作成本。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种异常行为确定装置,包括:课堂视频帧获取模块310、动作异常概率确定模块320、专注度概率确定模块330、存储模块340、连续视频帧获得模块350和异常行为学员确定模块360,其中:
课堂视频帧获取模块310,用于获取摄像设备采集到的课堂视频。
动作异常概率确定模块320,用于将课堂视频的各课堂视频帧输入人体动作识别模型进行人体动作分析,确定各课堂视频帧中各学员的动作异常概率。
专注度概率确定模块330,用于将课堂视频的各课堂视频帧输入专注度识别模型中,确定各课堂视频帧中各学员的专注度概率。
存储模块340,用于将课堂视频帧、课堂视频帧中各学员的动作异常概率以及各学员的专注度概率对应存储至目标数据库中。
连续视频帧获得模块350,用于当接收到携带有目标时间段的异常行为确定指令时,从目标数据库中确定出与目标时间段对应的多个课堂视频帧,得到连续视频帧。
课堂行为学员确定模块360,用于基于连续视频帧对应的各学员的动作异常概率集合以及各学员的专注度概率集合,确定异常行为学员。
在一个实施例中,异常行为确定装置还包括:信息获取模块,用于获取异常行为学员的学员信息及负责人信息;课堂异常数据发送模块,用于根据各学员信息及负责人信息将对应的课堂异常数据发送至对应的终端。
在一个实施例中,异常行为学员确定模块350还用于:基于连续视频帧对应的各学员的动作异常概率集合以及各学员的专注度概率集合;对各学员的动作异常概率集合和各学员的专注度概率集合基于预设阈值进行分析,确定各学员在目标时间段内超过预设阈值的课堂异常次数;将课堂异常次数超过预设值的学员确定为异常行为学员。
在一个实施例中,动作异常概率确定模块330还用于:对课堂视频的各课堂视频帧中的各学员进行人脸识别,确定各课堂视频帧中各学员标签;基于各课堂视频帧中各学员标签对各课堂视频帧进行人体特征进行提取,获得各课堂视频帧对应的各学员的人体特征;将各课堂视频帧对应的各学员的人体特征输入人体动作识别模型进行人体动作分析,确定各课堂视频帧中各学员的动作异常概率。
在一个实施例中,专注度概率确定模块340包括:区域划分单元,用于对课堂视频的各课堂视频帧中的预设区域的进行区域划分,获得各课堂视频帧对应的人脸图像集合;专注度概率确定单元,用于将各课堂视频帧中对应的所述人脸图像集合输入专注度识别模型进行专注度分析,确定各课堂视频帧中各学员的专注度概率。
在一个实施例中,区域划分单元还用于:对课堂视频的各课堂视频帧中的预设区域的进行区域划分,获得各课堂视频帧中对应的各区域图像;对各课堂视频帧中对应的各区域图像进行色彩分析,确定各课堂视频帧中各人体区域的分布情况;根据各课堂视频帧中各人体区域的分布情况进行人脸图像位置分析,获取各课堂视频帧对应的人脸图像集合。
在一个实施例中,异常行为确定装置还包括:考评分数获得模块,用于获取培训过程中目标数据库存储所有视频帧,根据所有视频帧对应的各学员的动作异常概率集合,以及各学员的专注度概率集合;根据各学员的动作异常概率集合,以及各学员的专注度概率集合进行学员考评,获得各学员的考评分数。
关于异常行为确定装置的具体限定可以参见上文中对于异常行为确定方法的限定,在此不再赘述。上述异常行为确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储课堂异常数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常行为确定方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取摄像设备采集到的课堂视频;将课堂视频的各课堂视频帧输入人体动作识别模型进行人体动作分析,确定各课堂视频帧中各学员的动作异常概率;将课堂视频的各课堂视频帧输入专注度识别模型中,确定各课堂视频帧中各学员的专注度概率;将课堂视频帧、课堂视频帧中各学员的动作异常概率以及各学员的专注度概率对应存储至目标数据库中;当接收到携带有目标时间段的异常行为确定指令时,从目标数据库中确定出与目标时间段对应的多个课堂视频帧,得到连续视频帧;基于连续视频帧对应的各学员的动作异常概率集合以及各学员的专注度概率集合,确定异常行为学员。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取异常行为学员的学员信息及负责人信息;根据各学员信息及负责人信息将对应的课堂异常数据发送至对应的终端。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于连续视频帧对应的各学员的动作异常概率集合以及各学员的专注度概率集合;对各学员的动作异常概率集合和各学员的专注度概率集合基于预设阈值进行分析,确定各学员在目标时间段内超过预设阈值的课堂异常次数;将课堂异常次数超过预设值的学员确定为异常行为学员。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对课堂视频的各课堂视频帧中的各学员进行人脸识别,确定各课堂视频帧中各学员标签;基于各课堂视频帧中各学员标签对各课堂视频帧进行人体特征进行提取,获得各课堂视频帧对应的各学员的人体特征;将各课堂视频帧对应的各学员的人体特征输入人体动作识别模型进行人体动作分析,确定各课堂视频帧中各学员的动作异常概率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对课堂视频的各课堂视频帧中的预设区域的进行区域划分,获得各课堂视频帧对应的人脸图像集合;将各课堂视频帧中对应的所述人脸图像集合输入专注度识别模型进行专注度分析,确定各课堂视频帧中各学员的专注度概率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对课堂视频的各课堂视频帧中的预设区域的进行区域划分,获得各课堂视频帧中对应的各区域图像;对各课堂视频帧中对应的各区域图像进行色彩分析,确定各课堂视频帧中各人体区域的分布情况;根据各课堂视频帧中各人体区域的分布情况进行人脸图像位置分析,获取各课堂视频帧对应的人脸图像集合。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取培训过程中目标数据库存储所有视频帧,根据所有视频帧对应的各学员的动作异常概率集合,以及各学员的专注度概率集合;根据各学员的动作异常概率集合,以及各学员的专注度概率集合进行学员考评,获得各学员的考评分数。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取摄像设备采集到的课堂视频;将课堂视频的各课堂视频帧输入人体动作识别模型进行人体动作分析,确定各课堂视频帧中各学员的动作异常概率;将课堂视频的各课堂视频帧输入专注度识别模型中,确定各课堂视频帧中各学员的专注度概率;将课堂视频帧、课堂视频帧中各学员的动作异常概率以及各学员的专注度概率对应存储至目标数据库中;当接收到携带有目标时间段的异常行为确定指令时,从目标数据库中确定出与目标时间段对应的多个课堂视频帧,得到连续视频帧;基于连续视频帧对应的各学员的动作异常概率集合以及各学员的专注度概率集合,确定异常行为学员。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取异常行为学员的学员信息及负责人信息;根据各学员信息及负责人信息将对应的课堂异常数据发送至对应的终端。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于连续视频帧对应的各学员的动作异常概率集合以及各学员的专注度概率集合;对各学员的动作异常概率集合和各学员的专注度概率集合基于预设阈值进行分析,确定各学员在目标时间段内超过预设阈值的课堂异常次数;将课堂异常次数超过预设值的学员确定为异常行为学员。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对课堂视频的各课堂视频帧中的各学员进行人脸识别,确定各课堂视频帧中各学员标签;基于各课堂视频帧中各学员标签对各课堂视频帧进行人体特征进行提取,获得各课堂视频帧对应的各学员的人体特征;将各课堂视频帧对应的各学员的人体特征输入人体动作识别模型进行人体动作分析,确定各课堂视频帧中各学员的动作异常概率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对课堂视频的各课堂视频帧中的预设区域的进行区域划分,获得各课堂视频帧对应的人脸图像集合;将各课堂视频帧中对应的所述人脸图像集合输入专注度识别模型进行专注度分析,确定各课堂视频帧中各学员的专注度概率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对课堂视频的各课堂视频帧中的预设区域的进行区域划分,获得各课堂视频帧中对应的各区域图像;对各课堂视频帧中对应的各区域图像进行色彩分析,确定各课堂视频帧中各人体区域的分布情况;根据各课堂视频帧中各人体区域的分布情况进行人脸图像位置分析,获取各课堂视频帧对应的人脸图像集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取培训过程中目标数据库存储所有视频帧,根据所有视频帧对应的各学员的动作异常概率集合,以及各学员的专注度概率集合;根据各学员的动作异常概率集合,以及各学员的专注度概率集合进行学员考评,获得各学员的考评分数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常行为确定方法,所述方法包括:
获取摄像设备采集到的课堂视频;
将所述课堂视频的各课堂视频帧输入人体动作识别模型进行人体动作分析,确定各所述课堂视频帧中各学员的动作异常概率;
将所述课堂视频的各课堂视频帧输入专注度识别模型中,确定各所述课堂视频帧中各学员的专注度概率;
将所述课堂视频帧、所述课堂视频帧中各学员的动作异常概率以及各学员的专注度概率对应存储至目标数据库中;
当接收到携带有目标时间段的异常行为确定指令时,从所述目标数据库中确定出与所述目标时间段对应的多个课堂视频帧,得到连续视频帧;
基于所述连续视频帧对应的各所述学员的动作异常概率集合以及各所述学员的专注度概率集合,确定异常行为学员。
2.根据权利要求1所述的方法,其特征在于,在所述基于所述连续视频帧对应的各所述学员的动作异常概率集合以及各所述学员的专注度概率集合,确定异常行为学员的步骤之后,还包括:
获取所述异常行为学员的学员信息及负责人信息;
根据各所述学员信息及所述负责人信息将对应的课堂异常数据发送至对应的终端。
3.根据权利要求1所述的方法,其特征在于,所述基于所述连续视频帧对应的各所述学员的动作异常概率集合以及各所述学员的专注度概率集合,确定异常行为学员的步骤,包括:
基于所述连续视频帧对应的各所述学员的动作异常概率集合以及各所述学员的专注度概率集合;
对各所述学员的所述动作异常概率集合和各所述学员的专注度概率集合基于预设阈值进行分析,确定各学员在所述目标时间段内超过所述预设阈值的课堂异常次数;
将所述课堂异常次数超过预设值的学员确定为异常行为学员。
4.根据权利要求1所述的方法,其特征在于,所述将所述课堂视频的各课堂视频帧输入人体动作识别模型进行人体动作分析,确定各学员的动作异常概率的步骤,包括:
对所述课堂视频的各课堂视频帧中的各学员进行人脸识别,确定各所述课堂视频帧中各学员标签;
基于各所述课堂视频帧中各所述学员标签对各所述课堂视频帧进行人体特征进行提取,获得各所述课堂视频帧对应的各学员的人体特征;
将各所述课堂视频帧对应的各学员的所述人体特征输入人体动作识别模型进行人体动作分析,确定各所述课堂视频帧中各学员的所述动作异常概率。
5.根据权利要求1所述的方法,其特征在于,所述将所述课堂视频的各课堂视频帧输入专注度识别模型中,确定各学员的专注度概率的步骤,包括:
对所述课堂视频的各所述课堂视频帧中的预设区域的进行区域划分,获得各所述课堂视频帧对应的人脸图像集合;
将各所述课堂视频帧中对应的所述人脸图像集合输入专注度识别模型进行专注度分析,确定各所述课堂视频帧中各学员的所述专注度概率。
6.根据权利要求5所述的方法,其特征在于,所述对所述课堂视频的各所述课堂视频帧中的预设人脸区域的进行人脸区域划分,获得各所述课堂视频帧中对应的人脸图像集合的步骤,包括:
对所述课堂视频的各所述课堂视频帧中的所述预设区域的进行区域划分,获得各所述课堂视频帧中对应的各区域图像;
对各所述课堂视频帧中对应的各所述区域图像进行色彩分析,确定各所述课堂视频帧中各人体区域的分布情况;
根据各所述课堂视频帧中各所述人体区域的分布情况进行人脸图像位置分析,获取各所述课堂视频帧对应的所述人脸图像集合。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
获取培训过程中所述目标数据库存储所有视频帧,根据所述所有视频帧对应的各所述学员的动作异常概率集合,以及各所述学员的专注度概率集合;
根据各所述学员的动作异常概率集合,以及各所述学员的专注度概率集合进行学员考评,获得各学员的考评分数。
8.一种异常行为确定装置,其特征在于,所述装置包括:
课堂视频帧获取模块,用于获取摄像设备采集到的课堂视频;
动作异常概率确定模块,用于将所述课堂视频的各课堂视频帧输入人体动作识别模型进行人体动作分析,确定各所述课堂视频帧中各学员的动作异常概率;
专注度概率确定模块,用于将所述课堂视频的各课堂视频帧输入专注度识别模型中,确定各所述课堂视频帧中各学员的专注度概率;
存储模块,用于将所述课堂视频帧、所述课堂视频帧中各学员的动作异常概率以及各学员的专注度概率对应存储至目标数据库中;
连续视频帧获得模块,用于当接收到携带有目标时间段的异常行为确定指令时,从所述目标数据库中确定出与所述目标时间段对应的多个课堂视频帧,得到连续视频帧;
课堂行为学员确定模块,用于基于所述连续视频帧对应的各所述学员的动作异常概率集合以及各所述学员的专注度概率集合,确定异常行为学员。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910748655.XA CN110647807A (zh) | 2019-08-14 | 2019-08-14 | 异常行为确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910748655.XA CN110647807A (zh) | 2019-08-14 | 2019-08-14 | 异常行为确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110647807A true CN110647807A (zh) | 2020-01-03 |
Family
ID=69009525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910748655.XA Pending CN110647807A (zh) | 2019-08-14 | 2019-08-14 | 异常行为确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647807A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931598A (zh) * | 2020-07-20 | 2020-11-13 | 湖北美和易思教育科技有限公司 | 一种基于人脸识别的课堂智能实时分析方法及*** |
WO2021185317A1 (zh) * | 2020-03-19 | 2021-09-23 | 北京市商汤科技开发有限公司 | 动作识别方法及装置、存储介质 |
CN113783709A (zh) * | 2021-08-31 | 2021-12-10 | 深圳市易平方网络科技有限公司 | 基于会议***的参会人员监测处理方法、装置、智能终端 |
CN114495232A (zh) * | 2022-01-27 | 2022-05-13 | 厦门大学 | 一种基于深度学习的课堂学生动作识别方法及*** |
CN114596532A (zh) * | 2021-07-23 | 2022-06-07 | 平安科技(深圳)有限公司 | 行为检测方法、装置、设备及存储介质 |
CN115460460A (zh) * | 2021-05-19 | 2022-12-09 | 北京字跳网络技术有限公司 | 基于人脸检测的信息交互方法、装置、设备及存储介质 |
CN116596719A (zh) * | 2023-07-18 | 2023-08-15 | 江西科技学院 | 一种机房计算机教学质量管理***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609517A (zh) * | 2017-09-15 | 2018-01-19 | 华中科技大学 | 一种基于计算机视觉的课堂行为检测*** |
CN107918755A (zh) * | 2017-03-29 | 2018-04-17 | 广州思涵信息科技有限公司 | 一种基于人脸识别技术的实时专注度分析方法及*** |
CN108154109A (zh) * | 2017-12-22 | 2018-06-12 | 福州瑞芯微电子股份有限公司 | 一种智能录播模型的构建方法、装置及教学智能录播方法 |
AU2017279806A1 (en) * | 2017-05-29 | 2018-12-13 | Saltor Pty Ltd | Method and system for abnormality detection |
CN109035085A (zh) * | 2018-07-10 | 2018-12-18 | 上海进馨网络科技有限公司 | 一种在线课程助教方法及计算机设备 |
WO2019028592A1 (zh) * | 2017-08-07 | 2019-02-14 | 中国科学院深圳先进技术研究院 | 一种教学辅助方法及采用该方法的教学辅助*** |
CN109410098A (zh) * | 2018-09-04 | 2019-03-01 | 四川文轩教育科技有限公司 | 一种学生课堂行为分析及监控方法 |
CN109522883A (zh) * | 2018-12-28 | 2019-03-26 | 广州海昇计算机科技有限公司 | 一种人脸检测方法、***、装置及存储介质 |
CN110033400A (zh) * | 2019-03-26 | 2019-07-19 | 深圳先进技术研究院 | 一种课堂监控分析*** |
-
2019
- 2019-08-14 CN CN201910748655.XA patent/CN110647807A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918755A (zh) * | 2017-03-29 | 2018-04-17 | 广州思涵信息科技有限公司 | 一种基于人脸识别技术的实时专注度分析方法及*** |
AU2017279806A1 (en) * | 2017-05-29 | 2018-12-13 | Saltor Pty Ltd | Method and system for abnormality detection |
WO2019028592A1 (zh) * | 2017-08-07 | 2019-02-14 | 中国科学院深圳先进技术研究院 | 一种教学辅助方法及采用该方法的教学辅助*** |
CN107609517A (zh) * | 2017-09-15 | 2018-01-19 | 华中科技大学 | 一种基于计算机视觉的课堂行为检测*** |
CN108154109A (zh) * | 2017-12-22 | 2018-06-12 | 福州瑞芯微电子股份有限公司 | 一种智能录播模型的构建方法、装置及教学智能录播方法 |
CN109035085A (zh) * | 2018-07-10 | 2018-12-18 | 上海进馨网络科技有限公司 | 一种在线课程助教方法及计算机设备 |
CN109410098A (zh) * | 2018-09-04 | 2019-03-01 | 四川文轩教育科技有限公司 | 一种学生课堂行为分析及监控方法 |
CN109522883A (zh) * | 2018-12-28 | 2019-03-26 | 广州海昇计算机科技有限公司 | 一种人脸检测方法、***、装置及存储介质 |
CN110033400A (zh) * | 2019-03-26 | 2019-07-19 | 深圳先进技术研究院 | 一种课堂监控分析*** |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021185317A1 (zh) * | 2020-03-19 | 2021-09-23 | 北京市商汤科技开发有限公司 | 动作识别方法及装置、存储介质 |
CN111931598A (zh) * | 2020-07-20 | 2020-11-13 | 湖北美和易思教育科技有限公司 | 一种基于人脸识别的课堂智能实时分析方法及*** |
CN111931598B (zh) * | 2020-07-20 | 2024-05-17 | 武汉美和易思数字科技有限公司 | 一种基于人脸识别的课堂智能实时分析方法及*** |
CN115460460A (zh) * | 2021-05-19 | 2022-12-09 | 北京字跳网络技术有限公司 | 基于人脸检测的信息交互方法、装置、设备及存储介质 |
CN115460460B (zh) * | 2021-05-19 | 2024-03-05 | 北京字跳网络技术有限公司 | 基于人脸检测的信息交互方法、装置、设备及存储介质 |
CN114596532A (zh) * | 2021-07-23 | 2022-06-07 | 平安科技(深圳)有限公司 | 行为检测方法、装置、设备及存储介质 |
CN113783709A (zh) * | 2021-08-31 | 2021-12-10 | 深圳市易平方网络科技有限公司 | 基于会议***的参会人员监测处理方法、装置、智能终端 |
CN113783709B (zh) * | 2021-08-31 | 2024-03-19 | 重庆市易平方科技有限公司 | 基于会议***的参会人员监测处理方法、装置、智能终端 |
CN114495232A (zh) * | 2022-01-27 | 2022-05-13 | 厦门大学 | 一种基于深度学习的课堂学生动作识别方法及*** |
CN116596719A (zh) * | 2023-07-18 | 2023-08-15 | 江西科技学院 | 一种机房计算机教学质量管理***及方法 |
CN116596719B (zh) * | 2023-07-18 | 2023-09-19 | 江西科技学院 | 一种机房计算机教学质量管理***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647807A (zh) | 异常行为确定方法、装置、计算机设备和存储介质 | |
CN109522815B (zh) | 一种专注度评估方法、装置及电子设备 | |
CN109359548B (zh) | 多人脸识别监控方法及装置、电子设备及存储介质 | |
CN107609493B (zh) | 优化人脸图片质量评价模型的方法及装置 | |
CN111353921A (zh) | 一种考试管理方法及***、电子设备 | |
CN105809415B (zh) | 基于人脸识别的签到***、方法和装置 | |
CN111611865B (zh) | ***行为识别方法、电子设备及存储介质 | |
CN110659397B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
CN109766859B (zh) | 基于微表情的校园监控方法、装置、设备及存储介质 | |
CN105791299A (zh) | 一种无人监考的智能化上机考试*** | |
CN111523444B (zh) | 基于改进的Openpose模型和面部微表情的课堂行为检测的方法 | |
CN109685007B (zh) | 用眼习惯的预警方法、用户设备、存储介质及装置 | |
CN110458971B (zh) | 课堂考勤记录方法、装置、计算机设备和存储介质 | |
CN111353363A (zh) | 一种教学效果检测方法及装置、电子设备 | |
CN112487928A (zh) | 基于特征模型的课堂学情实时监测方法与*** | |
CN109410098A (zh) | 一种学生课堂行为分析及监控方法 | |
CN114926889B (zh) | 作业提交方法、装置、电子设备和存储介质 | |
CN112926412A (zh) | 自适应教学课堂监控方法及*** | |
CN113642507A (zh) | 基于多摄像头同人检测的考试监控方法、***、设备及介质 | |
CN112633189A (zh) | 防止***的方法、装置、电子设备及计算机可读介质 | |
CN112087603A (zh) | 智慧考场监管方法 | |
CN113239841B (zh) | 基于人脸识别的课堂专注状态检测方法及相关仪器 | |
CN111353439A (zh) | 一种教学行为的分析方法、装置、***及设备 | |
CN113794759B (zh) | 一种基于区块链的考试云平台*** | |
CN113536893A (zh) | 一种在线教学学习专注度识别方法、装置、***及介质 |
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 |