CN115471773A - 一种面向智慧教室的学生跟踪方法及*** - Google Patents

一种面向智慧教室的学生跟踪方法及*** Download PDF

Info

Publication number
CN115471773A
CN115471773A CN202211130028.8A CN202211130028A CN115471773A CN 115471773 A CN115471773 A CN 115471773A CN 202211130028 A CN202211130028 A CN 202211130028A CN 115471773 A CN115471773 A CN 115471773A
Authority
CN
China
Prior art keywords
student
classroom
iou
gaussian
module
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.)
Granted
Application number
CN202211130028.8A
Other languages
English (en)
Other versions
CN115471773B (zh
Inventor
徐成
刘力铭
刘宏哲
徐冰心
潘卫国
代松银
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.)
Beijing Union University
Original Assignee
Beijing Union University
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 Beijing Union University filed Critical Beijing Union University
Priority to CN202211130028.8A priority Critical patent/CN115471773B/zh
Publication of CN115471773A publication Critical patent/CN115471773A/zh
Application granted granted Critical
Publication of CN115471773B publication Critical patent/CN115471773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Educational Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种面向智慧教室的学生跟踪方法及***，包括获取教室视频信息；基于所述视频信息，通过目标检测方法获取学生位置边界框；基于所述学生位置边界框，构建两个高斯概率分布函数；基于所述学生位置边界框，通过IOU对比方法比较面积大小；基于所述面积比较结果，对所述高斯概率分布函数作积分，判断是否属于同一个学生。通过目标检测方法检测出每个学生在图像中的位置，然后基于每个学生的边界框的中心坐标和宽高构建高斯概率分布函数，然后通过计算IOU值和对高斯概率函数的积分判断两边界框是否属于同一个学生实现到学生定位的功能。通过使用本发明的方法，联合使用其他深度学习算法，可实现对学生听课状态的持续记录和跟踪。

Description

一种面向智慧教室的学生跟踪方法及***
技术领域
本申请属于教学领域，具体涉及一种面向智慧教室的学生跟踪方法及***。
背景技术
由于教室场景下学生人数多，边缘轮廓复杂，现有的基于光流跟踪的学生定位方法存在受干扰严重的问题，其次光流跟踪的方法自身也存在着孔径问题和光滑平面上光流梯度为0的问题。
同时对于教室中的学生的定位方法是解决学生上课状态分析的重要步骤，对于教室中的任一个学生，状态分析模型仅能够输出图像中某位置的学生处于何种听课状态，此时就需要所提出的学生定位方法将某个学生在一节课中的所有状态联合起来，用于课后的学生专注度分析。
发明内容
本申请提出了一种面向智慧教室的学生跟踪方法及***，判断视频中目标框的所属学生，然后可以将该学生在一节课中的所有听课状态联合起来对该学生做整体的状态评估。
为实现上述目的，本申请提供了如下方案：
一种面向智慧教室的学生跟踪方法，包括以下步骤：
获取教室视频信息；
基于所述视频信息，通过目标检测方法获取学生位置边界框；
基于所述学生位置边界框，构建两个高斯概率分布函数；
基于所述学生位置边界框，通过IOU对比方法比较面积大小；
基于所述面积比较结果，对所述高斯概率分布函数作积分，判断是否属于同一个学生。
优选的，所述的目标检测方法为YOLOv5，通过YOLOv5方法逐帧的检测教室中每个学生的位置。
优选的，所述构建高斯概率分布函数的方法包括：基于边界框在图像中的位置信息构建出两个高斯分布函数，用于计算两个边界框属于同一个目标的概率。
优选的，所述位置信息包括：边界框的中心坐标、宽和高。
优选的，所述通过IOU对比方法比较面积大小的方法包括：计算两个边界框的IOU值并与设定的IOU的阈值进行比较判断是否属于同一目标。
优选的，所述IOU值为两个边界框交集部分面积与并集部分面积之比。
优选的，对所述高斯概率分布函数作积分的方法包括：对边界框的左右和上下分别选取坐标作高斯概率函数积分，然后将两数值相乘。
优选的，对已知的边界框，保存其在图像中的中心坐标、宽、高和高斯概率分布函数。
一种面向智慧教室的学生跟踪***，包括信息模块、目标检测模块、高斯函数模块、IOU计算模块、积分模块；
所述信息模块用于获取教室的视频信息；
所述目标检测模块用于检测教室中学生的位置信息；
所述高斯函数模块用于将所述目标检测模块检测到的学生位置信息构建高斯分布函数；
所述IOU计算模块用于将所述目标检测模块检测到的边界框进行交集部分面积与并集部分面积之比；
所述积分模块用于根据所述IOU计算模块的面积比较结果作高斯分布函数积分。
本申请的有益效果为：
本申请公开了一种面向智慧教室的学生跟踪方法及***，本申请是基于目标检测网络运行的，会在目标检测的基础上对每一个目标框分配一个id，同一目标在不同帧里的id相同，检测便可以得到每个学生的上课状态，其中，标定视频帧中每个学生的目标框，判断视频中目标框的所属学生，然后可以将该学生在一节课中的所有听课状态联合起来对该学生做整体的状态评估。
附图说明
为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例一的一种面向智慧教室的学生跟踪方法流程示意图；
图2为本申请实施例一的已知学生的目标框和计算的IOU值的示意图；
图3为本申请实施例一的已知学生的目标框和高斯概率分布计算的示意图；
图4为本申请实施例二的一种面向智慧教室的学生跟踪***流程示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
如图1所示，为本申请实施例的一种面向智慧教室的学生跟踪方法流程示意图，包括以下步骤：
获取教室视频信息；
通过VideoCapture方法采集摄像头视频数据，摄像头的位置位于黑板中央的正上方，视频分辨率为1920*1080，VideoCapture方法所读取出的视频数据为可迭代ndarray对象，每次迭代取出当前画面；
基于所述视频信息，通过目标检测方法获取学生位置边界框；将第一步读取出的ndarray对象输入YOLOv5目标检测算法，输出每个学生的边界框，具体为边界框的中心点x，y和宽高w，h，具体得出公式如下所示：
(xi，yi，wi，hi)＝YOLOv5(frame)[i]
0≤i≤学生数量
其中[i]表示当前视频帧中的第i个目标；
此时的YOLOv5算法模型需要基于预训练模型针对课堂场景学生进行重新训练，其中数据标注方法为仅标注高于课桌部分的学生图像；
通过YOLOv5目标检测算法逐帧的检测教室中每个学生的位置，该方法将连续帧之间的边界框关联起来，属于同一个目标的所有目标框将会分配同样的id，便于对学生的监督管理；
对于每一帧图像返回每个边界框的中心点坐标和宽高；输出边界框。连续的读取摄像头的视频帧，每一帧图像均可检测出每个学生在图像中的位置，其数据传输格式为一个二位列表，第一维列表长度是画面中学生的个数，每一个元素都是另一个列表，其中存储的是学生在图像中的位置。
基于所述学生位置边界框，构建两个高斯概率分布函数；基于边界框在图像中的位置信息构建出两个高斯分布函数，用于计算两个边界框属于同一个目标的概率。通过一个边界框计算高斯分布的概率分布函数的计算方法为：
以边界框的中心x，y作为高斯分布函数的均值(μ)，以宽高w，h的四分之一作为高斯分布的方差(σ)，以x为均值w/4为方差构建x轴方向的概率分布函数，以y为均值h/4为方差构建y轴方向的高斯概率分布函数，即
μ1＝x，σ1＝w/4
μ2＝y，σ2＝h/4
其中，μ1表示x方向高斯概率分布函数的均值，μ2表示y方向高斯概率分布函数的均值，σ1表示x轴方向的概率分布方差，σ2表示y轴方向的概率分布方差；
并且，以μ为均值，σ为方差，构建高斯分布的计算公式如下：
Figure BDA0003849842810000061
基于所述学生位置边界框，通过IOU对比方法比较面积大小；IOU对比方法，该方法作用是过滤掉无相关性或相关性不大的目标框，以提升程序的运行速度。
如图2所示，对于每一帧图像，先进行学生目标检测，然后依次取出一个边界框，与已知目标的边界框计算IOU值，即若两个边界框交集部分的面积与并集部分面积之比大于0.6则认为该两边界框可能属于同一目标，若IOU值小于0.6则继续该过程，若没有已知的边界框，该步骤是程序运行之初，由于程序还没有确定的目标，于是将检测得到的第一个边界框作为一个目标，计算并保存其分布函数。在本实例中IOU计算公式如下：
Figure BDA0003849842810000062
其中A，B为两个待比较的边界框，x，y，w，h表示边界框的中心坐标和宽高，下标a，b表示其是A，B对应的属性。
如图3所示，基于所述面积比较结果，对高斯概率分布函数作积分，判断是否属于同一个学生。此时认为该边界框与目标的相关性较大，进而通过高斯概率分布函数计算积分判断边界框属于该已知目标的概率，其计算方法为对已知目标的高斯概率函数做积分，积分下限为检测的边界框的左边界(上边界)，积分上限为检测框的右边界(下边界)，若计算得概率大于0.8，此时认为该边界框属于所对比的目标，需要计算新的边界框的高斯概率分布函数，并且替换掉已知目标的边界框和高斯概率分布函数，否则再次计算IOU值。需要注意的是，以边界框的边界作为积分上下限对分布函数进行积分的公式为：
Figure BDA0003849842810000071
Figure BDA0003849842810000072
其中，Ph表示边界框在水平方向上属于目标的概率，Pv表示边界框在竖直方向上属于目标的概率，bl，br，btbb分别表示目标框的左右上下边界。
以下表为例，A，B，C，D为以确定学生的位置，下一帧图像中检测到一个学生E，首先依次计算E于，A，B，C，D的IOU值，大于等于0.6者计算对应的概率分布函数积分，其结果所示：
Figure BDA0003849842810000081
实施例二
如图4所示，为本申请的一种面向智慧教室的学生跟踪***，包括信息模块、目标检测模块、高斯函数模块、IOU计算模块、积分模块；
信息模块用于获取教室的视频信息；
目标检测模块用于检测教室中学生的位置信息；
高斯函数模块用于将目标检测模块检测到的学生位置信息构建高斯分布函数；
IOU计算模块用于将目标检测模块检测到的边界框进行交集部分面积与并集部分面积之比；
积分模块用于根据IOU计算模块的面积比较结果作高斯分布函数积分。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。

Claims (9)

1.一种面向智慧教室的学生跟踪方法，其特征在于，包括以下步骤：
获取教室视频信息；
基于所述视频信息，通过目标检测方法获取学生位置边界框；
基于所述学生位置边界框，构建两个高斯概率分布函数；
基于所述学生位置边界框，通过IOU对比方法比较面积大小；
基于所述面积比较结果，对所述高斯概率分布函数作积分，判断是否属于同一个学生。
2.根据权利要求1所述的一种面向智慧教室的学生跟踪方法，其特征在于，所述的目标检测方法为YOLOv5，通过YOLOv5方法逐帧的检测教室中每个学生的位置。
3.根据权利要求1所述的一种面向智慧教室的学生跟踪方法，其特征在于，所述构建高斯概率分布函数的方法包括：基于边界框在图像中的位置信息构建出两个高斯分布函数，用于计算两个边界框属于同一个目标的概率。
4.根据权利要求3所述的一种面向智慧教室的学生跟踪方法，其特征在于，所述位置信息包括：边界框的中心坐标、宽和高。
5.根据权利要求1所述的一种面向智慧教室的学生跟踪方法，其特征在于，所述通过IOU对比方法比较面积大小的方法包括：计算两个边界框的IOU值并与设定的IOU的阈值进行比较判断是否属于同一目标。
6.根据权利要求5所述的一种面向智慧教室的学生跟踪方法，其特征在于，所述IOU值为两个边界框交集部分面积与并集部分面积之比。
7.根据权利要求1所述的一种面向智慧教室的学生跟踪方法，其特征在于，对所述高斯概率分布函数作积分的方法包括：对边界框的左右和上下分别选取坐标作高斯概率函数积分，然后将两数值相乘。
8.根据权利要求1所述的一种面向智慧教室的学生跟踪方法，其特征在于，对已知的边界框，保存其在图像中的中心坐标、宽、高和高斯概率分布函数。
9.一种面向智慧教室的学生跟踪***，其特征在于，包括信息模块、目标检测模块、高斯函数模块、IOU计算模块、积分模块；
所述信息模块用于获取教室的视频信息；
所述目标检测模块用于检测教室中学生的位置信息；
所述高斯函数模块用于将所述目标检测模块检测到的学生位置信息构建高斯分布函数；
所述IOU计算模块用于将所述目标检测模块检测到的边界框进行交集部分面积与并集部分面积之比；
所述积分模块用于根据所述IOU计算模块的面积比较结果作高斯分布函数积分。
CN202211130028.8A 2022-09-16 2022-09-16 一种面向智慧教室的学生跟踪方法及*** Active CN115471773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211130028.8A CN115471773B (zh) 2022-09-16 2022-09-16 一种面向智慧教室的学生跟踪方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211130028.8A CN115471773B (zh) 2022-09-16 2022-09-16 一种面向智慧教室的学生跟踪方法及***

Publications (2)

Publication Number Publication Date
CN115471773A true CN115471773A (zh) 2022-12-13
CN115471773B CN115471773B (zh) 2023-09-15

Family

ID=84333557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211130028.8A Active CN115471773B (zh) 2022-09-16 2022-09-16 一种面向智慧教室的学生跟踪方法及***

Country Status (1)

Country Link
CN (1) CN115471773B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563797A (zh) * 2023-07-10 2023-08-08 安徽网谷智能技术有限公司 一种用于智慧校园的监控管理***

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644204A (zh) * 2017-09-12 2018-01-30 南京凌深信息科技有限公司 一种用于安防***的人体识别与跟踪方法
CN110084831A (zh) * 2019-04-23 2019-08-02 江南大学 基于YOLOv3多伯努利视频多目标检测跟踪方法
CN110991272A (zh) * 2019-11-18 2020-04-10 东北大学 一种基于视频跟踪的多目标车辆轨迹识别方法
US20200160110A1 (en) * 2018-10-13 2020-05-21 Applied Research, LLC Method and System for Object Tracking and Recognition Using Low Power Compressive Sensing Camera in Real-Time Applications
CN111428625A (zh) * 2020-03-23 2020-07-17 武汉理工大学 一种基于深度学习的交通场景目标检测方法及***
CN111767792A (zh) * 2020-05-22 2020-10-13 上海大学 一种基于教室场景的多人关键点检测网络和方法
CN113324864A (zh) * 2020-02-28 2021-08-31 南京理工大学 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法
CN113436217A (zh) * 2021-07-23 2021-09-24 山东大学 基于深度学习的无人车环境检测方法
CN114677644A (zh) * 2022-03-31 2022-06-28 北京理工大学 一种基于教室监控视频的学生入座分布识别方法及***
CN114708525A (zh) * 2022-03-04 2022-07-05 河北工程大学 一种基于深度学习的学生课堂行为识别方法及***
CN114842435A (zh) * 2022-04-14 2022-08-02 南京领行科技股份有限公司 一种目标车辆的确定方法、装置、电子设备及存储介质
CN114998392A (zh) * 2022-05-26 2022-09-02 浙江工业大学 一种基于粒子滤波的视频多目标跟踪方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644204A (zh) * 2017-09-12 2018-01-30 南京凌深信息科技有限公司 一种用于安防***的人体识别与跟踪方法
US20200160110A1 (en) * 2018-10-13 2020-05-21 Applied Research, LLC Method and System for Object Tracking and Recognition Using Low Power Compressive Sensing Camera in Real-Time Applications
CN110084831A (zh) * 2019-04-23 2019-08-02 江南大学 基于YOLOv3多伯努利视频多目标检测跟踪方法
CN110991272A (zh) * 2019-11-18 2020-04-10 东北大学 一种基于视频跟踪的多目标车辆轨迹识别方法
CN113324864A (zh) * 2020-02-28 2021-08-31 南京理工大学 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法
CN111428625A (zh) * 2020-03-23 2020-07-17 武汉理工大学 一种基于深度学习的交通场景目标检测方法及***
CN111767792A (zh) * 2020-05-22 2020-10-13 上海大学 一种基于教室场景的多人关键点检测网络和方法
CN113436217A (zh) * 2021-07-23 2021-09-24 山东大学 基于深度学习的无人车环境检测方法
CN114708525A (zh) * 2022-03-04 2022-07-05 河北工程大学 一种基于深度学习的学生课堂行为识别方法及***
CN114677644A (zh) * 2022-03-31 2022-06-28 北京理工大学 一种基于教室监控视频的学生入座分布识别方法及***
CN114842435A (zh) * 2022-04-14 2022-08-02 南京领行科技股份有限公司 一种目标车辆的确定方法、装置、电子设备及存储介质
CN114998392A (zh) * 2022-05-26 2022-09-02 浙江工业大学 一种基于粒子滤波的视频多目标跟踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YAO ZHANG 等: "A Sport Athlete Object Tracking Based on Deep Sort and Yolo V4 in Case of Camera Movement", 《2020 IEEE 6TH INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATIONS》, pages 1312 - 1316 *
沈守娟 等: "基于YOLOv3算法的教室学生检测与人数统计方法", 《软件导刊》, vol. 19, no. 9, pages 78 - 83 *
邓小海 等: "图像识别技术在智慧教室录播***中的应用研究", 《计算机技术与应用》, vol. 46, no. 3, pages 92 - 96 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563797A (zh) * 2023-07-10 2023-08-08 安徽网谷智能技术有限公司 一种用于智慧校园的监控管理***
CN116563797B (zh) * 2023-07-10 2023-10-27 安徽网谷智能技术有限公司 一种用于智慧校园的监控管理***

Also Published As

Publication number Publication date
CN115471773B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
Tu et al. RGB-T image saliency detection via collaborative graph learning
CN108090857B (zh) 一种多模态的学生课堂行为分析***和方法
US20180247126A1 (en) Method and system for detecting and segmenting primary video objects with neighborhood reversibility
CN108537269B (zh) 一种弱交互式的物体检测深度学习方法及其***
CN113609896B (zh) 基于对偶相关注意力的对象级遥感变化检测方法及***
CN110837795A (zh) 基于课堂监控视频的教学情况智能监测方法、装置及设备
CN101699469A (zh) 课堂录像中教师黑板书写动作的自动识别方法
CN112287941B (zh) 一种基于自动字符区域感知的车牌识别方法
CN108647694A (zh) 基于上下文感知和自适应响应的相关滤波目标跟踪方法
CN111242127A (zh) 基于非对称卷积的具有粒度级多尺度特性的车辆检测方法
CN111738344A (zh) 一种基于多尺度融合的快速目标检测方法
CN107169994A (zh) 基于多特征融合的相关滤波跟踪方法
CN106204633B (zh) 一种基于计算机视觉的学生跟踪方法和装置
CN112016605A (zh) 一种基于边界框角点对齐和边界匹配的目标检测方法
CN113850136A (zh) 基于yolov5与BCNN的车辆朝向识别方法及***
CN112381043A (zh) 一种旗帜检测方法
CN112001298A (zh) 行人检测方法、装置、电子设备和存储介质
CN115471773A (zh) 一种面向智慧教室的学生跟踪方法及***
CN115240259A (zh) 一种基于yolo深度网络的课堂环境下人脸检测方法及其检测***
CN117557784B (zh) 目标检测方法、装置、电子设备及存储介质
CN112686122B (zh) 人体及影子的检测方法、装置、电子设备、存储介质
CN117475353A (zh) 基于视频的异常烟雾识别方法及***
CN110287970B (zh) 一种基于cam与掩盖的弱监督物体定位方法
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法
CN111881914A (zh) 一种基于自学习阈值的车牌字符分割方法及***

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