基于動態鏈表智能識別檢測系統的設計與應用

周傳生, 楊 瀾

(1. 沈陽師范大學 科信軟件學院, 沈陽 110034; 2. 沈陽師范大學 數學與系統科學學院, 沈陽 110034)

隨著互聯網的普及應用和快速發展,識別檢測技術現已在安全、物流、環境檢測等方面有著非常廣泛的應用[1-3],基于識別檢測技術的在線檢測系統正逐漸代替傳統的人工檢測模式,成為當下目標檢測的主要途徑。識別檢測系統的實現不但節省了人工檢測的精力與資源,亦可保證檢測結果的真實性和客觀性。但從檢測系統的靈活度上分析,目前的多數系統在技術實現方面往往只能支持某種特定模式下的目標識別檢測,無法有效針對實際需求中檢測目標的動態變化及檢測目標的側面和指標的動態變化而進行自適應識別檢測。為了動態使用不同的識別技術,提高檢測系統的靈活性和可擴展性,拓展相應系統在不同領域行業中應用的范圍,本文介紹了一個基于動態鏈表、可自適應識別診斷的檢測系統的設計,通過運用模式識別方法對不同模式下的檢測樣本進行多元化的識別檢測。

1 技術實現

基于動態鏈表的智能識別檢測系統構建的是可兼容不同的識別模式、運用不同的識別方法來靈活檢測無數個不同類型的檢測目標,即檢測目標可擴展、檢測指標可擴展、檢測類型可擴展、識別算法的適應性可擴展。考慮到數據操作的靈活性,因此在實現方式上該系統采用動態鏈表作為系統數據的存儲結構[4]。圖1表示的是由不同檢測目標相連所組成的一個動態鏈表結構圖,其可實現2種應用情境。

圖1 系統鏈表圖Fig.1 The linked list of system

情境1 針對同一檢測目標的不同檢測指標,每一類指標下采用不同的識別檢測技術進行動態檢測,完成檢測結果。

類別:代表檢測目標需要檢測的n類檢測指標;檢測點:指的是某一類檢測指標下需要檢測的不同側面;算法:根據相應的檢測點和檢測技術而使用的可選擇的模式識別檢測算法。

情境2 針對同一識別模式下,對不同目標的不同指標及側面采用不同的識別檢測技術進行檢測。

類別:需要對檢測目標在n類檢測模式下進行檢測,例如圖像檢測模式、字符檢測模式、音頻檢測模式等。檢測點:某一類檢測模式下需要檢測的多項檢測指標及每一個指標內部的側面檢測嵌套鏈表。檢測算法:每一類檢測模式下,檢測每一項檢測指標所對應的不同側面而采用的檢測算法。

為了更好地實現各檢測點之間的獨立性與封裝性,將該鏈表中的每一個結點均以類的形式封裝[5],以實現系統在不同模式環境下的動態識別處理功能,系統的內部結構如圖2所示。

圖2系統內部結構圖
Fig.2 The inner structure of system

將圖1中的每一項檢測點定義為一個MiniNode類結點,用來表示依據標準樣本庫采用某種識別檢測方法來檢測最小單位的檢測樣本。因此,該結點內含有標準樣本庫(StandardSample)、檢測樣本(CheckingSample)及相應的檢測方法(SampleCheckingAlgorithm)。其中,標準樣本庫指的是已給定可參照的標準樣本集合,檢測樣本指的是需要被檢測的目標樣本,檢測方法指的是根據實際檢測需要所采用的識別檢測算法。考慮到不同MiniNode結點需要采用不同的識別技術檢測不同類型、不同指標的檢測樣本,因此為了實現檢測功能的靈活性和動態性,在MiniNode結點內部定義檢測方法時,使用abstract抽象類型來修飾類中的方法,從而延伸檢測功能應用的擴展性[6]。

由圖1可知,一個類別結點是由無數個檢測點構成,即其包含了無數個MiniNode結點,將圖1中的類別結點定義為 ComposeNode,則其為MiniNode結點的動態組合鏈表,因此在每個 ComposeNode類中需定義一個可擴展的MiniNode鏈表(即MiniNodeList)來實現系統可兼容不同的檢測方法,識別檢測多個檢測樣本的功能。同時,在 ComposeNode類中還需定義添加結點(AddMiniNode)和刪除結點(RemoveMiniNode)的操作方法,通過對MiniNodeList進行結點添加和刪除的操作,來控制系統的檢測點數量,從而實現系統的動態檢測功能[7]。

2 案例分析

以應用視頻識別技術診斷中小學教師在交互多媒體環境下的信息技術應用能力為案例,設計一個基于視頻識別技術的智能測評系統(以下簡稱“測評系統”),對教師信息技術應用能力的技術素養能力進行自動識別檢測。由表1可知,教師信息技術素養能力需從3個維度分別進行多項指標的檢測和考核,因此在考核教師每一個能力維度時,教師均需上傳對應維度的多個視頻片段進行檢測,系統通過識別檢測技術檢測上傳的視頻圖像與給定標準樣本的關系度來綜合診斷教師的信息技術素養能力。

表1 教師信息技術素養考核指標[8]Tab.1 Assessment Index of Teachers’ Technological Literacy[8]

2.1 系統架構

本系統是以教師錄制的課堂實錄視頻為檢測對象,通過識別檢測教師上傳的視頻片段,對教師的技術素養能力進行考核。為了實現系統智能化、自動化的檢測模式,本系統采用模式識別技術作為檢測方法提供測評功能。由此,將測評系統分為視頻管理、智能識別、診斷報告3大功能模塊。用戶首先在系統中上傳完整的課堂實錄視頻,并編輯介紹相關的視頻信息,然后根據考核需要,對完整視頻進行片段人工切分,在選定要考核的某一維度類別后將視頻片段上傳到檢測隊列中。系統根據視頻片段的檢測類別,選定對應的標準樣本庫,調用相應的識別檢測算法進行診斷,最終得出的檢測結果經統計后生成診斷報告推送給用戶,系統的業務邏輯架構圖如圖3所示。

圖3 業務邏輯架構圖Fig.3 The business logic architecture diagram of the system

視頻管理模塊主要為用戶提供視頻上傳、信息編輯、片段切分及視頻瀏覽等功能。用戶在上傳完整視頻后,對上傳的視頻進行相關描述,隨后根據考核需要對視頻進行片段切分,切分后的視頻片段要確定考核維度,留作后期識別檢測。

智能識別模塊主要以視頻圖像的識別檢測為核心,系統在收集到檢測隊列的視頻片段后,首先對需要考核的視頻片段切分成一幀幀圖像進行預處理,然后對圖像進行特征提取與比對識別,最后將檢測出的識別結果存放到診斷結果數據庫中[9]。

診斷報告模塊主要由數據統計和診斷報告兩大功能組成。系統在檢測出用戶的視頻片段結果后,對所有視頻片段的檢測結果進行統一的統計和分析,生成最終的診斷報告書推送給用戶。

2.2 設計與實現過程

在測評系統的設計與實現過程中,其關鍵問題主要有2點:

1) 視頻數據動態管理:系統可根據實際需要調整考核維度的個數,用戶可根據個人需要任意添加檢測點的個數,不受檢測類別和數量限制,考核更全面。

2) 系統自適應識別檢測:系統可應用多種識別技術智能檢測不同考核維度對應的視頻片段,也可根據實際需要對同一個維度的同一個視頻片段動態調整檢測算法。

根據實際需要,該測評系統可支持用戶可添加多維度、不限數量的檢測片段,需要提供靈活、快速的數據插入和相應調整等功能,同時本系統的核心功能是可運用不同的識別檢測方法對不同考核維度的視頻片段進行檢測,進而提高系統自身的動態性和靈活性。為此,本系統選用鏈式存儲的方式來儲存數據,存儲結構如圖4所示。

圖4 識別檢測結構圖Fig.4 The detection structure of the assessment system

圖4給出了交互多媒體環境下的教師技術素養能力的檢測結構圖,根據上文給出的能力標準,主要從3個維度對教師技術素養能力進行檢測和考核,其中每一維度指標下需檢測多項二級指標。因此,測評系統若要保證其可支持不同考核維度視頻的多元化識別檢測功能,那么每個檢測點之間均應保持低耦合性來保證各個結點的獨立。因此,在每個結點內均應以類的形式獨立存儲需要檢測的檢測樣本、用來檢測比對的標準樣本庫、使用的識別檢測方法及最終識別檢測出的檢測結果,以實現系統的自適應性檢測功能。另外,對于海量的檢測樣本數據可以選用數據庫的方式存儲,由系統動態調取和檢測。

以檢測教師第二維度“熟練使用交互多媒體設備”能力為例,教師根據考核要求將完整的課堂實錄切分成對應的若干個視頻片段對應到第二維度檢測列表中的兩個指標并上傳到系統中。系統在檢測其中的一個視頻片段時,自動將視頻切分成一幀幀圖像進行識別檢測,因此每一幀圖像即為一個檢測點MiniNode中的檢測目標樣本,而標準樣本庫即為符合第二維度考核標準的圖片樣本庫,最后通過圖像識別技術來檢測出目標樣本的結果。綜上所述,可將MiniNode對應的內部結構進行定義,如表2所示。

表2 MiniNode結構Tab.2 The Structure of Mini Node

由于教師上傳的視頻片段被切分成若干幀圖像進行檢測,而每一幀圖像均為一個Mini Node,因此上傳的視頻片段即為對應圖像幀的集合,定義為Compose Node。在定義Compose Node結構時,除存儲視頻自身屬性外,還需定義構成該視頻片段的圖像幀鏈表即Mini Nodelist、控制圖像幀結點個數的操作方法AddMiniNode和Remove Mini Node、統計檢測結果的方法Count Result以及該視頻片段最終的考核結果Video Result,具體結構如表3所示。

表3 Compose Node結構Tab.3 The Structure of Compose Node

根據該系統的應用背景,本系統是通過應用圖像識別技術對視頻片段切分的圖像幀進行識別檢測,以確定是否達到指標要求。因此在本系統中,采用基于HOG與SVM的圖像識別技術對檢測樣本進行識別檢測。通過對輸入的幀圖像進行校正與濾波等預處理去除背景噪聲的干擾,利用梯度方向直方圖(HOG)提取圖像的特征向量,并使用SVM分類器對送入的圖像特征模式進行分類檢測,識別出檢測結果[10-11]。最后,將視頻所有幀圖像結果通過指定的統計方法(CountResult)進行統計運算,生成視頻片段最終的考核結果。

3 結 論

基于動態鏈表的智能識別檢測系統可支持在不同模式下對不同類型的檢測目標進行動態地數量調整和識別檢測。同時,系統可動態配置相關的模式識別算法實現相關目標檢測的自動化、智能化方式,避免了人工檢測的弊端,提高了檢測效率及準確性。另外,該系統的應用擴展性非常廣泛,其設計思想和技術路線可嫁接于各個領域、各類識別檢測模式中。因此,本研究在一定程度上擴展了識別技術的應用范圍,改進了許多傳統檢測系統的潛在弊端,提升了技術的整體應用水平和靈活性。