基于SVM和OpenCV的學生異常行為識別監測系統設計

任潁超

上饒職業技術學院,江西 上饒 334109

0 引言

學生管理是高職院校日常管理工作的重要組成部分。常規模式下,針對學生異常行為的管理需要高職院校耗費大量的人力、物力、精力,且很難達到精準化、無縫化、智能化的管理效果[1]。異常行為監測(ABD)系統是在計算機技術、圖像視頻識別技術、智能自動化技術等飛速發展背景下誕生的個體行為識別監測技術系統,它能夠通過對異常行為運算建模、提取特征變量、設置類別標簽、訓練測試、報警提醒等方式,識別和監測出個體的非正常行為[2],將其引入高職院校中,對提升學生管理的智能化和自動化水平有著重要意義。

1 SVM技術

支持向量機(support vector machine,SVM)是機器學習領域典型的線性分類學習模型[3],通常用來進行模式識別、判斷和回歸分析,將其用在學生異常行為監測系統中,有以下幾方面優勢:能夠對學生異常行為進行建模,直觀準確地表達和描述異常行為數據;能夠準確地收集學生異常行為數據;能夠精確地訓練學生的異常行為數據,并加以分類區別;算法簡單易用,能夠高效地處理小樣本數據,有效識別學生異常行為并實現即時報警。整體來說,SVM是一種監督學習的機器智能算法,能夠高效地提取學生異常行為的數據特征,兼顧異常行為模型的易用性和分類性,保證了優秀的泛在化識別能力。此外,通過分類區別能夠更好地在保護學生隱私的情況下收集數據。

2 OpenCV技術

OpenCV是一個基于BSD的計算機視覺和機器學習開源軟件庫,被廣泛應用在人臉識別、運動跟蹤、動作識別、機器視覺等領域[4]。它提供了人臉識別接口,為用戶提供了eigenface特征提取、線性識別和局部二元模式直方圖3種算法,能夠快速抓取人臉圖像作為隨機變量,并應用統計學方法識別不同人的面部特征,達到快速識別、區分、監測人臉的效果[5]。將OpenCV技術應用在學生異常行為監測系統中有以下幾方面優勢:能夠與SVM技術完美兼容,通過算法資源共享完成對學生人臉識別和異常行為的監測;內置矩陣求解算法能夠快速擬合學生人臉形狀的特征,通過基地線性組合生成多張人臉圖像,并通過比較人臉圖像識別出身份信息;在算法輔助下能夠快速捕捉學生的運動軌跡、身體姿態等信息,為精準監測學生異常行為提供數據源。

3 基于SVM的學生異常行為識別模型構建

3.1 模型框架

基于SVM技術構建學生異常行為識別模型(見圖1),具體的識別流程為:借助攝像頭或RGB相機等視頻捕捉設備,抓取對象的實時靜態或動態圖像,按照SVM算法生成對象骨架圖特征點的三維坐標;經過數據處理后,輸入學生異常行為識別模型中,根據對象的三維坐標信息進行參數尋優;通過反復循環的運算尋找最優解,獲取學生異常行為特征,并與數據庫中的異常行為類別標簽進行對比,通過訓練測試提取異常行為識別結果。

該系統將學生異常行為歸納成4個方面,特征較少,但由于在校學生樣本數量眾多,且學生異常行為數據隸屬于線性不可分型數據,因此需要選用SVM模型中的RBF核函數在高維空間對采集到的學生行為數據進行運算,以獲取學生異常行為識別數據集合。

3.2 特征變量提取

特征變量是SVM模型的輸入值,也是學生異常行為的數據源。該系統基于SVM模型采集學生異常行為數據的需求,參考部分親和域PAFS算法,得到反映學生異常行為動作的三維坐標骨架模型,作為選取的特征變量。以學生異常跌倒行為為例,根據異常行為動作三維坐標骨架模型,當學生發生跌倒行為時,距離地面越遠的骨架點,發生偏移越大,此時學生肩部2個關鍵骨架點在垂直方向上的運動偏移便是一個能夠反映異常跌倒動作的特征變量。此外,當學生異常跌倒時,出于個體本能會做出單手或雙手撐住地面、扶住物體的動作,因此,學生雙手骨架點也能夠作為反映異常跌倒動作的特征變量。其他學生異常行為也有類似的特征變量,只要找到并提取出來,輸入到SVM模型中,便可通過運算快速獲取數據源。

3.3 類別標簽設置

類別標簽用來對學生異常行為進行分類,以便SVM模型能夠根據分類標識快速地預測和識別學生異常行為的類型。該系統重點關注學生異常離校、異常跌倒、異常俯身、上課玩手機4種異常行為,將這4種異常行為設置成類別標簽,以供SVM模型采樣識別。此外,還應包含學生正常的日常行為,例如在教室內走動、坐在椅子上看書學習、與同伴或教師進行交流等,具體的類別標簽設置為:正常行為的類別標簽為“0”,學生異常離校的類別標簽為“1”,學生異常跌倒的類別標簽為“2”,學生異常附身的類別標簽為“3”,學生上課玩手機的類別標簽為“4”。

3.4 訓練測試方法

對初步識別出的學生異常行為,還需要采用合適的算法得到分類預測的規則方差,以便進行深度識別。該系統將學生異常行為數據集劃分為訓練集和測試集,通過對特定的學生樣本進行訓練,得到訓練集和測試集SVM模型,對學生異常行為進行分類識別。此外,結合物聯網系統、電子信息系統、光電報警系統設計硬件電路與系統,當訓練集和測試集反饋的結果超過閥值時,說明有學生異常行為發生,硬件電路系統便會發出報警提示。具體來說,常用的異常行為訓練和測試方法有真正類率(TPR)和負正類率(FPR)檢測2種訓練測試方法,其變量指標見表1,運算表達式如下所示。

表1 學生異常行為訓練測試指標集

TPR=TP/(TP+NF)

FPR=FP/(FP+NT)

(1)

由式(1)可知,TPR的值越大,指標集合數據訓練測試的分類性能越好,表明學生異常行為的深度識別效果也越好。

4 基于OpenCV的學生異常行為監測系統設計與測試

4.1 系統功能模塊及硬件設計

學生異常行為監測系統基于OpenCV人臉識別算法設計功能模塊,由于OpenCV提供了3種人臉識別算法,根據學生異常行為識別監測的實際需求,選擇其中的eigenface算法調取SVM模型采樣的學生人臉和行為圖像作為隨機變量,構建系統的功能模塊如下。

1)人臉識別身份監測模塊。當學生進入采樣區域后,系統監控設備便會實時采樣學生的面部、行為、肢體動作等信息構建特征變量集合,并對集合數據進行消噪、濾波等處理,突出人臉和行為特征,識別出學生的身份信息。

2)學生運動軌跡監測模塊。當識別出學生身份信息后,系統監控設備便會實時捕捉學生的行為動作,通過與SVM模型中的骨架點模型數據進行對比,實現對學生運動軌跡的跟蹤監測,當數據與類別標簽集合中的異常行為標簽吻合時,便發出異常行為監測報警提醒。

基于上述功能模塊,該系統的硬件設施包括:高清RGB監控攝像機數臺、計算機數臺,且攝像機和計算機應通過無線路由器組建局域網。硬件設施組建完后,將攝像機對準學生異常行為監測區域,實時捕捉區域畫面。

4.2 系統測試效果

系統設計完成后,在某高職院校進行現場測試,測試的場景分為4個,分別在能容納30、50、70和100人的教室內安裝該系統,進行無教師值守狀態下學生異常行為的識別監測,結果如表2所示。根據測試結果可知:隨著參與測試學生人數攀升,該系統的檢測精準度、抓取異常行為識別時間、異常行為計算判定時間3項指標的表現效果雖略有下降,但整體符合預期,能夠較為精準、高效地識別和監測學生異常行為,呈現出良好的應用效果。

表2 系統測試效果統計

5 結束語

針對學生異常行為識別和監測系統的設計和應用,一直以來都是計算機科學技術領域研究的熱點,但如何高效精準地捕捉現場人員信息,并識別監測其異常行為一直是研究的難點。本文充分利用SVM和OpenCV技術在人臉識別、行為軌跡跟蹤等方面的優勢,設計了一套學生異常行為識別監測系統,通過現場測試驗證了系統的有效性,希望能夠為異常行為監測(ABD)系統的研究提供更多啟示。