教學環境下頭部姿態檢測系統探討范文

本站小編為你精心準備了教學環境下頭部姿態檢測系統探討參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：在線上教育越來越普及的今天，人們往往只迷戀于自己學了幾門課程，看了幾個視頻，家長往往也只是單純的為了讓孩子學而去報，但是之于孩子真的有沒有在學，有沒有認真去看，或者學生在觀看過程中有沒有不自覺的走神而錯過哪些內容，這些問題的出現大大影響了在線教育的質量水平，往往只是達到了量而達不到質的要求。針對此問題，本文提出了一種教學環境下的頭部姿態檢測系統，該系統首先利用haar特征以及svm分類器對人臉部位進行檢測，檢測到目標后，利用基于meanshift的跟蹤算法對目標區域進行跟蹤，防止出現用戶扭頭或者低頭抬頭等動作導致人臉檢測目標丟失問題，然后利用光流法追蹤目標區域左右、上下兩組子區域的光流來檢測用戶到底是頭部平移還是發生了扭頭抬頭等動作，并將此結果在系統內表示出來。

關鍵詞：haar特征；svm算法；meanshift算法；光流法檢測頭部姿態

0引言

近些年來出現了各種各樣的網上課堂，如網易云課堂、慕課，計蒜客等等在線教學平臺，他們的出現無疑為廣大學者提供了更加方便的途徑去學習知識，但是無論是主動學習還是被動學習，都存在著走神甚至是應付的情況出現，尤其是被動學習，學生被家長報名了各種各樣的在線課程，盡管看似能夠學到很多東西，但是很多學生只是單純的為了應付課程，根本沒有學到想要的知識。而面對走神這種情況，很多時候更是學生不自覺的走神，自己都沒意識到，此時所聽課程的掌握往往也會很差。針對以上問題，本文提出了一套教學環境下的頭部姿態檢測系統，該系統可以利用電腦所帶攝像頭來檢測學生頭部運動姿態，進而為判斷學生是否認真聽講，是否走神，從而有針對性的對學生進行課程推薦或者為家長、學生提供一個知識點的掌握程度匯總，方便家長、學生對學習過程進行評價。目前市面上的線上教學系統更多的是依靠學生自己的自覺性來進行學習，無論是網易云課堂還是慕課，或者某些開源的教學平臺，例如moodle，都是學生自主選擇所要學習的課程，然后自主選擇該課程中的某一章節，至于學習效果如何，還需要學生主動填寫網站所提供的測試題來進行判斷，無法自動根據學生學習時的表現來進行推斷。在線下課堂中，目前也很少有學校將行為姿態運用到日常教學當中，為數不多的學校采用了類似的技術，如最為出名的杭州第十一中學的“智慧課堂行為管理系統”，也只是處于實驗階段，目前對于該方向的關注度還處于較低水平。本文共分為4個部分，其中第二部分具體介紹了本文所提出的方法以及所涉及到的技術，第三部分進行了實驗驗證，第四部分是對本文的總結與展望，對系統提出了進一步的改善方向。

1本文方法

本文首先利用haar特征[1]以及svm[2]分類器對視頻進行目標定位，定位到以后，利用基于meanshift的目標跟蹤算法對目標進行持續的跟蹤，此過程除了可以避免因用戶面部運動幅度過大引起的面部檢測不到的問題，還能準確的將同一個人不同時刻的行為對應起來，最后，我們利用基于光流法的檢測算法對追蹤區域進行持續的檢測。

1.1haar特征

Haar特征是一種反映圖像的灰度變化的，像素分模塊求差值的一種特征。它分為三類：邊緣特征、線性特征、中心特征和對角線特征。用黑白兩種矩形框組合成特征模板，在特征模板內用黑色矩形像素和減去白色矩形像素和來表示這個模版的特征值。之后，Viola以及Lienhart等人又提出了更多的矩形特征、邊緣特征、線特征等更加貼切描述圖像區域特征的特征模板。盡管模板的種類多種多樣，但其計算規則都是相同的，即利用加權的方法使得黑色區域與白色區域的像素個數相同，然后利用黑色矩形區域像素和減去白色矩形區域像素和來得到該模板的特征值，但是隨著模板大小的改變，計算量也會隨之發生改變，為了解決此問題，采用積分圖的方法計算haar特征。積分圖是將圖片左上角作為（0,0）點，然后計算每個點與（0,0）所形成對角線的矩形區域的像素和，將該值填入該點所在像素，形成積分圖，如此一來，無論計算哪個區域的像素和，都只需要計算4次加減法即可。

1.2svm算法

SVM算法又稱支持向量機算法，是機器學習領域當中常見的并且效果出眾的判別算法。其本質上與線性回歸類似，先訓練出一個線性分割超平面，然后該線性分割超平面既是決策邊界，在超平面兩邊的劃分為兩個不同的類別。

1.3基于meanshift的目標跟蹤算法

[3]目標跟蹤的基本原理是相鄰幀之間內容相差非常微小，同一目標在相鄰幀中的位置坐標也不會發生太大的變化，只要在前一幀所確定的目標區域附近搜索目標特征，即可確定下一幀中目標所在位置。

1.4基于光流法的頭部姿態檢測

光流法是一種計算物體、像素運動方向以及運動趨勢的方法。利用相鄰幀在時間域上的相關性，可以找出特征點在相鄰幀上的位置，比較前后幀之間的位置信息，即可得到相關的特征點的運動趨勢以及運動大小。光流所形成的光流場既是運動場在二維平面內的投影。光流的計算有兩種方法：稀疏光流法，稠密光流法。在本文中因為我們采用的是局部區域運動趨勢，所以采用稠密光流法。

2實驗驗證

本文采用FacePix數據庫[4]數據進行實驗，FacePix數據庫中除了基本的人臉圖像外，還有姿態視頻數據庫，該數據庫包含了被采集者從中心向左、向右、向上、向下旋轉，然后回到中心的姿態，滿足我們所要檢測的姿態種類。其中，基于haar的人臉檢測是目前已經十分成熟的技術，在光照適合、拍攝狀況良好的情況下檢測效果已經得到了大眾的認同。本次試驗主要集中在如何界定基于光流的頭部姿態檢測的比值問題。根據實驗發現，當上半部運動趨勢與下半部運動趨勢（或者反過來）的比值在1-1.3之間時，人的低頭抬頭行為較為不明顯，當左半部運動趨勢與右半部運動趨勢（或者反過來）的比值在1-1.4之間時，人的扭頭行為則不十分明顯，因此，最終設定上半部運動趨勢/下半部運動趨勢大于1.3時為低頭，下半部/上半部運動趨勢大于1.3時為抬頭，左半部/右半部的運動趨勢大于1.4時為向左扭頭，右半部/左半部的運動趨勢大于1.4時為向右扭頭。但是在實際運用過程中，我們進行測試時發現有時這個比值并不十分的準確，究其原因，我們所設定的比值是當攝像機從正面進行拍攝時的比值，但是在實際運用時，攝像頭可能俯視或仰視，甚至從側方拍攝，導致我們的比值不符合當前運行環境，此問題尚未解決，但當我們對攝像頭位置進行規定后，檢測的效果還是十分滿意的，邀請班內同學進行測試后，在光照條件良好的情況下，較為明顯的頭部運動都能檢測出來。

3總結與展望

本文首先利用基于haar的svm算法檢測出目標區域，然后利用基于meanshift的追蹤算法對目標區域進行持續追蹤，并利用基于光流的頭部姿態檢測算法持續對目標區域進行頭部姿態檢測。在環境狀況良好的情況下，能夠達到較好的效果，但是該方法因為是基于比值的頭部姿態檢測，對于攝像頭拍攝的角度要求較為嚴格，下一步工作將嘗試尋找新的頭部姿態算法來代替比值，進而解決此問題。

作者：張麟琛 單位：浙江省杭州第四中學