本文首先采用背景差法提取出区别于背景图像的目标图像；其次，提取待检测区域的特征信息，将提取出来的目标图像的特征与背景图像区域的特征进行匹配，区分像素点，比较匹配度；最后，通过计算面部肤色面积和身体轮廓大小区分学生是否听课，统计出视频序列帧中的听课学生数量。实验证明，本方法可以较准确地分析与统计出中学生的听课情况，抗干扰能力比较强。

1 研究的背景与意义

为有效地管理学生，提高教学质量，需要对学生的听课情况进行分析。本文的研究具有很大的可行性和现实意义：其一，通过分析学生的听课情况，制定合理的授课方法；其二，根据学生听课效率随时间的变化关系，制定合理的上课时长；其三，高校学生人数众多，通过点名签到非常浪费时间，智能视频监控系统的统计方法可以有效避免这个问题；其四，可以通过学生的听课情况分析统计对学生进行成绩考核，以达到监督警醒作用；其五，在上课期间，实时监控听课学生人数，避免迟到早退，具有较高的应用价值。

2 目标检测技术

本文将通过增强图像，降低噪声影响，得到相对准确清晰的目标轮廓。笔者采用背景差法提取出区别于背景图像的目标图像，然后根据形态学滤波腐蚀膨胀等操作对目标图像进行去除噪声处理。

2.1 背景差法

背景差法需要利用图像中的像素特点构造背景模型，将转换后的图像序列中背景部分和目标部分分离出来，对两张图像的差分图像阈值化，实现提取运动目标物体的过程。实现背景差分的过程如下所示。

首先需要获取背景图像信息，建立背景模型；其次，目标图像与背景图像做差分运算，获取到目标所在位置；最后，规定一个合理的常数作为阈值，二值化差分图像，其过程如下图：其中Fb是背景模型，Fc是当前模型。

式中，为当前图像的像素信息，为背景图像的像素信息，是两者的差分图像。当时提取的是运动目标，提取的是背景图像。

2.2 形态学方法

腐蚀和膨胀是以集合作为基本运算单位的形态学方法。膨胀腐蚀公式如下式：

将集合A先做腐蚀操作后做膨胀操作称为开运算，可用于去除孤立的像素点，以实现图像平滑效果。

集合A先做膨胀操作后做腐蚀操作称为闭运算，可用于填补小孔洞，保持其位置和基本结构特性不发生改变，以达到图像平滑效果。

3 基于特征提取的听课人数统计

本文探讨了通过研究邻近位置上的诸多像素点的特征，区分出目标学生轮廓和轮廓内部像素点，完成检测目标的过程。此次设计包括以下几个部分：目标检测，特征提取，绘制轮廓，颜色特征匹配，听课情况分析与统计。

3.1 目标检测算法

本文采用非参数背景建模的方式。图像上所有像素点都要设定背景值，主要的算法有中值建模，均值建模方法。前者是一种改进后的取随机值算法，它通过多幅图像在同一点处的像素值排序，取中间值代替该点像素，比如VSAM（VideoSurveillance and Monitoring）。后者是一种计算多幅图像帧的同一个位置的像素的平均值来代替该像素点的值。分别对M帧图像的像素颜色值进行叠加，后取平均值作为背景像素所对应的RGB值。

3.2 RGB空间内的肤色分离

本文利用人体肤色和周围背景像素点的亮度差异，区分面部皮肤，计算判断为皮肤部分的像素点数量和面积，以此实现对学生听课情况的分析，统计肤色范围内的连通域个数作为学生听课人数。其中将RGB空间转化为YCbCr空间,此空间可以表示亮度以及红色和蓝色偏移量，容易得到颜色差，以便提取人体肤色特征。

在实验图像选取方面，本文采用结合颜色分布直方图的方法分析。其中颜色特征提取过程中容易出现两帧图像的颜色直方图几乎相同的问题，笔者采取计算欧式距离以及对颜色直方图采取平滑过滤的形式来解决。

3.3 人体轮廓提取

本文采用在肤色分离的基础上，增加对学生目标的轮廓检测，以提高检测质量，达成分析和统计的目的。笔者采用由最小外接矩形趋于人体轮廓的方式，实现轮廓描绘，此方法具有良好的平移，旋转以及尺度不变形。

4 实验分析与总结

本文使用的颜色匹配，轮廓提取方法能够较好识别目标物体，同时适应背景环境的动态变化，得到比较好的实验效果。并且由于通过有限的特征信息对目标进行判断，是依靠定位学生所在位置的信息没有变动来判断学生听课情况的，无法分析学生听课的具体情况，应该在此基础上，进一步研究面部表情识别，以判断学生听课的实际情况和统计听课学生人数。实验结果表明：在背景差检测出目标人体的前提下，结合肤色分离和轮廓提取的方法能很好地检测和识别背景，通过皮肤和背景图片灰度差异提取出完整的学生目标，有较好的鲁棒性。

文章来源：《中学生数理化》 网址: http://www.zxsslhzzs.cn/qikandaodu/2021/0525/723.html

上一篇：二次曲线方程化简问题的初等数学解法
下一篇：没有了