[发明专利]一种基于监控摄像头的教室考勤统计系统

权利要求书

1.一种基于监控摄像头的教室考勤统计系统，其特征在于：它的考勤统计系统包含如下流程：S101：首先，利用机器学习的方法，学习出一个人体上半身模型；S102：利用S101中的模型来对教室监控视频中的图像进行识别，从而计算出该教室的学生人数；S103：通过和学校教务系统中每个教室的应到人数进行对比，从而计算出迟到人数、旷课人数、以及到课率。

2.根据权利要求1所述的一种基于监控摄像头的教室考勤统计系统，其特征在于：所述S101：利用机器学习的方法，学习出一个人体上半身模型，其步骤如下：

(1.1)、采集正样本集合PS和负样本集合NS；所述的正样本是指包含人体上半身的图像，负样本是指不包含人体上半身的图像；

(1.2)、对正样本和负样本提取特征；

(1.3)、对所有的正样本和负样本提取特征后，把特征的值写入一个文本文件，然后采用机器学习中著名的支持向量机方法来进行学习，从而得到一个能够识别人体上半身的模型M。

3.根据权利要求1所述的一种基于监控摄像头的教室考勤统计系统，其特征在于：所述S102：利用S101中的模型来对教室监控视频中的图像进行识别，从而计算出该教室的学生人数；即为：利用模型M来对教室监控视频中的图像进行识别，并优化模型M，得到新的模型M’,从而计算出该教室的学生人数；具体步骤如下：

(2.1)、对监控视频中的每一帧图像，利用步骤S101中学习好的模型，再利用图像识别领域著名的滑动窗口技术，即可识别出人在该图像中的具体位置，具体过程如下：

(2.1.1)、设定滑动窗口的大小和正负样本的图像大小一致，即32×32像素；对于监控视频中的每一帧图像滑动窗口在该图像上从左至右，然后从上到下进行滑动，每滑动一次即截取和窗口大小一致的子图像，对该子图像，利用步骤S101中学习好的模型M来判断该子图像中是否包含人体，如果包含人体，则判断的值为+1，否则为-1；滑动窗口每次滑动的距离设定为8个像素；

(2.1.2)、由于滑动窗口每次滑动的距离设定为8个像素，而在监控视频中，人体上半身的大小通常为32×32，这会导致有多个被模型M判断值为+1的滑动窗口对应到同一人体；此时，再利用极大值抑制的方法来对这多个窗口进行合并，使得同一人体只对应一个滑动窗口；从而识别出该图像帧中所用人体的具体位置；

(2.2)、优化模型M，得到新的模型M’；由于利用步骤(2.1)中的方法只能识别出图像中的大部分人体，会出现漏检和误检，为了减少漏检和误检的情况出现，需要对模型M进行优化，具体过程如下：

(2.2.1)、建立一个新的教室监控图像集合S，该集合包含的图像数量为N；

(2.2.2)、采用步骤(2.1)中所述的方法来对集合S中的每一张图像进行识别，然后对识别结果进行人工筛查，把漏检的人体上半身区域加入步骤(1.1)中的正样本集合PS，把误检的区域加入步骤(1.1)中的负样本集合NS，然后再采用步骤(1.2)和(1.3)中的方法，对模型M进行重新学习，从而得到优化后的模型M’。

4.根据权利要求1所述的一种基于监控摄像头的教室考勤统计系统，其特征在于：所述S103：通过和学校教务系统中每个教室的应到人数进行对比，从而计算出迟到人数、旷课人数、以及到课率的方法：采用步骤(2.2)中优化后的模型M’，再利用步骤(2.1)中所述的方法来对监控图像进行识别，即可得到该图像中人体的数量，由此计算到课率、迟到人数、以及旷课人数，具体步骤如下：

(3.1)、统计每个教室的到课率：在上课时间T把所有教室的在T时间点的监控图像上传至统计系统，利用步骤(2.1)中所述的方法来对监控图像进行识别，可得到教室中的学生人数NUM1，再和教务系统中的应到人数NUM0进行对比，即可计算出到课率；

(3.2)、在上课时间T后10-20分钟，再把该时间点的监控图像上传至统计系统，得到该时间点的学生人数NUM2，NUM2-NUM1即为迟到人数，NUM0-NUM2即为旷课人数。