[发明专利]一种基于线下课堂监控的出勤率检测方法及系统

权利要求书

1.一种基于线下课堂监控的出勤率检测方法，其特征在于包括：

训练人头人体联合检测网络模型，采用加权联合损失对模型的权重进行优化；

获取线下课堂监控视频，间隔一定帧数抽取关键帧图像；

将关键帧图像输入至训练好的人头人体联合检测网络模型中从而得到人头候选框；

采用后处理算法去除候选框中的重复框、背景框和不合理框，从而得到当前关键帧中包含的人数；

将关键帧中检测到的人数除以上课应到人数从而获得此关键帧对应的出勤率。

2.根据权利要求1所述的方法，其特征在于：在训练人头人体联合检测网络模型时：

根据人头、人体上半身同时出现并成一定比例原理，根据每个人头框自动成比例生成相应的人体框从而获得带有人头框、人体框标注的数据集，并将该数据集按比例分为训练集和验证集；

建立人头人体联合检测网络模型，该模型包括骨干网络和FPN模块，其中骨干网络用于提取不同分辨率下的特征响应图，包括一系列连续的CPM模块和CBL模块，所述FPN模块对特征响应图进行上采样和加和处理，

将训练集输入人头人体联合检测网络模型中，提取不同分辨率的特征信息并进行融合从而输出人头框、人体框的候选框坐标；

将人头框、人体框的实际坐标与模型预测出的候选框进行对比获得加权联合损失，基于加权联合损失对模型的权重进行优化。

3.根据权利要求1所述的方法，其特征在于：采用加权联合损失对人头人体联合检测网络模型的权重进行优化时，其中加权联合损失表示为：

其中，i代表第i个框，m的取值为0，1，分别代表人头、人体，p为候选框的类别概率，t为候选框的坐标信息；

人头、人体的损失计算公式如下：

其中，L_c是分类的对数损失，L_r是坐标的均方误差，p*，t*分别表示真实标签的类别概率、坐标信息，λ_m、α_m分别表示对应的权重；

根据加权联合损失采用随机梯度下降法对模型的权重进行优化。

4.一种基于线下课堂监控的出勤率检测方法系统，其特征在于：包括：

训练模块，对人头人体联合检测网络模型进行训练，采用加权联合损失对模型的权重进行优化；

关键帧提取模块，用于获取课堂视频的关键帧图像；

人头检测模块，用于检测关键帧中的人头候选框；

后处理模块，用于去除候选框中的重复框、背景框以及不合理框，获得关键帧中的人头数；

输出模块，根据关键帧中检测到的人数计算出勤率并进行输出。