图像处理报告基于CNN的监控视频流的课堂签到系统

基于监控视频的 课堂自动签到系统

Contents

1设计概述 2

2模块功能 2

2.1数据集模块 2

2.2训练模块 2

2.3识别模块 3

3效果及结论 3

1设计概述

本系统为基于监控视频的课堂自动签到系统。旨在使用现成的视频监控摄像头来采集课堂图像并通过图像处理算法和深度学习算法来实现学生的自动签到。该系统高效,可节省老师课堂点名时间,推动教学信息化的发展。当然,该系统也可以用在会议等需要签到的场所,应用广泛。

2模块功能

该系统主要分为三个模块,分别的数据集模块,训练模块,识别模块。数据集模块主要任务是产生数据集,将事先采集分类好的数据添加上标签并整理成规范的数据集以供训练模块对数据集进行训练。训练模块的任务是使用卷积神经网络 CNN 对数据集进行学习并生成预测模型。识别模块主要是通过载入训练模块产生的模型对监控视频进行识别。各个模块的关系,如图1所示

Figure 1: 模块关系图

2.1数据集模块

数据集模块主要任务是产生数据集,将事先采集分类好的数据添加上标签并整理成规范的数据集以供训练模块对数据集进行训练,其具体流程如图2

Figure 2: 数据模块流程图

2.2训练模块

在训练模块中,将数据进行预处理,包括,从数据集中分出验证集和测试集,将数据集中的数据进行归一化,将标签值进行独热编码 (one-hot) 使其变成二进制的向量。

Feature Maps 1313

145728

Hidden units

Hidden Units 512

Outputs 30

Figure 3: 训练模块中的神经网络

接着,将数据装入如图3进行训练,其中,激活函数使用 relu,ANN 网络输出层使用 softmax。本模型基于 Keras,需 TensorFlow GPU 支持。

训练完成之后,将模型保存为.h5文件。

2.3识别模块

读取训练模块生成的.h5文件, 对实际视频监控进行识别。并将识别的结果用矩形框标记在人脸上,以查看识别准确性。

3效果及结论

模型的识别结果如图4-8所示,识别效果差强人意,能识别到的人,准确率较高。由于一开始设计,只用于识别 30 人,部分人脸没有建立数据库,后期可以继续扩大数据库至全班范围。数据库的大小,一定程度上,收到人脸检测器的影响,本实验使用的是 Opencv自带的,harr人脸检测器,其受光照影响比较大,需改进该人脸检测器,或者使用别的性能更优的高鲁棒性人脸检测器, 使得更多的人脸可以被采集到,这样才能保证人脸数据集的建立。一旦保证的数据集足够,且人 脸检测效果良好,神经网络的训练问题不大,可以得到比较全面的检测结果。

Figure 4: 识别结果 1

Figure 5: 识别结果 2

Figure 6: 识别结果 3

Figure 7: 识别结果 4

Figure 8: 识别结果 5

相关推荐
用户36005557900几秒前
Kestrel_VLLM - 43 · 默认化前的一次解耦:一个遮蔽 bug 与一次口径污染
人工智能
狒狒AI7 分钟前
DeepSeek Harness 插件生态拆解:31,259 个仓库与 93% 装不上的口径差
人工智能
AI前端工程狮8 分钟前
我把 MCP 长任务拆成三个工具,token 账单涨了 7 倍
javascript·人工智能·程序员
阿里云大数据AI技术10 分钟前
如何用 STAROps Elasticsearch 智能助手看穿“搜索变慢”
人工智能·agent
用户3214687511113 分钟前
不会编程也能考AI证书?应用型与技术型认证的门槛差在哪
人工智能
程序员cxuan23 分钟前
GPT-6.2 Astra 发布了,但口碑崩了。。。
人工智能·后端·程序员
SelectDB25 分钟前
让数据更易查、更好用:正泰集团基于 SelectDB 的 AI 应用实践
人工智能
字节跳动数据库38 分钟前
火山引擎缓存数据库:如何构建超大规模缓存集群的无感弹性能力
数据库·人工智能·后端
阿里云大数据AI技术39 分钟前
MaxAgent 实战课堂(二):从单作业诊断到作业定时巡检
人工智能