时序相关性异常识别：课堂行为的二级递推方法

本文主要探讨了如何利用深度信念网络（DBN）和方向梯度直方图（HOG）特征来识别课堂中的异常行为，并引入了时序相关性和二级递推的概念，以提高识别准确率。这种方法尤其适用于处理运动模糊和目标密集遮挡的复杂场景。 在异常行为识别领域，人体的行为特征至关重要，特别是与运动相关的特性。文章提出了一种基于时间上下文的二级递推异常行为识别方法。首先，通过HOG算法提取图像的形状特征，这是由于HOG特征能有效捕捉物体的轮廓和形状信息，对于行为分析特别有用。这些特征随后被用于训练DBN网络，DBN是一种无监督预训练的深度学习模型，能够学习和捕获数据的高级抽象表示。 训练完成后，DBN网络与Softmax分类器相结合，用于识别出图像中的人体粗目标区。Softmax分类器是多分类问题中常用的一种概率模型，它能够为每个类别提供一个概率输出，从而帮助确定最可能的类别。接着，利用粗目标区域的时序上下文信息，计算质心加速度。时序相关性的考虑使得系统能够理解行为随时间的变化，这对于识别连续的行为序列至关重要。 通过计算加速度并设定阈值，可以进一步精确地识别出异常行为的精目标区。这种二级递推方法首先粗略定位异常行为，然后逐步细化，提高了识别的精确度，尤其是在动态模糊和遮挡情况下。 实验结果显示，该方法在课堂行为识别上表现优越，识别率显著优于其他方法。这表明，该技术对于课堂动态管理和学习效果评估具有辅助作用。通过对课堂异常行为的分析，可以更好地理解学生的行为模式，有助于及时发现和处理问题，从而提升教学质量和效果。 关键词：DBN网络、HOG特征、时序相关性、二级递推、异常行为 引用格式：王明芬，卢宇。融合时序相关性的课堂异常行为识别。计算机系统应用，2020，29(3)：173–179。http://www.c-s-a.org.cn/1003-3254/7305.html 此研究为课堂监控和行为分析提供了新的思路，未来可能的应用还包括校园安全、远程教育等领域。通过不断优化和改进，这种技术有望实现更加智能化和精准化的课堂管理。