一种降低录播系统学生行为分析误判的方法和装置的制造方法
【专利摘要】本发明公开了一种降低录播系统学生行为分析误判的方法，所述方法包括：将运动数据输入预先处理器进行预处理；将处理后的运动属性传输至训练器和分析器；所述训练器进行模型训练，以得到决策模型；所述分析器分析各个行为模型。本发明提供一种机器学习的方法来就降低学生行为分析误判的方法，由数据预处理器、模型训练器、分析器组成，通过对预处理器的数据进行训练，系统根据教学环境学校一个行为分析模型，完成行为分析自动检测，这样避免了参数法所需要的大量参数设置，引起误判的问题。
【专利说明】
一种降低录播系统学生行为分析误判的方法和装置
技术领域
[0001] 本发明涉及机器学习领域，尤其涉及一种降低录播系统学生行为分析误判的方法 和装置。
【背景技术】
[0002] 教学录播系统需要分析学生课堂动作行为，根据行为决定拍摄策略，目前市场技 术方案总体是采用参数法，根据分析学生运动轨迹，设定一些阀值和参数，对学生站立和坐 下进行判断。这种方法主要弊端是，教学环境往往比较复杂，需要与拍摄景深、广角、站立姿 势、时间等因素影响，需要设置参数非常多，各种参数的组合非常大，一方面施工难度非常 大，另外一方面设置不准确容易导致系统误判。本发明提供一种机器学习的方法来就降低 学生行为分析误判的方法，由数据预处理器、模型训练器、分析器组成，通过对预处理器的 数据进行训练，系统根据教学环境学校一个行为分析模型，完成行为分析自动检测，这样避 免了参数法所需要的大量参数设置，引起误判的问题。
【发明内容】
[0003] 基于此，本发明提供了一种降低录播系统学生行为分析误判的方法和装置。
[0004] -种基于机器学习技术降低录播系统学生行为分析误判的方法，所述方法包括：
[0005] 将运动数据输入预先处理器进行预处理；
[0006] 将处理后的运动属性传输至训练器和分析器；
[0007] 所述训练器进行模型训练，以得到决策模型；
[0008] 所述分析器分析各个行为模型。
[0009] 在其中一个实施例中，所述将运动数据输入预先处理器进行预处理的步骤包括： [0010]角点运动聚类分区；
[0011] 提取所述分区形成局部运动；
[0012] 计算局部运动运动属性；
[0013] 将运动属性传输给训练器和分析器。
[0014] 在其中一个实施例中，所述训练器进行模型训练，以得到决策模型包括：
[0015] 选择13点进行训练:其中，至少选择13个点作为正样板训练，随机选择9-20个点作 为负样板训练正样本13个点位为拍摄区域的中心，以及8个边角点以及2对角线1/4等分点。 如要分析学生站立，正样本为学生站立，负样本为其他动作；
[0016] 模型计算:首先根据第一步的样本按照表1的变量计算各个运动属性，计算行为信 息量，计算公式如下：
，pi(D)表示变量D为i的概率；
[0017] 计算表1所有变量的信息增益：
其中v(A)表示需要计算的变量的属性值的个数，p (D( i))表示变量A的第i个值对应的D的子集D( i)在D变量值集合的占比。
[0018]根据信息增益最大的变量构建决策树左右分支，完成决策树构建。
[0019] 在其中一个实施例中，所述方法还包括：
[0020] 分析器将需要分析的各个行为模型，采用链表的形式链接在一起，形成分析模型 链；
[0021 ]从分析模型链的第一个节点开始，将预处理器计算好的运动属性，依次通过训练 好的模型决策树，得到最好的行为决策。如果当前模型行为分析结果为真，则分析器停止分 析输出结果，否则分析器从分析模型链取下一个行为分析模型，继续分析，直到分析完成。 [0022] -种基于机器学习技术降低录播系统学生行为分析误判的装置，所述装置包括： [0023]预处理模块，用于将运动数据输入预先处理器进行预处理；
[0024]传输模块，用于将处理后的运动属性传输至训练器和分析器；
[0025] 训练模块，用于进行模型训练，以得到决策模型；
[0026] 分析模块，用于分析各个行为模型。
[0027]在其中一个实施例中，所述预处理模块包括：
[0028] 运动单元，用于角点运动聚类分区；
[0029] 提取单元，用于提取所述分区形成局部运动；
[0030] 计算单元，用于计算局部运动运动属性；
[0031] 传输单元，用于将运动属性传输给训练器和分析器。
[0032] 在其中一个实施例中，所述训练模块包括：
[0033] 选择训练单元，用于选择13点进行训练:其中，至少选择13个点作为正样板训练， 随机选择9-20个点作为负样板训练正样本13个点位为拍摄区域的中心，以及8个边角点以 及2对角线1/4等分点。如要分析学生站立，正样本为学生站立，负样本为其他动作；
[0034] 模型计算单元，用于模型计算:首先根据第一步的样本按照表1的变量计算各个运 动属性，计算行为信息量，计算公式如下：
[0036] 计算单元，用于计算表1所有变量的信息增益：
[0037]
v(A)表示需要计算的变量的属性值的个数，p(D(i))表示变量A的第i个值对应的D的子集D (i)在D变量值集合的占比。
[0038] 构建单元，用于根据信息增益最大的变量构建决策树左右分支，完成决策树构建。
[0039] 在其中一个实施例中，所述装置还包括：
[0040] 分析模块，用于将需要分析的各个行为模型，采用链表的形式链接在一起，形成分 析模型链；
[0041] 分析输出模块，从分析模型链的第一个节点开始，将预处理器计算好的运动属性， 依次通过训练好的模型决策树，得到最好的行为决策，如果当前模型行为分析结果为真，则 分析器停止分析输出结果，否则分析器从分析模型链取下一个行为分析模型，继续分析，直 到分析完成。
[0042] 有益效果：
[0043] 本发明公开了一种降低录播系统学生行为分析误判的方法，所述方法包括:将运 动数据输入预先处理器进行预处理;将处理后的运动属性传输至训练器和分析器;所述训 练器进行模型训练，以得到决策模型;所述分析器分析各个行为模型。本发明提供一种机器 学习的方法来就降低学生行为分析误判的方法，由数据预处理器、模型训练器、分析器组 成，通过对预处理器的数据进行训练，系统根据教学环境学校一个行为分析模型，完成行为 分析自动检测，这样避免了参数法所需要的大量参数设置，引起误判的问题。
【附图说明】
[0044]为了更清楚地说明本发明运行原理和使用的技术方案，下面将对运行原理和使用 的技术中所需要使用的附图作简单地介绍。显而易见，下面描述中的附图仅仅是本发明的 一些运行例子，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据 这些附图获得其它的附图。
[0045] 图1是本发明的一种降低录播系统学生行为分析误判的装置的方法流程图。
[0046] 图2是本发明的一种降低录播系统学生行为分析误判的装置框图。
【具体实施方式】
[0047] 下面将结合本发明运行原理中的附图，对本发明实施例中的技术方案进行清楚、 完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基 于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其 他实施例，都属于本发明保护的范围。
[0048] 请参照图1，一种降低录播系统学生行为分析误判的方法，所述方法包括：
[0049] S101:将运动数据输入预先处理器进行预处理；
[0050] S102:将处理后的运动属性传输至训练器和分析器；
[0051 ] S103:所述训练器进行模型训练，以得到决策模型；
[0052] S104:所述分析器分析各个行为模型。
[0053]在其中一个实施例中，所述将运动数据输入预先处理器进行预处理的步骤包括： [0054]角点运动聚类分区；
[0055] 提取所述分区形成局部运动；
[0056] 计算局部运动运动属性；
[0057]将运动属性传输给训练器和分析器。
[0058]在其中一个实施例中，所述训练器进行模型训练，以得到决策模型包括：
[0059]选择13点进行训练:其中，至少选择13个点作为正样板训练，随机选择9-20个点作 为负样板训练正样本13个点位为拍摄区域的中心，以及8个边角点以及2对角线1/4等分点。 如要分析学生站立，正样本为学生站立，负样本为其他动作；
[0060]模型计算:首先根据第一步的样本按照表1的变量计算各个运动属性，计算行为信 息量，计算公式如下
，pi(D)表示变量D为i的概率；
[0061] 计算表1所有变量的信息增益
，其中v(A)表示需要计算的变量的属性值的个数，p (D( i))表示变量A的第i个值对应的D的子集D( i)在D变量值集合的占比。
[0062] 根据信息增益最大的变量构建决策树左右分支，完成决策树构建。
[0063] 在其中一个实施例中，所述方法还包括：
[0064] 分析器将需要分析的各个行为模型，采用链表的形式链接在一起，形成分析模型 链；
[0065] 从分析模型链的第一个节点开始，将预处理器计算好的运动属性，依次通过训练 好的模型决策树，得到最好的行为决策。如果当前模型行为分析结果为真，则分析器停止分 析输出结果，否则分析器从分析模型链取下一个行为分析模型，继续分析，直到分析完成。
[0066] 请参照图2,一种降低录播系统学生行为分析误判的装置，所述装置包括：
[0067] 预先处理器100，用于将运动数据输入预先处理器进行预处理；
[0068]传输模块，用于将处理后的运动属性传输至训练器和分析器；
[0069] 模型训练器200,用于进行模型训练，以得到决策模型；
[0070] 分析器300，用于分析各个行为模型。
[0071 ]在其中一个实施例中，所述预处理模块包括：
[0072] 运动单元，用于角点运动聚类分区；
[0073] 提取单元，用于提取所述分区形成局部运动；
[0074] 计算单元，用于计算局部运动运动属性；
[0075] 传输单元，用于将运动属性传输给训练器和分析器。
[0076] 在其中一个实施例中，所述训练模块包括：
[0077] 选择训练单元，用于选择13点进行训练:其中，至少选择13个点作为正样板训练， 随机选择9-20个点作为负样板训练正样本13个点位为拍摄区域的中心，以及8个边角点以 及2对角线1/4等分点。如要分析学生站立，正样本为学生站立，负样本为其他动作；
[0078] 模型计算单元，用于模型计算:首先根据第一步的样本按照表1的变量计算各个运 动属性，计算行为信息量，计算公式如下：
[0080]计算单元，用于计算表1所有变量的信息增益：
[0081 ]
其中 v(A)表示需要计算的变量的属性值的个数，p(D(i))表示变量A的第i个值对应的D的子集D (i)在D变量值集合的占比。
[0082] 构建单元，用于根据信息增益最大的变量构建决策树左右分支，完成决策树构建。
[0083] 在其中一个实施例中，所述装置还包括：
[0084]分析模块，用于将需要分析的各个行为模型，采用链表的形式链接在一起，形成分 析模型链；
[0085]分析输出模块，从分析模型链的第一个节点开始，将预处理器计算好的运动属性， 依次通过训练好的模型决策树，得到最好的行为决策，如果当前模型行为分析结果为真，则 分析器停止分析输出结果，否则分析器从分析模型链取下一个行为分析模型，继续分析，直 到分析完成。
[0086]本发明公开了一种基于机器学习技术降低录播系统学生行为分析误判的方法，所 述方法包括:将运动数据输入预先处理器进行预处理;将处理后的运动属性传输至训练器 和分析器;所述训练器进行模型训练，以得到决策模型;所述分析器分析各个行为模型。本 发明提供一种机器学习的方法来就降低学生行为分析误判的方法，由数据预处理器、模型 训练器、分析器组成，通过对预处理器的数据进行训练，系统根据教学环境学校一个行为分 析模型，完成行为分析自动检测，这样避免了参数法所需要的大量参数设置，引起误判的问 题。
[0087]以上对本发明运行原理进行了详细介绍，上述运行原理的说明只是用于帮助理解 本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具 体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明 的限制。
[0088]所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能 模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模 块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功 能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过 程，在此不再赘述。
[0089]所述作为分离部件说明的单元可以使或者也可以不是物理上分开的，作为单元显 示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个 网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案 的目的。
[0090] 另外，在本发明各个实施例中的各功能单元可以集成在一个芯片单元中，也可以 是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元上。上述集成的单 元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0091] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用 时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上 或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式 体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机 设备(可以是个人计算机，服务器或者网络设备等)或处理器(processor)执行本发明各个 实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器 (R0M，Read_0nly Memory)、随机存取存储器（RAM，Random Access Memory)、磁碟或者光盘 各种可以存储程序代码的介质。
[0092] 应当理解，本发明的实施方式的各部分可以用硬件、软件、固件或他们的组合来实 现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统 执行的软件或固件来实现。例如，如果用硬件来实现，和在另一个实施方式中一样，可用本 领域公知的下列技术中的任一项或他们的组合来实现;具有用于对数据信号实现逻辑功能 的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵 列（PGA)，现场可编程门阵列(FPGA)。以上对本发明运行原理进行了详细介绍，上述运行原 理的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人 员，依据本发明的思想，在【具体实施方式】及应用范围上均会有改变之处，综上所述，本说明 书内容不应理解为对本发明的限制。
【主权项】
1. 一种降低录播系统学生行为分析误判的方法，其特征在于，所述方法包括： 将运动数据输入预先处理器进行预处理； 将处理后的运动属性传输至训练器和分析器； 所述训练器进行模型训练，W得到决策模型； 所述分析器分析各个行为模型。2. 根据权利要求1所述的方法，其特征在于，所述将运动数据输入预先处理器进行预处 理的步骤包括： 角点运动聚类分区； 提取所述分区形成局部运动； 计算局部运动运动属性； 将运动属性传输给训练器和分析器。3. 根据权利要求1所述的方法，其特征在于，所述训练器进行模型训练，W得到决策模 型包括： 选择13点进行训练:其中，至少选择13个点作为正样板训练，随机选择9-20个点作为负 样板训练正样本13个点位为拍摄区域的中屯、，W及8个边角点W及2对角线1/4等分点。如要 分析学生站立，正样本为学生站立，负样本为其他动作； 模型计算：首先根据第一步的样本按照表1的变量计算各个运动属性，计算行为信息 量，计算公式如下ipi(D)表示变量D为i的概率； 计算表1所有变量的信息增益其中v(A)表示需要计算的变量的属性值的个数，P (D( i))表示变量A的第i个值对应的D的子集D( i)在D变量值集合的占比。 根据信息增益最大的变量构建决策树左右分支，完成决策树构建。4. 根据权利要求1所述的方法，其特征在于，所述方法还包括： 分析器将需要分析的各个行为模型，采用链表的形式链接在一起，形成分析模型链； 从分析模型链的第一个节点开始，将预处理器计算好的运动属性，依次通过训练好的 模型决策树，得到最好的行为决策。如果当前模型行为分析结果为真，则分析器停止分析输 出结果，否则分析器从分析模型链取下一个行为分析模型，继续分析，直到分析完成。5. -种降低录播系统学生行为分析误判的装置，其特征在于，所述装置包括： 预处理模块，用于将运动数据输入预先处理器进行预处理； 传输模块，用于将处理后的运动属性传输至训练器和分析器； 训练器，用于进行模型训练，W得到决策模型； 分析器，用于分析各个行为模型。6. 根据权利要求5所述的装置，其特征在于，所述预处理模块包括： 运动单元，用于角点运动聚类分区； 提取单元，用于提取所述分区形成局部运动； 计算单元，用于计算局部运动运动属性； 传输单元，用于将运动属性传输给训练器和分析器。7. 根据权利要求5所述的装置，其特征在于，所述训练模块包括： 选择训练单元，用于选择13点进行训练:其中，至少选择13个点作为正样板训练，随机 选择9-20个点作为负样板训练正样本13个点位为拍摄区域的中屯、，W及8个边角点W及2对 角线1/4等分点。如要分析学生站立，正样本为学生站立，负样本为其他动作； 模型计算单元，用于模型计算:首先根据第一步的样本按照表1的变量计算各个运动属 性，计算行为信息量，计算公式如下：，pi(D)表示变量D为i的概率； 计算单元，用于计算表1所有变量的信息增益：其中v(A) 表示需要计算的变量的属性值的个数，P(D(i))表示变量A的第i个值对应的D的子集D(i)在 D变量值集合的占比。 构建单元，用于根据信息增益最大的变量构建决策树左右分支，完成决策树构建。8. 根据权利要求5所述的装置，其特征在于，所述装置还包括： 分析模块，用于将需要分析的各个行为模型，采用链表的形式链接在一起，形成分析模 型链； 分析输出模块，从分析模型链的第一个节点开始，将预处理器计算好的运动属性，依次 通过训练好的模型决策树，得到最好的行为决策，如果当前模型行为分析结果为真，则分析 器停止分析输出结果，否则分析器从分析模型链取下一个行为分析模型，继续分析，直到分 析完成。
【文档编号】G06N99/00GK106096666SQ201610483061
【公开日】2016年11月9日
【申请日】2016年6月24日
【发明人】邓剑鸿, 孙铨
【申请人】惠州紫旭科技有限公司