基于深度学习的学生课堂异常行为检测与分析系统

视频分析技术已越来越多的用于视频监控等领域,为了对学生听课状况进行有效的监督和管理,项目构建了一个检测、统计学生课堂异常行为的辅助教学管理系统。通过基于VGG预训练网络模型迁移学习,来提取学生课堂异常行为特征,实现对玩手机、睡觉等异常行为的检测分析。系统在测试集上的平均识别正确率达到了85.2775%,其中识别睡觉95.1510%,识别正常90.5490%,识别玩手机70.1334%。基于背景差分提取目标区域,使系统可以识别视频中多个目标;通过连续的识别和统计,界定学生异常行为,最后自动生成成课堂行为分析报告。结果表明,卷积神经网络能够对目标特征进行特征提取,适应复杂的环境。该方法可实现对学生课堂异常行为的准确监测,具有适用性强、抗干扰的特点。