Akıllı Sınıf Kayıt ve Yayın Sisteminde Görüntü Tanıma Teknolojisinin Uygulanması Üzerine Araştırma
"İnternet + Eğitim" stratejisinin uygulanması ve eğitim ve öğretim reformunun derinleştirilmesinin arka planı altında, akıllı sınıflar inşa etmek, okulların öğretim ortamını yenilemesi ve yetenek eğitiminin kalitesini iyileştirmesi için kaçınılmaz bir seçimdir. Mikro sınıflar ve MOOC'lar gibi mobil öğrenme yöntemlerinin yükselişiyle, modern eğitim teknolojisini öğretim hayatına entegre etmek ve öğretim reformunu teşvik etmek, eğitim endüstrisinde sıcak bir nokta haline geldi.
Geleneksel kayıt yöntemlerinin, insanların yüksek kaliteli öğretim kaynaklarına olan ihtiyaçlarını karşılamak zordur Akıllı sınıflar, tüm öğretim sürecinin kaydını akıllı ve verimli bir şekilde tamamlayabilir ve farklı ihtiyaçlara göre ilgili öğretim dosyalarını oluşturabilir. Kayıt ve yayın sistemine dayanan akıllı sınıf, sonuçları öğretmek için mükemmel bir görüntüleme platformu haline geldi ve mobil öğrenme modellerinin geliştirilmesini daha da teşvik etti.
1 Kayıt sistemine genel bakış
1.1 Otomatik kayıt ve yayın sistemine genel bakış
Otomatik kayıt ve yayın sistemi temel olarak üç alt sistemden oluşur: izleme ve konumlandırma sistemi, ses ve video sinyali alma ve işleme sistemi ve kayıt ve yayın ana kontrol sistemi. Kayıt ve yayın sistemi, öğretim sürecini tamamen kaydedebilir ve öğretim süresine göre öğretme videolarını otomatik olarak oluşturabilir.Çok kanallı orijinal dosya saklama modu, düzenlemeyi daha kolay hale getirir. Kayıt ve yayın sistemi sadece canlı yayın şeklinde eğitim sağlamakla kalmaz, aynı zamanda internette defalarca yayın yapar.
1.2 Kayıt ve yayın sisteminde izleme teknolojisi
İzleme teknolojisi, kayıt sisteminin temel teknolojilerinden biridir ve ana işlevi, sınıftaki öğretmenleri ve öğrencileri izlemektir. Kaydedilen resim kalitesi, izleyicinin öğrenme deneyimini doğrudan etkiler ve görüntü izlemenin doğruluğu ve gerçek zamanlılığı, resim kalitesini etkileyen önemli faktörlerdir. Bugün dört ana izleme teknolojisi vardır:
(1) Kızılötesi sensör izleme
Bu teknoloji, öğretmenlere ve öğrencilere yerleştirilen kızılötesi sinyal kaynaklarını kullanır ve alınan kızılötesi sinyallere göre hedef izleme ve konumlandırma gerçekleştirir ve ilgili kamera çekim yönünü ayarlar. Yardımcı ekipman gerektiren bu izleme teknolojisi akıllı değildir, sinyal gönderme ve alma cihazı kullanışsızdır ve uygulama kapsamını sınırlayan düğüm sinyalindeki değişiklikleri ince bir şekilde bilmek imkansızdır.
(2) Ultrasonik konumlandırma teknolojisi
Ultrasonik konumlandırma ve kızılötesi algılama teknolojisi prensipte benzerlik gösterir.Farkı, kullanılan sinyal kaynağının kızılötesi yerine ultrasonik olması ve kurulum yerinin insan vücudundan tahta masa ve sandalyeye taşınmasıdır. Bu teknolojinin kullanımı basit ve teknolojide olgunlaşsa da, konunun yüksekliğini belirlemek imkansızdır ve çekimin doğruluğu garanti edilemez.
(3) Uzamsal ızgara konumlandırma teknolojisi
Uzamsal ızgara bölümü, bir sınıfın üç boyutlu alanını birden çok dikdörtgen ızgaralar içeren üç boyutlu bir alana bölmek ve hesaplayarak öğretmenlerin ve öğrencilerin üç boyutlu koordinatlarını izlemektir. Bu, öğretmen-öğrenci etkileşiminin ayrıntılarını doğru bir şekilde yakalayabilen daha gelişmiş bir teknolojidir. Yüksek kurulum maliyeti ve kurulum performansı için yüksek gereksinimler nedeniyle, bu teknoloji yaygın olarak kullanılmamaktadır.
(4) Görüntü tanıma teknolojisi
İlk üç izleme ve konumlandırma teknolojisinin tümü, sistemin entegrasyonuna elverişli olmayan ve donanım ekipmanını kontrol ederek sistem maliyetlerini azaltamayan yardımcı ekipmana dayanmaktadır. Görüntü konumlandırma teknolojisi, ekranda öğretmenler ve öğrenciler arasındaki farkları otomatik olarak tanımlayabilir ve dinamik olarak izleyebilir. Bu teknolojinin özel bir sinyal cihazı ile donatılmasına gerek yoktur ve birden fazla malzeme girişi de hesaplama ve optimizasyonu daha doğru hale getirir ve birçok izleme teknolojisinin en etkili yöntemlerinden biridir.
2 Akıllı sınıf kayıt sisteminin genel çerçevesi
2.1 Akıllı sınıf sistemi modeli
Görüntü tanıma teknolojisine dayalı akıllı sınıf sistemi, temel olarak fiziksel alan, interaktif alan, kaynak alanı ve veri entegrasyonundan oluşmaktadır.Sistem modeli Şekil 1'de gösterilmiştir.
2.2 Kayıt sistemi modeli
Kayıt ve yayın sistemi tarafından üretilen kayıt ve yayın kaynakları, akıllı sınıf sisteminin kaynak alanı inşasının ana kaynaklarından biridir.Sistem çerçevesi Şekil 2'de gösterilmektedir.
2.3 Sistemin her modülünün açıklaması
(1) Görüntü izleme ve konumlandırma modülü
Görüntü izleme modülü, sınıftaki öğretmen ve öğrencilerin tespit ve takibini tamamlamak için birbiriyle işbirliği yapan 4 alt modülden oluşmaktadır. Bu modül, öğretmenlerin ve öğrencilerin hareket yörüngesini akıllıca izlemek ve bulmak ve analiz etmek için sistemdeki kamerayı sürmek için görüntünün farkına göre ilgili kontrol stratejisiyle eşleşir, böylece öğretim sahnesinin, kamera geçişinin ve diğer ilgili kayıtların yakın çekimini gerçekleştirir. Aynı zamanda, farklı sahnelerde çok hedefli izleme ve kamera geçişi gerçekleştirebilir.
(2) Ses kaynağı yakalama ve işlem sonrası modülü
Ses kalitesi genellikle genel kayıt kalitesini belirler. Sınıf gürültüsü ve arka plan sesi düzgün şekilde işlenmezse, etkili ses kaynağının netliği azalacaktır. Kayıt ve yayın sistemindeki ses dijital sinyal işleme, gürültü sorununu etkili bir şekilde çözebilir ve etkili ses optimizasyonunun etkisini elde edebilir. Sınıftaki birden fazla alıcı, ses sinyallerini toplar ve bunları ses ayrıştırma işlemi için ana kontrol sistemine göndererek kaydedilen videonun ses kalitesini iyileştirir.
(3) Ana kontrol modülünü kaydetme
Kayıt sisteminin temel modülü, kayıt ana kontrol modülüdür ve modüllerin geri kalanı ona hizmet eder. Kayıt ve yayın sunucusu, veri toplama, kaydetme ve yayınlama platformu yazılımı ile veri işlemeyi entegre eder, böylece sistem son derece entegre olur ve sistemin minyatürleştirilmesini gerçekleştirebilir ve operasyonu kolaylaştırabilir. Kayıt ve yayın ana kontrol modülü, video ve ses için akıllı rehberlik, akıllı canlı yayın ve kameraların akıllı kontrolü gibi işlevleri de gerçekleştirebilir. Kayıt çerçevesi diyagramı Şekil 3'te gösterilmektedir.
3 Kontrol stratejisi
3.1 Ekran değiştirme stratejisi
Video kaydı yaparken, ekranın etkisine göre karakterlerin ekranını ve yakın planını değiştirmeniz gerekir; bu, kontrol merkezinin ekran değiştirme için kontrol stratejisini açıkça bilmesi ve ilgili girişe göre birden fazla video giriş kaynağı üzerinde veri gerçekleştirmesi gerektiği anlamına gelir. Değiştirmek. Öğretme sürecinin özelliklerine ve olası senaryolara göre Şekil 4'te gösterilen ekran değiştirme kontrol stratejisi verilmiştir.
3.2 Hedef izleme stratejisi
Kayıt ve yayın sisteminin zekası, esas olarak görüntüleri üç boyutlu alanı modellemek ve konumlandırma ve izlemeyi sağlamak için öğretmenlerin ve öğrencilerin üç boyutlu uzay koordinatlarını hesaplamak için kullanan hedef izleme stratejisine dayanır. Öğretmen ve öğrencilerin sınıftaki etkinlik alanları oldukça farklı olduğundan izleme stratejileri öğretmen ve öğrencilerin hareket özelliklerine göre formüle edilir.
(1) Öğrenci izleme stratejisi
Genel öğretim etkinliklerinde, çoğu öğrenci yalnızca tek bir ayağa kalkma ve soruları yanıtlama olayına sahip olacaktır.Genellikle, üç boyutlu uzayda yatay yer değiştirme olmadan yalnızca dikey yer değiştirmeyi gösterirler, bu nedenle yalnızca videonun bitişik çerçevelerinde olmaları gerekir. Öğrenci koltuğu görüntü alanının görüntü konturunun önemli ölçüde değişip değişmediğini belirleyin.
(2) Öğretmen izleme stratejisi
Öğretim sürecinde, çoğu zaman öğretmen baskın pozisyondadır, bu nedenle öğretmen öğretim sürecinde daha rahat hareket eder, ancak çoğu zaman her zaman platformun etrafında olur. Basitleştirilmiş model olması durumunda, sahnenin yatay uzayında öğretmenin konum bilgisi ve kontur yüksekliği bilgisi algılanır ve konumlandırma takibini gerçekleştirmek için bu bilgilere göre kamera ayarlanır.
4 Görüntü tanımaya dayalı hareketli hedef konumlandırma ve izleme algoritması
4.1 Algoritmaya genel bakış
Görüntü tanımaya dayalı hareketli hedef konum ve izleme algoritması, sınıftaki çok sayıda insanın ve karmaşık bir arka planın koşulu altında video akışı verilerindeki hedefi doğru bir şekilde tanıyabilir ve izleyebilir. Bu algoritma, elde edilen video akışı çerçeve dizisini ince bir şekilde böler ve çerçeve dizisinin işlenmesinde bir arka plan çerçeve farkı hedef saptama algoritması ve bir özellik tanıma hedefi izleme algoritması sunar. Algoritmanın genel akış şeması Şekil 5'te gösterilmektedir.
4.2 Hareketli hedefler için otomatik algılama algoritması
Hareketli nesne algılama algoritması, hareketli nesneleri görüntü çerçevesi dizisinin sabit arka planını kaldırarak algılayan görüntü bölümleme teknolojisine dayanmaktadır. Ancak, tespitin doğruluğu, sonraki hedef izleme ve davranış analizinin doğruluğunu da doğrudan etkileyen ışık değişiklikleri, kamera sarsıntısı ve arka plan değişiklikleri gibi faktörlerden etkilenir.
(1) Algoritma karşılaştırması
Hedef tespit algoritması, arka plan farkına göre statik arka plan ve dinamik arka plan olmak üzere iki kategoriye ayrılır. Akıllı sınıf kayıt sisteminde kullanılan kameralar tüm kayıt ve yayın süreci boyunca nispeten sabit olduğundan, bu özelliğe dayalı olarak sınıf hedef tespit algoritmasında statik bir arka plan kullanılır. Statik arka plana dayalı üç ana hedef algılama algoritması türü vardır ve bunların karşılaştırmaları Tablo 1'de gösterilmiştir.
(2) Geliştirilmiş arka plan çerçeve farkı hedef algılama algoritması
Akıllı sınıf kayıt sisteminde, aynı hedef için farklı arka plan kontrast karşılaştırmaları sağlayan ve bu da algılama doğruluğunu daha da artırabilen birden fazla video akışı veri toplama noktası vardır. Arka plan farkı yönteminin özü, hareketli hedefi ayırmak için video çerçeve görüntüsü ile önceden ayarlanmış arka plan arasındaki farkı kullanmaktır.
Gereksinimleri karşılayan bir arka plan modeli oluşturmak, ışık ve titreme gibi faktörlerin neden olduğu paraziti bir ölçüde azaltabilir. Akıllı sınıf arka planının özellikleri nedeniyle, Gauss arka plan modellemesi benimsenmiştir. Gauss arkaplan modellemesi, örnekleri modellemek için Gauss modellerinin bir karışımına dayanmaktadır Görüntü teorisine göre, sürekli bir video kare dizisindeki her piksel, temel gürültünün etkisi altında bir Gauss dağılımı sergileyecektir. Belirli kareler arasındaki piksel farkı eşiğin altında olduğunda, pikselin arka plan olarak belirgin bir değişikliği olmadığı düşünülür; aksi takdirde hedef hareket alanıdır ve sistem modeli parametreleri de hedef hareketle güncellenmelidir.Parametreler formül (1) ve formül (2) olarak güncellenir. Gösterildi.
Formülde, ve sırasıyla ortalama ve varyansı temsil eder, K belirli bir çerçevedir, bir ölçek faktörüdür ve (x, y) belirli bir çerçevedeki bir konum noktasıdır.
Ölçek faktörünün (a) güncellenmesi, algoritmanın sürekli video çerçeve görüntülerinde arka planı zamanında yenilemesini ve böylece video çerçeve dizisinde hedefin gerçek zamanlı tespitini gerçekleştirmesini sağlayacaktır. Akıllı sınıfta çok sayıda ultra net kamera tarafından toplanan video verileri, algoritmaya yeterince kapsamlı ve net arka plan karşılaştırma verileri de sağlar. Bununla birlikte, fark yöntemi hedef hızın değişikliğine duyarlı değildir ve arka planı gerçek zamanlı olarak güncellemek zordur, bu da dinamik hedef izleme sürecinde düşük gerçek zamanlı performansına yol açar.
Çerçeve farkı yönteminin özü, hedef hareketini tespit etmek ve mevcut çerçeve boyunca arka plan çerçevesini güncellemek için farklı görüntü çerçeveleri arasındaki farkı karşılaştırmaktır. Geçerli çerçevenin ve önceki çerçevenin aynı anda düğüm t olduğunu varsayarsak, aynı konumdaki (x, y) gri değerler sırasıyla K (x, y, t) ve K (x, y, t-1) olur ve farkı geçer Değer işlemi formül (3) alabilir:
Çerçeve farkı yönteminin odak noktası, bitişik çerçeveler arasındaki farkı karşılaştırmaktır.Öğretmenler ve öğrenciler alanda hareket ettiklerinde, bitişik çerçeveler arasındaki fark daha açık hale gelecektir, bu nedenle çerçeve farkı yöntemi, hareketli hedefler hakkında daha açık bir algıya sahip olacaktır. İşlenmiş sınıf kayıt videosunun daha hızlı bir kare hızı vardır ve hedef izleme için kare farkı yönteminin kullanılması, ışığın algılama üzerindeki etkisini büyük ölçüde azaltabilir.
Çerçeve farkı yöntemi, hareket alanını daha kararlı bir şekilde tanımlayabilse de, bitişik çerçevelerin karşılaştırılmasına yaptığı vurgu, örnek boyutunu yetersiz kılar ve bölümlü hareket alanı delikleri oluşturmak kolaydır. Çerçeve farkı yönteminin ve arka plan farkı yönteminin bir arada kullanılması, yalnızca gerçek zamanlı performansın ve bölgesel boşlukların kötü olması sorunlarını çözmekle kalmaz, aynı zamanda algılama doğruluğunu da sağlar. Hedef, tüm grafik alanının yalnızca bir bölümünü işgal ettiğinden, görüntü bölümlere ayrıldığında hedefin yargılanması gerekir, bu nedenle karşılaştırma için yalnızca yararlı arka plan çerçeve bilgileri seçilir.Tüm yöntem akışı, Şekil 6'da gösterilir.
4.3 Hedef izleme algoritmasını taşıma
Hedef izleme algoritmasının temel fikri, tespit edilen hedefin sonraki izleme sürecinde kaybolmamasını sağlamaktır. Bu nedenle, hareketli hedef tespiti, işaretin tanımlanmasına ve analizine daha fazla önem verir ve artık hedefi ayırt etmek için yüksek hassasiyetli analiz ve konumlandırma gerektirmez.
4.3.1 Algoritma karşılaştırması
Hedef takibinin taşınması, sürekli görüntü çerçeveleriyle önceden işaretlenmiş bir hedefi hızlı bir şekilde bulmaktır Çekirdek, diferansiyel analiz değil, sonraki izlemede işareti açıkça görünür kılmak için etkili ve tanınabilir bir işaretleme yöntemidir. Mevcut dinamik izleme algoritmaları kabaca 4 kategoriye ayrılmıştır ve algoritma karşılaştırması Tablo 2'de gösterilmiştir.
4.3.2 HOG + Naive Bayes hedef izleme algoritması
Akıllı sınıfta, özellik noktalarının seçimini daha rafine hale getiren birden çok video veri giriş kaynağı açısı vardır. HOG + Naive Bayes hedef izleme algoritmasının en önemli adımı, video çerçeve verilerinde izlenen hedefin özellik çıkarılması ve eşleştirilmesidir. Bu yöntemin blok diyagramı Şekil 7'de gösterilmektedir.
4.3.3 Özellik çıkarma
Özellik çıkarma, izlenen hedefin tüm video kare görüntüsünde sabit kalabilen özellik noktalarını çıkarması gerekir. Özellik çıkarma, hedef izlemede en önemli adımdır.Özellik tanımayı etkin bir şekilde iyileştirmek için temel özellik noktalarını kavramak gerekir. Özellik genellikle bir türle sınırlı değildir ve birden çok özelliğin çıkarılması, algoritmanın doğruluğunu daha iyi artırabilir.
Özellik noktaları çıkarılırken, maksimum miktarda özellik bilgisi elde etmek için, bir yönelim gradyanları (HOG) histogramı benimsenir. HOG özelliği esas olarak izlenen hedefin yerel alanının gradyan yönünün histogramından oluşur Görüntünün yerel gradyan istatistiksel özellikleri, toplam özellik olarak birbirine dikilir ve kenar yoğunluğu dağılımı ve hedef görünümü izleme ve konumlandırma için kullanılır. Örnek girdi olarak HOG özellik tanıma algoritması kullanılır ve güncellemek ve filtrelemek için ağırlıklar çarpılır ve sınıflandırıcı görüntünün HOG özelliklerini toplamak için tasarlanmıştır.
Formülde gi, özellik değerlerinden oluşan sınıflandırıcıyı, d Bhattacharya mesafesini ve j eşiği temsil eder. Şekil 7'de gösterildiği gibi, algoritmanın girdisi olarak HOG özellik vektörü kullanılır.Sürekli eğitimden sonra, bir dizi zayıf sınıflandırıcı oluşturulur ve daha iyi bir hedef izleme sınıflandırıcısı oluşturmak için kademelendirilir.
4.3.4 Özellik eşleştirme
Özellik eşleştirme, özellik noktaları arasında en iyi eşleşmeyi elde etmek ve bu temelde hareketli hedefin takibini tamamlamak için karşılık gelen çerçeve görüntülerinin özellik noktalarının karşılaştırılması yoluyla özellik noktalarına dayanır. Algoritmanın performansını iyileştirmek ve en iyi eşleşmeyi elde etmek için, saf Bayes sınıflandırıcısına dayalı özellik eşleştirmesi, hedef pozisyonun çıktısını almak ve sınıflandırıcı parametrelerini sürekli olarak güncellemek için kullanılır.
5 Uygulama ve araştırma
5.1 Hareketli hedef tespitinin simülasyon deneyi
Bu yazıda kullanılan hedef algılama algoritması, çerçeve farkı yönteminden ve arka plan farkı yönteminden tam olarak yararlanmaktadır. Hedef tespiti üzerindeki gerçek etkisini doğrulamak için, üç algoritmanın performans farkı performans karşılaştırması yoluyla analiz edilir.
Akıllı bir sınıfta kaydedilmiş 10 dakikalık ultra net bir eğitim videosu. Yüksek çözünürlüklü görüntüler, daha iyi bir karşılaştırma sağlayabilir ve böylece görüntü piksellerinin deney üzerindeki etkisini ortadan kaldırabilir. Videoda öğretmenin ders ekranı, öğrencinin soruyu cevaplamak için ayağa kalkması ve karatahta yakın çekim ekranı yer alıyor. Bu video örnek olarak girilir ve hareket eden hedefin toplam kare sayısı ve hareketli hedefin boyutu algoritma tarafından belirlenir. Hedef tespit algoritmasının doğruluğu, hareket eden hedefin toplam çerçeve sayısı ile önceden belirlenen doğru çerçeve sayısı karşılaştırılarak elde edilir Sonuçlar Tablo 3'te gösterilmektedir.
Tablo 3'ten, çerçeve farkı yönteminin algılama hızında daha büyük avantajlara, ancak daha düşük doğruluğa sahip olduğu, arka plan farkı yönteminin ise daha yavaş bir algılama hızına, ancak yüksek doğruluğa sahip olduğu görülebilir. Arka plan çerçeve farkı yöntemi, bu ikisinin avantajlarını birleştirirken, algılama hızını sağlarken aynı zamanda yaklaşık% 90'lık bir doğruluk elde eder ve delik sorununun bir dereceye kadar üstesinden gelebilir.
5.2 Hedef izleme simülasyon deneyi taşıma
Akıllı sınıfın özelliklerine göre, HOG + Naive Bayes izleme algoritması benimsenmiştir.Bu izleme algoritmasının gerçek etkisini doğrulamak için, bu makale ayrıca üç izleme algoritmasının performansını da karşılaştırmaktadır. Sonuçlar Tablo 4'te gösterilmektedir.
Bu yazıda yer alan algoritma, gri ölçekli tanımlama ve köşe tanımlamasına dayalı algoritma ile karşılaştırılmış ve sürekli zamanda etkin hareket izleme çerçevelerinin toplam hareketli çerçeve sayısına oranı tespit edilerek doğru izleme hızı elde edilmiştir. Tablo 4'ten bu algoritmanın doğruluğunun% 90'ın üzerinde olduğu ve izleme doğruluğunun diğer ikisine göre daha avantajlı olduğu görülmektedir.
5.3 Hedef konumlandırma ve izleme algoritmasını taşıma deneyi
Hareketli hedef konumlandırma ve izleme algoritmasının uygulanabilirliğini doğrulamak için, deney için sınıf kamerası tarafından kaydedilen 10 dakikalık bir eğitim videosu da seçilir. Deneysel sonuçlar Tablo 5'te gösterilmektedir.
Tablo 5'ten görülebileceği gibi, sistemin konumlandırma ve izleme doğruluğunun% 90'ı aştığı, bu da temelde sitenin gereksinimlerini karşılayabilir. Öğretmen izleme ve öğrenci izlemenin doğruluğu karşılaştırıldığında, öğrenci izleme sahnesi daha basit ve bekar olduğu için öğretmen izleme doğruluğunun nispeten düşük olduğu bulunmuştur.
6. Sonuç
Görüntü işlemeye dayalı akıllı sınıf kayıt ve yayın sistemi, ses ve video işlemeyi, ana insan-bilgisayar etkileşimini ve multimedya yazılımı ve donanım yapılandırmasını entegre eden işbirliğine dayalı bir işletim sistemidir. Sistem, öğretim sürecinde öğretmenlerin ve öğrencilerin hareketlerini inceleyerek gerçek zamanlı izleme ve konumlandırma ve lens değiştirme gerçekleştirir. Sistemin aşağıdaki avantajları vardır:
(1) Görüntü işleme teknolojisinin kullanımı, sınıf öğretimi kayıt sürecinde insan gücü girdisini azaltır, ekipman maliyetlerini düşürür ve otomasyon düzeyini iyileştirir.
(2) Öğrencilerin öğrenmelerini gözden geçirmeleri ve güçlendirmeleri, öğretmenlerin sınıf öğretiminin etkilerini analiz etmeleri, öğrencilerin gerçek geribildirimlerini anlamaları ve böylece öğretimi geliştirebilmeleri için sınıf öğretimi için eksiksiz kaynaklar sağlayın.
(3) Bilgi yaymanın verimliliğini artırmak, eğitim kaynaklarının ağ paylaşımını daha da teşvik etmiştir ve bu aynı zamanda öğretim modelinin bir yeniliğidir.
Referanslar
An Ning, Niu Aifang, Qi Ruihong, vd.Üniversitelerde akıllı sınıfların inşası üzerine araştırma ve düşünme. Deneysel Teknoloji ve Yönetim, 2017 (5): 257-261.
Zhang Jun, Huang Zhongyi, Cheng Fanqi.Öğretme sürecinin ihtiyaçlarından kayıt ve yayın sisteminin gelişim eğilimini analiz edin.Çin Görsel-İşitsel Eğitim, 2019 (11): 113-115.
Huang Shanya.Kayıt ve yayın sınıfının işlevsel tasarımı ve inşası.Laboratuvar araştırması ve keşfi, 2010, 29 (10): 391-393.
Li Xianyou, Zhao Shuguang, Duan Yongcheng, vs. FPGA'ya dayalı gerçek zamanlı MIPI CSI-2 görüntü toplama ve işleme sistemi Elektronik Teknoloji Uygulaması, 2019, 45 (1): 103-106.
Zhang Zhigang, Zhao Zhenyu, Zhang Guobing.Ağ Kayıt ve Yayın Sisteminde Görüntü Tanıma Teknolojisinin Uygulanması Üzerine Araştırma.Ağ Güvenliği Teknolojisi ve Uygulaması, 2014 (4): 7-8.
Gao Haizhuang, Duan Xianhua. Çerçeve farkı yöntemi ve Gauss karışımına dayalı denizde hareket eden hedeflerin tespiti Bilgisayar ve Dijital Mühendislik, 2019, 47 (5): 1140-1144.
Sun Ting, Qi Yingchun, Geng Guohua Çerçeve farkı ve arka plan farkına dayalı hareketli hedef algılama algoritması Jilin Üniversitesi Dergisi (Mühendislik ve Teknoloji Sürümü), 2016, 46 (4): 1325-1329.
Zhou Jianhua. Akıllı görüntü izleme ve konumlandırmaya dayalı bir kayıt ve yayın sınıfının tasarımı ve uygulaması. Lanzhou: Lanzhou Üniversitesi, 2018.
Huang Youwen, Wan Chaolun. Derin öğrenmeye dayalı insan davranışı tanıma algoritması. Elektronik Teknoloji Uygulaması, 2018, 44 (10): 7-11, 16.
Shen Bin, Su Xiaoyuan, GREINER R, vd. Genel bayes ağ sınıflandırıcılarının ayırt edici parametre öğrenimi.IEEE Uluslararası Yapay Zeka ile Araçlar Konferansı, 2003: 296-305.
yazar bilgileri:
Deng Xiaohai, Jiang Zhoushu
(Otomasyon Okulu, Hangzhou Dianzi Üniversitesi, Hangzhou 310000, Zhejiang)
