周傳生, 楊 瀾
(1. 沈陽師范大學 科信軟件學院, 沈陽 110034; 2. 沈陽師范大學 數(shù)學與系統(tǒng)科學學院, 沈陽 110034)
隨著互聯(lián)網(wǎng)的普及應(yīng)用和快速發(fā)展,識別檢測技術(shù)現(xiàn)已在安全、物流、環(huán)境檢測等方面有著非常廣泛的應(yīng)用[1-3],基于識別檢測技術(shù)的在線檢測系統(tǒng)正逐漸代替?zhèn)鹘y(tǒng)的人工檢測模式,成為當下目標檢測的主要途徑。識別檢測系統(tǒng)的實現(xiàn)不但節(jié)省了人工檢測的精力與資源,亦可保證檢測結(jié)果的真實性和客觀性。但從檢測系統(tǒng)的靈活度上分析,目前的多數(shù)系統(tǒng)在技術(shù)實現(xiàn)方面往往只能支持某種特定模式下的目標識別檢測,無法有效針對實際需求中檢測目標的動態(tài)變化及檢測目標的側(cè)面和指標的動態(tài)變化而進行自適應(yīng)識別檢測。為了動態(tài)使用不同的識別技術(shù),提高檢測系統(tǒng)的靈活性和可擴展性,拓展相應(yīng)系統(tǒng)在不同領(lǐng)域行業(yè)中應(yīng)用的范圍,本文介紹了一個基于動態(tài)鏈表、可自適應(yīng)識別診斷的檢測系統(tǒng)的設(shè)計,通過運用模式識別方法對不同模式下的檢測樣本進行多元化的識別檢測。
基于動態(tài)鏈表的智能識別檢測系統(tǒng)構(gòu)建的是可兼容不同的識別模式、運用不同的識別方法來靈活檢測無數(shù)個不同類型的檢測目標,即檢測目標可擴展、檢測指標可擴展、檢測類型可擴展、識別算法的適應(yīng)性可擴展。考慮到數(shù)據(jù)操作的靈活性,因此在實現(xiàn)方式上該系統(tǒng)采用動態(tài)鏈表作為系統(tǒng)數(shù)據(jù)的存儲結(jié)構(gòu)[4]。圖1表示的是由不同檢測目標相連所組成的一個動態(tài)鏈表結(jié)構(gòu)圖,其可實現(xiàn)2種應(yīng)用情境。
圖1 系統(tǒng)鏈表圖Fig.1 The linked list of system
情境1 針對同一檢測目標的不同檢測指標,每一類指標下采用不同的識別檢測技術(shù)進行動態(tài)檢測,完成檢測結(jié)果。
類別:代表檢測目標需要檢測的n類檢測指標;檢測點:指的是某一類檢測指標下需要檢測的不同側(cè)面;算法:根據(jù)相應(yīng)的檢測點和檢測技術(shù)而使用的可選擇的模式識別檢測算法。
情境2 針對同一識別模式下,對不同目標的不同指標及側(cè)面采用不同的識別檢測技術(shù)進行檢測。
類別:需要對檢測目標在n類檢測模式下進行檢測,例如圖像檢測模式、字符檢測模式、音頻檢測模式等。檢測點:某一類檢測模式下需要檢測的多項檢測指標及每一個指標內(nèi)部的側(cè)面檢測嵌套鏈表。檢測算法:每一類檢測模式下,檢測每一項檢測指標所對應(yīng)的不同側(cè)面而采用的檢測算法。
為了更好地實現(xiàn)各檢測點之間的獨立性與封裝性,將該鏈表中的每一個結(jié)點均以類的形式封裝[5],以實現(xiàn)系統(tǒng)在不同模式環(huán)境下的動態(tài)識別處理功能,系統(tǒng)的內(nèi)部結(jié)構(gòu)如圖2所示。
圖2系統(tǒng)內(nèi)部結(jié)構(gòu)圖
Fig.2 The inner structure of system
將圖1中的每一項檢測點定義為一個MiniNode類結(jié)點,用來表示依據(jù)標準樣本庫采用某種識別檢測方法來檢測最小單位的檢測樣本。因此,該結(jié)點內(nèi)含有標準樣本庫(StandardSample)、檢測樣本(CheckingSample)及相應(yīng)的檢測方法(SampleCheckingAlgorithm)。其中,標準樣本庫指的是已給定可參照的標準樣本集合,檢測樣本指的是需要被檢測的目標樣本,檢測方法指的是根據(jù)實際檢測需要所采用的識別檢測算法??紤]到不同MiniNode結(jié)點需要采用不同的識別技術(shù)檢測不同類型、不同指標的檢測樣本,因此為了實現(xiàn)檢測功能的靈活性和動態(tài)性,在MiniNode結(jié)點內(nèi)部定義檢測方法時,使用abstract抽象類型來修飾類中的方法,從而延伸檢測功能應(yīng)用的擴展性[6]。
由圖1可知,一個類別結(jié)點是由無數(shù)個檢測點構(gòu)成,即其包含了無數(shù)個MiniNode結(jié)點,將圖1中的類別結(jié)點定義為 ComposeNode,則其為MiniNode結(jié)點的動態(tài)組合鏈表,因此在每個 ComposeNode類中需定義一個可擴展的MiniNode鏈表(即MiniNodeList)來實現(xiàn)系統(tǒng)可兼容不同的檢測方法,識別檢測多個檢測樣本的功能。同時,在 ComposeNode類中還需定義添加結(jié)點(AddMiniNode)和刪除結(jié)點(RemoveMiniNode)的操作方法,通過對MiniNodeList進行結(jié)點添加和刪除的操作,來控制系統(tǒng)的檢測點數(shù)量,從而實現(xiàn)系統(tǒng)的動態(tài)檢測功能[7]。
以應(yīng)用視頻識別技術(shù)診斷中小學教師在交互多媒體環(huán)境下的信息技術(shù)應(yīng)用能力為案例,設(shè)計一個基于視頻識別技術(shù)的智能測評系統(tǒng)(以下簡稱“測評系統(tǒng)”),對教師信息技術(shù)應(yīng)用能力的技術(shù)素養(yǎng)能力進行自動識別檢測。由表1可知,教師信息技術(shù)素養(yǎng)能力需從3個維度分別進行多項指標的檢測和考核,因此在考核教師每一個能力維度時,教師均需上傳對應(yīng)維度的多個視頻片段進行檢測,系統(tǒng)通過識別檢測技術(shù)檢測上傳的視頻圖像與給定標準樣本的關(guān)系度來綜合診斷教師的信息技術(shù)素養(yǎng)能力。
表1 教師信息技術(shù)素養(yǎng)考核指標[8]Tab.1 Assessment Index of Teachers’ Technological Literacy[8]
本系統(tǒng)是以教師錄制的課堂實錄視頻為檢測對象,通過識別檢測教師上傳的視頻片段,對教師的技術(shù)素養(yǎng)能力進行考核。為了實現(xiàn)系統(tǒng)智能化、自動化的檢測模式,本系統(tǒng)采用模式識別技術(shù)作為檢測方法提供測評功能。由此,將測評系統(tǒng)分為視頻管理、智能識別、診斷報告3大功能模塊。用戶首先在系統(tǒng)中上傳完整的課堂實錄視頻,并編輯介紹相關(guān)的視頻信息,然后根據(jù)考核需要,對完整視頻進行片段人工切分,在選定要考核的某一維度類別后將視頻片段上傳到檢測隊列中。系統(tǒng)根據(jù)視頻片段的檢測類別,選定對應(yīng)的標準樣本庫,調(diào)用相應(yīng)的識別檢測算法進行診斷,最終得出的檢測結(jié)果經(jīng)統(tǒng)計后生成診斷報告推送給用戶,系統(tǒng)的業(yè)務(wù)邏輯架構(gòu)圖如圖3所示。
圖3 業(yè)務(wù)邏輯架構(gòu)圖Fig.3 The business logic architecture diagram of the system
視頻管理模塊主要為用戶提供視頻上傳、信息編輯、片段切分及視頻瀏覽等功能。用戶在上傳完整視頻后,對上傳的視頻進行相關(guān)描述,隨后根據(jù)考核需要對視頻進行片段切分,切分后的視頻片段要確定考核維度,留作后期識別檢測。
智能識別模塊主要以視頻圖像的識別檢測為核心,系統(tǒng)在收集到檢測隊列的視頻片段后,首先對需要考核的視頻片段切分成一幀幀圖像進行預(yù)處理,然后對圖像進行特征提取與比對識別,最后將檢測出的識別結(jié)果存放到診斷結(jié)果數(shù)據(jù)庫中[9]。
診斷報告模塊主要由數(shù)據(jù)統(tǒng)計和診斷報告兩大功能組成。系統(tǒng)在檢測出用戶的視頻片段結(jié)果后,對所有視頻片段的檢測結(jié)果進行統(tǒng)一的統(tǒng)計和分析,生成最終的診斷報告書推送給用戶。
在測評系統(tǒng)的設(shè)計與實現(xiàn)過程中,其關(guān)鍵問題主要有2點:
1) 視頻數(shù)據(jù)動態(tài)管理:系統(tǒng)可根據(jù)實際需要調(diào)整考核維度的個數(shù),用戶可根據(jù)個人需要任意添加檢測點的個數(shù),不受檢測類別和數(shù)量限制,考核更全面。
2) 系統(tǒng)自適應(yīng)識別檢測:系統(tǒng)可應(yīng)用多種識別技術(shù)智能檢測不同考核維度對應(yīng)的視頻片段,也可根據(jù)實際需要對同一個維度的同一個視頻片段動態(tài)調(diào)整檢測算法。
根據(jù)實際需要,該測評系統(tǒng)可支持用戶可添加多維度、不限數(shù)量的檢測片段,需要提供靈活、快速的數(shù)據(jù)插入和相應(yīng)調(diào)整等功能,同時本系統(tǒng)的核心功能是可運用不同的識別檢測方法對不同考核維度的視頻片段進行檢測,進而提高系統(tǒng)自身的動態(tài)性和靈活性。為此,本系統(tǒng)選用鏈式存儲的方式來儲存數(shù)據(jù),存儲結(jié)構(gòu)如圖4所示。
圖4 識別檢測結(jié)構(gòu)圖Fig.4 The detection structure of the assessment system
圖4給出了交互多媒體環(huán)境下的教師技術(shù)素養(yǎng)能力的檢測結(jié)構(gòu)圖,根據(jù)上文給出的能力標準,主要從3個維度對教師技術(shù)素養(yǎng)能力進行檢測和考核,其中每一維度指標下需檢測多項二級指標。因此,測評系統(tǒng)若要保證其可支持不同考核維度視頻的多元化識別檢測功能,那么每個檢測點之間均應(yīng)保持低耦合性來保證各個結(jié)點的獨立。因此,在每個結(jié)點內(nèi)均應(yīng)以類的形式獨立存儲需要檢測的檢測樣本、用來檢測比對的標準樣本庫、使用的識別檢測方法及最終識別檢測出的檢測結(jié)果,以實現(xiàn)系統(tǒng)的自適應(yīng)性檢測功能。另外,對于海量的檢測樣本數(shù)據(jù)可以選用數(shù)據(jù)庫的方式存儲,由系統(tǒng)動態(tài)調(diào)取和檢測。
以檢測教師第二維度“熟練使用交互多媒體設(shè)備”能力為例,教師根據(jù)考核要求將完整的課堂實錄切分成對應(yīng)的若干個視頻片段對應(yīng)到第二維度檢測列表中的兩個指標并上傳到系統(tǒng)中。系統(tǒng)在檢測其中的一個視頻片段時,自動將視頻切分成一幀幀圖像進行識別檢測,因此每一幀圖像即為一個檢測點MiniNode中的檢測目標樣本,而標準樣本庫即為符合第二維度考核標準的圖片樣本庫,最后通過圖像識別技術(shù)來檢測出目標樣本的結(jié)果。綜上所述,可將MiniNode對應(yīng)的內(nèi)部結(jié)構(gòu)進行定義,如表2所示。
表2 MiniNode結(jié)構(gòu)Tab.2 The Structure of Mini Node
由于教師上傳的視頻片段被切分成若干幀圖像進行檢測,而每一幀圖像均為一個Mini Node,因此上傳的視頻片段即為對應(yīng)圖像幀的集合,定義為Compose Node。在定義Compose Node結(jié)構(gòu)時,除存儲視頻自身屬性外,還需定義構(gòu)成該視頻片段的圖像幀鏈表即Mini Nodelist、控制圖像幀結(jié)點個數(shù)的操作方法AddMiniNode和Remove Mini Node、統(tǒng)計檢測結(jié)果的方法Count Result以及該視頻片段最終的考核結(jié)果Video Result,具體結(jié)構(gòu)如表3所示。
表3 Compose Node結(jié)構(gòu)Tab.3 The Structure of Compose Node
根據(jù)該系統(tǒng)的應(yīng)用背景,本系統(tǒng)是通過應(yīng)用圖像識別技術(shù)對視頻片段切分的圖像幀進行識別檢測,以確定是否達到指標要求。因此在本系統(tǒng)中,采用基于HOG與SVM的圖像識別技術(shù)對檢測樣本進行識別檢測。通過對輸入的幀圖像進行校正與濾波等預(yù)處理去除背景噪聲的干擾,利用梯度方向直方圖(HOG)提取圖像的特征向量,并使用SVM分類器對送入的圖像特征模式進行分類檢測,識別出檢測結(jié)果[10-11]。最后,將視頻所有幀圖像結(jié)果通過指定的統(tǒng)計方法(CountResult)進行統(tǒng)計運算,生成視頻片段最終的考核結(jié)果。
基于動態(tài)鏈表的智能識別檢測系統(tǒng)可支持在不同模式下對不同類型的檢測目標進行動態(tài)地數(shù)量調(diào)整和識別檢測。同時,系統(tǒng)可動態(tài)配置相關(guān)的模式識別算法實現(xiàn)相關(guān)目標檢測的自動化、智能化方式,避免了人工檢測的弊端,提高了檢測效率及準確性。另外,該系統(tǒng)的應(yīng)用擴展性非常廣泛,其設(shè)計思想和技術(shù)路線可嫁接于各個領(lǐng)域、各類識別檢測模式中。因此,本研究在一定程度上擴展了識別技術(shù)的應(yīng)用范圍,改進了許多傳統(tǒng)檢測系統(tǒng)的潛在弊端,提升了技術(shù)的整體應(yīng)用水平和靈活性。