基于动态链表智能识别检测系统的设计与应用

周传生, 杨 澜

(1. 沈阳师范大学 科信软件学院, 沈阳 110034; 2. 沈阳师范大学 数学与系统科学学院, 沈阳 110034)

随着互联网的普及应用和快速发展,识别检测技术现已在安全、物流、环境检测等方面有着非常广泛的应用[1-3],基于识别检测技术的在线检测系统正逐渐代替传统的人工检测模式,成为当下目标检测的主要途径。识别检测系统的实现不但节省了人工检测的精力与资源,亦可保证检测结果的真实性和客观性。但从检测系统的灵活度上分析,目前的多数系统在技术实现方面往往只能支持某种特定模式下的目标识别检测,无法有效针对实际需求中检测目标的动态变化及检测目标的侧面和指标的动态变化而进行自适应识别检测。为了动态使用不同的识别技术,提高检测系统的灵活性和可扩展性,拓展相应系统在不同领域行业中应用的范围,本文介绍了一个基于动态链表、可自适应识别诊断的检测系统的设计,通过运用模式识别方法对不同模式下的检测样本进行多元化的识别检测。

1 技术实现

基于动态链表的智能识别检测系统构建的是可兼容不同的识别模式、运用不同的识别方法来灵活检测无数个不同类型的检测目标,即检测目标可扩展、检测指标可扩展、检测类型可扩展、识别算法的适应性可扩展。考虑到数据操作的灵活性,因此在实现方式上该系统采用动态链表作为系统数据的存储结构[4]。图1表示的是由不同检测目标相连所组成的一个动态链表结构图,其可实现2种应用情境。

图1 系统链表图Fig.1 The linked list of system

情境1 针对同一检测目标的不同检测指标,每一类指标下采用不同的识别检测技术进行动态检测,完成检测结果。

类别:代表检测目标需要检测的n类检测指标;检测点:指的是某一类检测指标下需要检测的不同侧面;算法:根据相应的检测点和检测技术而使用的可选择的模式识别检测算法。

情境2 针对同一识别模式下,对不同目标的不同指标及侧面采用不同的识别检测技术进行检测。

类别:需要对检测目标在n类检测模式下进行检测,例如图像检测模式、字符检测模式、音频检测模式等。检测点:某一类检测模式下需要检测的多项检测指标及每一个指标内部的侧面检测嵌套链表。检测算法:每一类检测模式下,检测每一项检测指标所对应的不同侧面而采用的检测算法。

为了更好地实现各检测点之间的独立性与封装性,将该链表中的每一个结点均以类的形式封装[5],以实现系统在不同模式环境下的动态识别处理功能,系统的内部结构如图2所示。

图2系统内部结构图
Fig.2 The inner structure of system

将图1中的每一项检测点定义为一个MiniNode类结点,用来表示依据标准样本库采用某种识别检测方法来检测最小单位的检测样本。因此,该结点内含有标准样本库(StandardSample)、检测样本(CheckingSample)及相应的检测方法(SampleCheckingAlgorithm)。其中,标准样本库指的是已给定可参照的标准样本集合,检测样本指的是需要被检测的目标样本,检测方法指的是根据实际检测需要所采用的识别检测算法。考虑到不同MiniNode结点需要采用不同的识别技术检测不同类型、不同指标的检测样本,因此为了实现检测功能的灵活性和动态性,在MiniNode结点内部定义检测方法时,使用abstract抽象类型来修饰类中的方法,从而延伸检测功能应用的扩展性[6]。

由图1可知,一个类别结点是由无数个检测点构成,即其包含了无数个MiniNode结点,将图1中的类别结点定义为 ComposeNode,则其为MiniNode结点的动态组合链表,因此在每个 ComposeNode类中需定义一个可扩展的MiniNode链表(即MiniNodeList)来实现系统可兼容不同的检测方法,识别检测多个检测样本的功能。同时,在 ComposeNode类中还需定义添加结点(AddMiniNode)和删除结点(RemoveMiniNode)的操作方法,通过对MiniNodeList进行结点添加和删除的操作,来控制系统的检测点数量,从而实现系统的动态检测功能[7]。

2 案例分析

以应用视频识别技术诊断中小学教师在交互多媒体环境下的信息技术应用能力为案例,设计一个基于视频识别技术的智能测评系统(以下简称“测评系统”),对教师信息技术应用能力的技术素养能力进行自动识别检测。由表1可知,教师信息技术素养能力需从3个维度分别进行多项指标的检测和考核,因此在考核教师每一个能力维度时,教师均需上传对应维度的多个视频片段进行检测,系统通过识别检测技术检测上传的视频图像与给定标准样本的关系度来综合诊断教师的信息技术素养能力。

表1 教师信息技术素养考核指标[8]Tab.1 Assessment Index of Teachers’ Technological Literacy[8]

2.1 系统架构

本系统是以教师录制的课堂实录视频为检测对象,通过识别检测教师上传的视频片段,对教师的技术素养能力进行考核。为了实现系统智能化、自动化的检测模式,本系统采用模式识别技术作为检测方法提供测评功能。由此,将测评系统分为视频管理、智能识别、诊断报告3大功能模块。用户首先在系统中上传完整的课堂实录视频,并编辑介绍相关的视频信息,然后根据考核需要,对完整视频进行片段人工切分,在选定要考核的某一维度类别后将视频片段上传到检测队列中。系统根据视频片段的检测类别,选定对应的标准样本库,调用相应的识别检测算法进行诊断,最终得出的检测结果经统计后生成诊断报告推送给用户,系统的业务逻辑架构图如图3所示。

图3 业务逻辑架构图Fig.3 The business logic architecture diagram of the system

视频管理模块主要为用户提供视频上传、信息编辑、片段切分及视频浏览等功能。用户在上传完整视频后,对上传的视频进行相关描述,随后根据考核需要对视频进行片段切分,切分后的视频片段要确定考核维度,留作后期识别检测。

智能识别模块主要以视频图像的识别检测为核心,系统在收集到检测队列的视频片段后,首先对需要考核的视频片段切分成一帧帧图像进行预处理,然后对图像进行特征提取与比对识别,最后将检测出的识别结果存放到诊断结果数据库中[9]。

诊断报告模块主要由数据统计和诊断报告两大功能组成。系统在检测出用户的视频片段结果后,对所有视频片段的检测结果进行统一的统计和分析,生成最终的诊断报告书推送给用户。

2.2 设计与实现过程

在测评系统的设计与实现过程中,其关键问题主要有2点:

1) 视频数据动态管理:系统可根据实际需要调整考核维度的个数,用户可根据个人需要任意添加检测点的个数,不受检测类别和数量限制,考核更全面。

2) 系统自适应识别检测:系统可应用多种识别技术智能检测不同考核维度对应的视频片段,也可根据实际需要对同一个维度的同一个视频片段动态调整检测算法。

根据实际需要,该测评系统可支持用户可添加多维度、不限数量的检测片段,需要提供灵活、快速的数据插入和相应调整等功能,同时本系统的核心功能是可运用不同的识别检测方法对不同考核维度的视频片段进行检测,进而提高系统自身的动态性和灵活性。为此,本系统选用链式存储的方式来储存数据,存储结构如图4所示。

图4 识别检测结构图Fig.4 The detection structure of the assessment system

图4给出了交互多媒体环境下的教师技术素养能力的检测结构图,根据上文给出的能力标准,主要从3个维度对教师技术素养能力进行检测和考核,其中每一维度指标下需检测多项二级指标。因此,测评系统若要保证其可支持不同考核维度视频的多元化识别检测功能,那么每个检测点之间均应保持低耦合性来保证各个结点的独立。因此,在每个结点内均应以类的形式独立存储需要检测的检测样本、用来检测比对的标准样本库、使用的识别检测方法及最终识别检测出的检测结果,以实现系统的自适应性检测功能。另外,对于海量的检测样本数据可以选用数据库的方式存储,由系统动态调取和检测。

以检测教师第二维度“熟练使用交互多媒体设备”能力为例,教师根据考核要求将完整的课堂实录切分成对应的若干个视频片段对应到第二维度检测列表中的两个指标并上传到系统中。系统在检测其中的一个视频片段时,自动将视频切分成一帧帧图像进行识别检测,因此每一帧图像即为一个检测点MiniNode中的检测目标样本,而标准样本库即为符合第二维度考核标准的图片样本库,最后通过图像识别技术来检测出目标样本的结果。综上所述,可将MiniNode对应的内部结构进行定义,如表2所示。

表2 MiniNode结构Tab.2 The Structure of Mini Node

由于教师上传的视频片段被切分成若干帧图像进行检测,而每一帧图像均为一个Mini Node,因此上传的视频片段即为对应图像帧的集合,定义为Compose Node。在定义Compose Node结构时,除存储视频自身属性外,还需定义构成该视频片段的图像帧链表即Mini Nodelist、控制图像帧结点个数的操作方法AddMiniNode和Remove Mini Node、统计检测结果的方法Count Result以及该视频片段最终的考核结果Video Result,具体结构如表3所示。

表3 Compose Node结构Tab.3 The Structure of Compose Node

根据该系统的应用背景,本系统是通过应用图像识别技术对视频片段切分的图像帧进行识别检测,以确定是否达到指标要求。因此在本系统中,采用基于HOG与SVM的图像识别技术对检测样本进行识别检测。通过对输入的帧图像进行校正与滤波等预处理去除背景噪声的干扰,利用梯度方向直方图(HOG)提取图像的特征向量,并使用SVM分类器对送入的图像特征模式进行分类检测,识别出检测结果[10-11]。最后,将视频所有帧图像结果通过指定的统计方法(CountResult)进行统计运算,生成视频片段最终的考核结果。

3 结 论

基于动态链表的智能识别检测系统可支持在不同模式下对不同类型的检测目标进行动态地数量调整和识别检测。同时,系统可动态配置相关的模式识别算法实现相关目标检测的自动化、智能化方式,避免了人工检测的弊端,提高了检测效率及准确性。另外,该系统的应用扩展性非常广泛,其设计思想和技术路线可嫁接于各个领域、各类识别检测模式中。因此,本研究在一定程度上扩展了识别技术的应用范围,改进了许多传统检测系统的潜在弊端,提升了技术的整体应用水平和灵活性。