一种大学舞蹈考试测评方法及装置

技术领域

本申请涉及舞蹈教学技术领域，尤其涉及一种大学舞蹈考试测评方法、装置、设备及存储介质。

背景技术

时代的不断发展, 互联网普遍被应用。传统的舞蹈教学模式也随之创新发展, 通过互联网信息技术将传统的舞蹈教学进行改革创新, 从而培养学生的的个性发展、自主学习和创新能力。让学生通过互联网进行自主学习，培养学生成为全面发展的优秀舞蹈人才。如今新媒体的发展, 为舞蹈教学的创新带来了途径与方式, 互联网的应用, 为舞蹈教学的改革与创新带来了机遇。科技与互联网的发展打破了传统的舞蹈教学, 促进了传统舞蹈教学的改革和创新。

目前的舞蹈测评方法，主要是传统的测评方式，由测试学生在考场进行舞蹈，舞蹈老师根据学生表现进行现场打分，这种方式较为费时，且测评结果容易带入测评老师的个人主观影响，不够公正。由此可知，现有技术在进行舞蹈测评时，存在耗费时间和测评老师容易带入个人主观因素的问题。

发明内容

本申请实施例的目的在于提出一种大学舞蹈考试测评方法、装置、设备及存储介质，以解决现有技术中在进行舞蹈测评时，存在耗费时间和测评老师容易带入个人主观因素的问题。

为了解决上述技术问题，本申请实施例提供一种大学舞蹈考试测评方法，采用了如下所述的技术方案：

一种大学舞蹈考试测评方法，包括：

采集学生舞蹈考试的现场视频；

获取网络上只标注动作类别的大量舞蹈动作图片，构建舞蹈图片集；

将所述舞蹈图片集作为训练集，传入预设的TLSVM模型，识别出所述训练集中不同动作种类；

获取所述不同动作种类对应的图像特征空间，并基于随机聚类森林的线性变换法，获取所述图像特征空间映射的视频特征空间，确定每一个所述视频特征空间对应的时空区域，构建所述训练集对应的时空区域集合；

将所述现场视频作为测试集，获取所述测试集中每一个动作对应的视频特征空间，确定所述视频特征空间对应的时空区域，作为测试时空区域；

基于所述时空区域集合，确定所述测试时空区域对应的时空区域，基于所述时空区域识别所述现场视频中不同的舞蹈动作；

将所述现场视频中识别出舞蹈动作与预设的测试舞蹈动作进行对比，并基于预设算法确定两者间的相似度，将所述相似度作为测评结果，完成大学舞蹈考试测评。

进一步的，所述采集学生舞蹈考试的现场视频，包括：

使用拍摄的方式在学生舞蹈考试时进行舞蹈视频录制，将录制内容作为采集的现场视频。

进一步的，所述获取网络上只标注动作类别的大量舞蹈动作图片，包括：

将舞蹈动作图片作为关键词，基于大数据检索的方式在互联网上进行检索，下载大量所述舞蹈动作图片。

进一步的，所述预设的TLSVM模型，识别出所述训练集中不同动作种类，包括步骤如下：

对所述训练集中不同舞蹈图片，进行人物图像获取，确定所述人物图像中的不同肢体位置；

基于所述不同肢体位置，构建肢体位置集，其中，所述肢体位置集包括：左手集、右手集、左腿集、右腿集、头部集、人体躯干集；

基于所述肢体位置集，确定所述不同肢体位置对应的时空区域；

通过判定所述不同肢体位置对应的所述时空区域，识别出所述训练集中不同动作种类。

进一步的，所述获取所述不同动作种类对应的图像特征空间，包括：

获取所述不同动作种类对应的不同肢体位置，基于Hessian矩阵的方式，识别所述不同肢体对应空间的极值；

基于所述极值，构建不同肢体对应的尺度空间；

获取所述尺度空间中的特征点，并进行过滤，对所述特征点进行精确定位；

获取所述不同特征点的主方向和所述不同特征点的特征值，基于所述主方向和特征值构建所述不同特征点对应形状特征，将所述形状特征作为所述不同动作种类对应的图像特征空间。

进一步的，所述获取所述测试集中每一个动作对应的视频特征空间，包括：

对所述测试集进行视频分割处理，将所述测试集分割成连贯的图像；

获取所述图像的颜色特征，纹理特征，人物形状特征；

分别获取所述图像的图像特征空间，并基于随机聚类森林的线性变换法，获取所述图像特征空间映射的视频特征空间。

进一步的，所述确定所述视频特征空间对应的时空区域，作为测试时空区域，包括：

获取视频中人物对应的二维图像块；

基于所述视频时间顺序，对所述二维图像块进行三维图像块构建；

将所述三维图像块对应的立方体块，作为所述视频特征空间对应的测试时空区域。

进一步的，所述基于所述时空区域集合，确定所述测试时空区域对应的时空区域，包括：

使用对比的方式，判断所述测试时空区域对应的时空区域。

进一步的，所述基于预设算法确定两者间的相似度，将所述相似度作为测评结果，完成大学舞蹈考试测评，包括：

若测评学生为单人测评，则直接将所述现场视频中识别出舞蹈动作与预设的测试舞蹈动作进行对比，判断动作的相似度，若所述相似度超过预设的测评合格阈值，则所述学生测评结果合格，否则，所述学生测评结果不合格；

若测评学生为小组测评，则获取所述现场视频中识别出舞蹈动作与预设的测试舞蹈动作进行对比，判断小组中所有学生的动作相似度，并进行相似度平均值获取，若所述相似度平均值超过预设的测评合格阈值，则所述小组测评结果合格，否则，所述测评学生测评结果不合格。

为了解决上述技术问题，本申请实施例还提供了一种大学舞蹈考试测评装置，采用了如下所述的技术方案：

一种大学舞蹈考试测评装置，包括：

视频采集模块，用于采集学生舞蹈考试的现场视频；

舞蹈图片集构建模块，用于获取网络上只标注动作类别的大量舞蹈动作图片，构建舞蹈图片集；

动作种类识别模块，用于将所述舞蹈图片集作为训练集，传入预设的TLSVM模型，识别出所述训练集中不同动作种类；

训练时空区域集合生成模块，用于获取所述不同动作种类对应的图像特征空间，并基于随机聚类森林的线性变换法，获取所述图像特征空间映射的视频特征空间，确定每一个所述视频特征空间对应的时空区域，构建所述训练集对应的时空区域集合；

测试时空区域确定模块，用于将所述现场视频作为测试集，获取所述测试集中每一个动作对应的视频特征空间，确定所述视频特征空间对应的时空区域，作为测试时空区域；

舞蹈动作识别模块，用于基于所述时空区域集合，确定所述测试时空区域对应的时空区域，基于所述时空区域识别所述现场视频中不同的舞蹈动作；

舞蹈考试测评模块，用于将所述现场视频中识别出舞蹈动作与预设的测试舞蹈动作进行对比，并基于预设算法确定两者间的相似度，将所述相似度作为测评结果，完成大学舞蹈考试测评。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现本申请实施例中提出的一种大学舞蹈考试测评方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种非易失性计算机可读存储介质，采用了如下所述的技术方案：

一种非易失性计算机可读存储介质，计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例中提出的一种大学舞蹈考试测评方法的步骤。

与现有技术相比，本申请实施例主要有以下有益效果：

本申请实施例公开了大学舞蹈考试测评方法、装置、设备及存储介质，通过采集学生舞蹈考试的现场视频；构建舞蹈图片集；将舞蹈图片集传入预设的TLSVM模型，识别出不同动作种类；获取不同动作种类对应的时空区域，构建所述训练集对应的时空区域集合；获取现场视频中每一个动作对应的测试时空区域；从训练时空区域集合中确定测试时空区域一一对应的时空区域，基于时空区域识别现场视频中的舞蹈动作；将现场视频中识别出舞蹈动作与预设的测试舞蹈动作进行对比，确定两者间的相似度，将相似度作为测评结果，完成大学舞蹈考试测评。本申请避免监考老师的主观因素影响，做到公平进行舞蹈测评。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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他的附图。

图1为本申请实施例可以应用于其中的示例性系统架构图；

图2为本申请实施例中所述大学舞蹈考试测评方法的一个实施例的流程图；

图3为本申请实施例中所述大学舞蹈考试测评方法的一个实施例的执行逻辑图；

图4为本申请实施例中所述大学舞蹈考试测评装置的一个实施例的结构示意图；

图5为本申请实施例中计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的大学舞蹈考试测评方法一般由服务器/终端设备执行，相应地，大学舞蹈考试测评装置一般设置于服务器/终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，图中示出了本申请的大学舞蹈考试测评方法的一个实施例的流程图，所述的大学舞蹈考试测评方法包括以下步骤：

步骤201，采集学生舞蹈考试的现场视频。

在本申请实施例中，所述采集学生舞蹈考试的现场视频，包括：使用拍摄的方式在学生舞蹈考试时进行舞蹈视频录制，将录制内容作为采集的现场视频。

步骤202，获取网络上只标注动作类别的大量舞蹈动作图片，构建舞蹈图片集。

在本申请实施例中，所述获取网络上只标注动作类别的大量舞蹈动作图片，包括：将舞蹈动作图片作为关键词，基于大数据检索的方式在互联网上进行检索，下载大量所述舞蹈动作图片。

步骤203，将所述舞蹈图片集作为训练集，传入预设的TLSVM模型，识别出所述训练集中不同动作种类。

在本申请实施例中，所述预设的TLSVM模型，识别出所述训练集中不同动作种类，包括步骤如下：对所述训练集中不同舞蹈图片，进行人物图像获取，确定所述人物图像中的不同肢体位置；基于所述不同肢体位置，构建肢体位置集，其中，所述肢体位置集包括：左手集、右手集、左腿集、右腿集、头部集、人体躯干集；基于所述肢体位置集，确定所述不同肢体位置对应的时空区域；通过判定所述不同肢体位置对应的所述时空区域，识别出所述训练集中不同动作种类。

解释：所述对所述训练集中不同舞蹈图片，进行人物图像获取，确定所述人物图像中的不同肢体位置，具体实现方式如下：将舞蹈图片集中元素进行按比例压缩；使用GrabCut算法对照片进行处理，获取人物的掩像；对所述人物的掩像进行边缘检测，划分出绝对背景区域，并对绝对背景区域进行采样取色，计算其绝对背景的RGB值；对有背景残留的掩像分别单独进行腐蚀和膨胀的形态学处理，然后将两种形态学处理结果进行减法操作获取边缘区域，该边缘区域为边缘未知区域；将边缘未知区域的像素重新划分至背景或前景，划分方法是将绝对背景的RGB值与未知像素的颜色值进行比较，距离越近则属于背景的可能性越高，根据判断条件重新分割；对边缘平滑处理，最后输出的分割图像，即舞蹈图片中的人物图像；对所述人物图像进行单独分割，确定人物图像中不同肢体位置。

解释：所述基于所述不同肢体位置，构建肢体位置集，其中，所述肢体位置集包括：左手集、右手集、左腿集、右腿集、头部集、人体躯干集，具体方式如下：在对所述训练集中不同舞蹈图片，进行人物图像获取之前，对所述舞蹈图片集中元素进行区别标识，提取人物图像之后，将所述区别标识添加到人物图像中，再添加到所述不同肢体位置，将不同标识的同类肢体添加到一个集合中，构建肢体位置集。

例如：所述舞蹈图片集中存在1万个舞蹈图片，为了区分使用1到10000的阿拉伯数字作为图片名称；在提取到舞蹈图片中的人物图像后，也使用1到10000作为人物图像的图片名称，若舞蹈图片300中有三个人物，则使用300a，300b，300c进行区别标识；对舞蹈图片300进行肢体位置确定后，使用左手_300a、左手_300b、左手_300c、右手_300a、右手_300b、右手_300c、左腿_300a、左腿_300b、左腿_300c、右腿_300a、右腿_300b、右腿_300c、头部_300a、头部_300b、头部_300c、躯干_300a、躯干_300b、躯干_300c，将上述左手_300a、左手_300b、左手_300c与其他舞蹈图片人物图像中的左手图片，放入同一个集合，构建左手集，同理，构建右手集、左腿集、右腿集、头部集、人体躯干集。

解释：所述基于所述肢体位置集，确定所述不同肢体位置对应的时空区域，具体实现方式如下：确定所述不同肢体位置中边缘点，并获取边缘点的二维坐标，确定所述不同肢体位置的最小外包矩形，获取6个构成肢体长方体的最小外包矩形，生成所述肢体位置最小外包立方体，将所述最小外包立方体作为其对应的时空区域。

解释：所述通过判定所述不同肢体位置对应的所述时空区域，识别出所述训练集中不同动作种类，具体实现方式如下：将人体躯干对应的时空区域作为基准区域，判断其他人体肢体位置对应的时空区域相对应基准区域的位置，从而识别出所述训练集中不同动作所属的种类。

例如：某个舞蹈图片集中元素对应的人物图像，编号为31，再上述步骤中，已经分别获取到左手_31、右手_31、左腿_31、右腿_31、头部_31、躯干_31对应的时空区域，此时，将躯干_31对应的时空区域作为基准区域，若某个时空区域在其右上方，则为左手_31对应的时空区域，确定所述动作为左手种类，同理，可以识别出其他时空区域，确定不同动作所属的种类。

步骤204，获取所述不同动作种类对应的图像特征空间，并基于随机聚类森林的线性变换法，获取所述图像特征空间映射的视频特征空间，确定每一个所述视频特征空间对应的时空区域，构建所述训练集对应的时空区域集合。

在本申请实施例中，所述获取所述不同动作种类对应的图像特征空间，包括：获取所述不同动作种类对应的不同肢体位置，基于Hessian矩阵的方式，识别所述不同肢体对应空间的极值；基于所述极值，构建不同肢体对应的尺度空间；获取所述尺度空间中的特征点，并进行过滤，对所述特征点进行精确定位；获取所述不同特征点的主方向和所述不同特征点的特征值，基于所述主方向和特征值构建所述不同特征点对应形状特征，将所述形状特征作为所述不同动作种类对应的图像特征空间。

解释：所述获取所述不同动作种类对应的不同肢体位置，基于Hessian矩阵的方式，识别所述不同肢体对应空间的极值，具体方式如下：确定所述不同肢体在二维图像中的位置，并对不同肢体包含的每个像素点计算图像在X方向和Y方向的二阶偏导数，计算图像的XY方向的导数，所述肢体在临界点C(x,y)点的Hession矩阵为H(C),若所述H(C)为正定矩阵，则临界点C处是一个局部极小值，若所述H(C)为负定矩阵，则临界点C处是一个局部极大值，若所述H(C)为不定矩阵，则临界点C处不是极值，识别出的所有极大值和极小值对应的点构成所述不同肢体对应空间的极值。

解释：所述基于所述极值，构建不同肢体对应的尺度空间，具体方式如下：上述步骤获取到若干个极值点，通过这些极值点集，确定不同肢体对应的尺度空间。

解释：所述获取所述尺度空间中的特征点，并进行过滤，对所述特征点进行精确定位，具体实现方式如下：将所述极值点集中的点作为所述尺度空间中的特征点，并将所述极大值的点作为极大特征值点，将所述极小值的点作为极小特征值点，进行区分，并分别获取极大特征值点对应的点集和极小特征值点对应的点集。

解释：所述获取所述不同特征点的主方向和所述不同特征点的特征值，基于所述主方向和特征值构建所述不同特征点对应形状特征，将所述形状特征作为所述不同动作种类对应的图像特征空间，具体的实现方式如下：分别将相邻的极大值点和相邻的极小值点进行点间连接，构成点线，若由极大值点构成的点线两侧分别存在一条由极小值点组成的点线，则极大值点构成的点线方向即为所述特征点的主方向，获取所有极大值点进行构建的若干条点线，即为图像的形状线条，将所述形状线条组成的二维空间区域作为所述不同动作种类对应的图像特征空间。

解释：所述并基于随机聚类森林的线性变换法，获取所述图像特征空间映射的视频特征空间，具体实现方式如下：从上述图像的形状线条中采取有放回的抽样，构造子线条集，子线条集的线条数量与上述图像的形状线条数量相同；不同子线条集中的线条可以重复，同一个子线条集中的元素也可以重复；利用子线条集来构建子决策树，将所述图像特征空间对应的所有线条构成空间线条集，并将所述空间线条集放到每个子决策树中，每个子决策树输出一个空间构建结果；若大部分子决策树的输出结果一致，则将占比例最大的空间构建结果，作为随机聚类森林结果。若所述随机聚类森林结果，在经过矩阵变换之后，改变的是组成向量的基，而所述随机聚类森林结果关于基的线性组合方式没有变化，则将所述随机聚类森林结果作为所述图像特征空间映射的视频特征空间。

步骤205，将所述现场视频作为测试集，获取所述测试集中每一个动作对应的视频特征空间，确定所述视频特征空间对应的时空区域，作为测试时空区域。

在本申请实施例中，所述获取所述测试集中每一个动作对应的视频特征空间，包括：对所述测试集进行视频分割处理，将所述测试集分割成连贯的图像；获取所述图像的颜色特征，纹理特征，人物形状特征；分别获取所述图像的图像特征空间，并基于随机聚类森林的线性变换法，获取所述图像特征空间映射的视频特征空间。

在本申请实施例中，所述确定所述视频特征空间对应的时空区域，作为测试时空区域，包括：获取视频中人物对应的二维图像块；基于所述视频时间顺序，对所述二维图像块进行三维图像块构建；将所述三维图像块对应的立方体块，作为所述视频特征空间对应的测试时空区域。

解释：在上述步骤中已经将所述测试集进行视频分割处理，将所述测试集分割成连贯的图像，此时，分别获取不同图像中人物占据的二维空间，并通过视频时间顺序，对所述二维空间进行叠加，进行三维图像块构建，所述三维图像对应的立方体快，即为舞蹈视频中人物进行舞蹈时占据的空间立方体，作为所述视频特征空间对应的时空子区域。

步骤206，基于所述时空区域集合，确定所述测试时空区域对应的时空区域，基于所述时空区域识别所述现场视频中不同的舞蹈动作。

在本申请实施例中，所述基于所述时空区域集合，确定所述测试时空区域对应的时空区域，包括：使用对比的方式，判断所述测试时空区域对应的时空区域。

步骤207，将所述现场视频中识别出舞蹈动作与预设的测试舞蹈动作进行对比，并基于预设算法确定两者间的相似度，将所述相似度作为测评结果，完成大学舞蹈考试测评。

在本申请实施例中，所述基于预设算法确定两者间的相似度，将所述相似度作为测评结果，完成大学舞蹈考试测评，包括：若测评学生为单人测评，则直接将所述现场视频中识别出舞蹈动作与预设的测试舞蹈动作进行对比，判断动作的相似度，若所述相似度超过预设的测评合格阈值，则所述学生测评结果合格，否则，所述学生测评结果不合格；若测评学生为小组测评，则获取所述现场视频中识别出舞蹈动作与预设的测试舞蹈动作进行对比，判断小组中所有学生的动作相似度，并进行相似度平均值获取，若所述相似度平均值超过预设的测评合格阈值，则所述小组测评结果合格，否则，所述测评学生测评结果不合格。

继续参考图3，图3为本申请实施例中所述大学舞蹈考试测评方法的一个实施例的执行逻辑图，具体执行步骤如下：采集学生舞蹈考试的现场视频；获取网络上只标注动作类别的大量舞蹈动作图片，构建舞蹈图片集；将所述舞蹈图片集作为训练集，传入预设的TLSVM模型，识别出所述训练集中不同动作种类；获取所述不同动作种类对应的图像特征空间，并基于随机聚类森林的线性变换法，获取所述图像特征空间映射的视频特征空间，确定每一个所述视频特征空间对应的时空区域，构建所述训练集对应的时空区域集合；将所述现场视频作为测试集，获取所述测试集中每一个动作对应的视频特征空间，确定所述视频特征空间对应的时空区域，作为测试时空区域；基于所述时空区域集合，确定所述测试时空区域对应的时空区域，基于所述时空区域识别所述现场视频中不同的舞蹈动作；将所述现场视频中识别出舞蹈动作与预设的测试舞蹈动作进行对比，并基于预设算法确定两者间的相似度，将所述相似度作为测评结果，完成大学舞蹈考试测评。

本申请实施例中所述的大学舞蹈考试测评方法，可以通过采集学生舞蹈考试的现场视频；构建舞蹈图片集；将舞蹈图片集传入预设的TLSVM模型，识别出不同动作种类；获取不同动作种类对应的时空区域，构建所述训练集对应的时空区域集合；获取现场视频中每一个动作对应的测试时空区域；从训练时空区域集合中确定测试时空区域一一对应的时空区域，基于时空区域识别现场视频中的舞蹈动作；将现场视频中识别出舞蹈动作与预设的测试舞蹈动作进行对比，确定两者间的相似度，将相似度作为测评结果，完成大学舞蹈考试测评。本申请避免监考老师的主观因素影响，做到公平进行舞蹈测评。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等非易失性存储介质，或随机存储记忆体（Random Access Memory，RAM）等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图4，作为对上述图2所示方法的实现，本申请提供了一种大学舞蹈考试测评装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例所述的大学舞蹈考试测评装置4包括：视频采集模块401、舞蹈图片集构建模块402、动作种类识别模块403、训练时空区域集合生成模块404、测试时空区域确定模块405、舞蹈动作识别模块406、舞蹈考试测评模块407。其中：

视频采集模块401，用于采集学生舞蹈考试的现场视频；

舞蹈图片集构建模块402，用于获取网络上只标注动作类别的大量舞蹈动作图片，构建舞蹈图片集；

动作种类识别模块403，用于将所述舞蹈图片集作为训练集，传入预设的TLSVM模型，识别出所述训练集中不同动作种类；

训练时空区域集合生成模块404，用于获取所述不同动作种类对应的图像特征空间，并基于随机聚类森林的线性变换法，获取所述图像特征空间映射的视频特征空间，确定每一个所述视频特征空间对应的时空区域，构建所述训练集对应的时空区域集合；

测试时空区域确定模块405，用于将所述现场视频作为测试集，获取所述测试集中每一个动作对应的视频特征空间，确定所述视频特征空间对应的时空区域，作为测试时空区域；

舞蹈动作识别模块406，用于基于所述时空区域集合，确定所述测试时空区域对应的时空区域，基于所述时空区域识别所述现场视频中不同的舞蹈动作；

舞蹈考试测评模块407，用于将所述现场视频中识别出舞蹈动作与预设的测试舞蹈动作进行对比，并基于预设算法确定两者间的相似度，将所述相似度作为测评结果，完成大学舞蹈考试测评。

本申请实施例所述的大学舞蹈考试测评装置，通过采集学生舞蹈考试的现场视频；构建舞蹈图片集；将舞蹈图片集传入预设的TLSVM模型，识别出不同动作种类；获取不同动作种类对应的时空区域，构建所述训练集对应的时空区域集合；获取现场视频中每一个动作对应的测试时空区域；从训练时空区域集合中确定测试时空区域一一对应的时空区域，基于时空区域识别现场视频中的舞蹈动作；将现场视频中识别出舞蹈动作与预设的测试舞蹈动作进行对比，确定两者间的相似度，将相似度作为测评结果，完成大学舞蹈考试测评。本申请避免监考老师的主观因素影响，做到公平进行舞蹈测评。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图5，图5为本实施例计算机设备基本结构框图。

所述计算机设备5包括通过系统总线相互通信连接存储器5a、处理器5b、网络接口5c。需要指出的是，图中仅示出了具有组件5a-5c的计算机设备5，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field-Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器5a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器5a可以是所述计算机设备5的内部存储单元，例如该计算机设备5的硬盘或内存。在另一些实施例中，所述存储器5a也可以是所述计算机设备5的外部存储设备，例如该计算机设备5上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（FlashCard）等。当然，所述存储器5a还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中，所述存储器5a通常用于存储安装于所述计算机设备5的操作系统和各类应用软件，例如大学舞蹈考试测评方法的程序代码等。此外，所述存储器5a还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器5b在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器5b通常用于控制所述计算机设备5的总体操作。本实施例中，所述处理器5b用于运行所述存储器5a中存储的程序代码或者处理数据，例如运行所述大学舞蹈考试测评方法的程序代码。

所述网络接口5c可包括无线网络接口或有线网络接口，该网络接口5c通常用于在所述计算机设备5与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即提供一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有大学舞蹈考试测评程序，所述大学舞蹈考试测评程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的大学舞蹈考试测评方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。