基于行为分析的学生活动多维管理系统及管理方法

技术领域

本申请涉及行为分析技术领域，具体而言涉及一种基于行为分析的学生活动多维管理系统及管理方法。

背景技术

现有的学生行为分析系统，通常只能适应单一应用环境下的检测需求，仅能够针对学生的单一活动，比如课堂活动情况进行分析和记录。但是，学生在校生活学习并不局限于课堂，学生课余时间内的自习情况、社团活动的参与情况均会影响学生综合素质的发展。因此这些活动场景下也需要对学生的参与情况进行评估。然而，这些场景下进行学生行为分析时，由于场景中学生的行为模式与课堂场景完全不同，因此，若直接套用课堂场景下的评估模型，将由于模型本身收敛速度、数据处理能力、特征数据的表征和筛选偏差而导致错误的评估结果。

并且，由于学校学生数量庞大，现有的基于机器视觉的分析模型，其提取和收敛速度较慢，并且其所采用的深度学习算法需占用庞大的运算资源，因此将其部署于整个校园环境后，将很难通过学校现有运算资源实现应有的运算功能。现有方式下，很难实现对整个校园环境中不同活动的多维度综合管理。

发明内容

本申请针对现有技术的不足，提供一种基于行为分析的学生活动多维管理系统及管理方法，本申在对监控摄像头所采集的学生图像进行简单的特征提取后，能够通过将其与统计模型进行对照匹配从而通过简单运算获得学生在不同类型的活动中的参与状况，综合评价学生表现，并进行相应提示。本申请具体采用如下技术方案。

首先，为实现上述目的，提出一种基于行为分析的学生活动多维管理系统，其包括：身份识别模块，其分别安装在各学生活动区域的入口位置以及出口位置，用于采集并识别学生的身份信息以及对应该学生的衣着特征信息；监控系统接口，其分别连接各学生活动区域中的监控摄像头，用于接收并提取监控摄像头所采集的学生图像；行为监控模块，其连接所述监控系统接口，用于接收学生图像，根据学生图像中所包含的学生的衣着特征信息以及学生的面部特征信息识别并标记学生的身份，还用于提取各学生图像中的状态特征，针对各状态特征计算学生的参与状况，上传各学生的参与状况；管理数据库，其接收所述行为监控模块所上传的各学生的参与状况，对每一个学生的参与状况进行归档存储，并对每一个活动中所有学生的参与状况进行统计；评估提示模块，其连接所述管理数据库，用于按照预设的第一周期，调取每一名学生的参与状况，按照学生的参与状况与各活动所对应的行为模型之间的匹配度计算每一名学生的评分，在评分低于设定范围时向相应的学生发出提示；还用于按照预设的第二周期，调取每一个活动中所有学生的参与状况的统计数据，按照学生参与状况统计数据与该活动所对应的参与模型之间的匹配度分别计算每一个活动的参与程度，在参与程度低于预设标准时向活动所对应的管理人输出提示。

可选的，如上任一所述的基于行为分析的学生活动多维管理系统，其中，所述学生活动区域包括：宿舍楼、体育场馆、运动场、社团活动室、教室、图书馆；所述身份识别模块包括身份信息采集终端和摄像头，所述身份信息采集终端包括以下任意一种或其组合：指纹采集装置、虹膜扫描装置、语音识别装置、身份证件读取装置，分别用于采集并识别学生的指纹特征、虹膜特征、语音特征、身份证件信息以识别该学生的身份信息；所述摄像头用于在身份信息采集终端采集并识别到学生的身份信息时，拍摄对应该学生的图像，提取图像中学生的上衣颜色范围、下衣颜色范围、上衣与下衣之间的长宽比例，生成衣着特征信息。

可选的，如上任一所述的基于行为分析的学生活动多维管理系统，其中，所述行为监控模块按照以下步骤提取各学生图像中的状态特征，计算学生的参与状况：步骤d1，对同一学生活动区域内不同监控摄像头所采集的学生图像分别：提取监控摄像头所采集的学生图像的像素范围Z记为第一状态特征，提取学生图像中学生嘴部的中心位置坐标记为第一特征坐标(x1,y1)，提取学生图像中学生左眼的中心位置坐标记为第二特征坐标(x2，y2)，提取学生图像中学生右眼的中心位置坐标记为第三特征坐标(x3，y3)；步骤d2，对同一学生活动区域内不同监控摄像头所采集的学生图像分别：统计学生图像的像素范围Z处于该学生活动区域所对应的有效活动范围内的第一时常t1；计算相邻两学生图像中第一特征坐标之间的间距，统计每一个学生所对应的第一特征坐标之间的间距低于交谈阈值的第二时长t2；统计学生图像的像素范围Z位置不变而第一特征坐标(x1,y1)的移动量超出发言阈值第三时长t3；计算同一学生图像的像素范围Z内第一特征坐标(x1,y1)与第二特征坐标(x2，y2)之间连线相对于像素范围Z长边的第一角度、计算同一学生图像的像素范围Z内第一特征坐标(x1,y1)与第三特征坐标(x3，y3)之间连线相对于像素范围Z长边的第二角度，统计第一角度或第二角度中的任意一个超出判定阈值的第四时长t4；统计同一学生图像的像素范围Z的移动量超出移动阈值的第五时长t5；步骤d3，以同一学生活动区域内不同监控摄像头所采集的同一活动中上述各统计时长的最大值对应生成每一个学生的参与状况(t1,t2,t3,t4,t5)。

可选的，如上任一所述的基于行为分析的学生活动多维管理系统，其中，所述行为模型由以下步骤预先统计获得：步骤m1，以上一教学年度所评选的优秀班级中每一个学生参与各类活动的监控图像为第一样本，分别统计第一样本中每一个学生在各类活动中的参与状况；步骤m2，按照活动类别，分别统计步骤m1中第一样本在各类型活动中参与状况的数据分布；步骤m3，根据步骤m2所统计的参与状况的数据分布，分别计算获得每一个活动类别所对应的第一时长分布函数X1，第二时长分布函数X2，第三时长分布函数X3，第四时长分布函数X4，第五时长分布函数X5，以各类型活动所对应的各分布函数建立对应该类型活动的行为模型(X1,X2,X3,X4,X5)。

按照学生的参与状况与各活动所对应的行为模型之间的匹配度计算每一名学生的评分的具体步骤包括：步骤a1，分别计算学生的参与状况中第一时长t1对应于行为模型中第一时长分布函数X1的分布概率x1，计算第二时长t2相对于行为模型中第二时长分布函数X2的分布概率x2，计算第三时长t3相对于行为模型中第三时长分布函数X3的分布概率x3，计算第四时长t4相对于行为模型中第四时长分布函数X4的分布概率x4，计算第五时长t5相对于行为模型中第五时长分布函数X5的分布概率x5；步骤a2，计算匹配度p＝x1+x2+x3+x4+x5；步骤a3，计算评分P＝p/p’，其中，p’表示步骤m1第一样本中各学生在相同活动中与该类型活动的行为模型之间的匹配度的众数。

可选的，如上任一所述的基于行为分析的学生活动多维管理系统，其中，所述参与模型由以下步骤预先统计获得：步骤n1，以上一教学年度所评选的优秀活动中各学生参与该活动的监控图像为第二样本，分别统计第二样本中每一个学生在该活动中的参与状况；步骤n2，分别统计步骤n1中第二样本在该活动中参与状况的数据分布；步骤n3，根据步骤n2所统计的参与状况的数据分布，分别计算获得对应该活动类别的参与模型第一时长分布函数C1，参与模型第二时长分布函数C2，参与模型第三时长分布函数C3，参与模型第四时长分布函数C4，参与模型第五时长分布函数C5，以该类型活动所对应的各分布函数建立对应该其的参与模型(C1,C2,C3,C4,C5).

按照学生参与状况统计数据与该活动所对应的参与模型之间的匹配度分别计算每一个活动的参与程度的具体步骤包括：步骤b1，分别统计活动中每一个学生的参与状况中第一时长t1对应于参与模型第一时长分布函数C1的分布概率c1，第二时长t2对应于参与模型第二时长分布函数C2的分布概率c2，计算第三时长t3对应于参与模型中第三时长分布函数C3的分布概率c3，计算第四时长t4对应于参与模型中第四时长分布函数C4的分布概率c4，计算第五时长t5对应于参与模型中第五时长分布函数C5的分布概率c5；步骤b2，计算匹配度pc＝Σc1+Σc2+Σc3+Σc4+Σc5；步骤b3，计算评分Pc＝pc/pc’，其中，pc’表示步骤n1第二样本中各学生在该类型活动中与该类型活动的行为模型之间的匹配度的众数。

同时，为实现上述目的，本申请还提供一种基于行为分析的学生活动多维管理方法，其用于如上任一所述的管理系统，所述管理方法包括以下步骤：第一步，在各学生活动区域的入口位置以及出口位置分别采集并识别学生的身份信息以及对应该学生的衣着特征信息；第二步，在采集到学生身份信息后，调取相应学生活动区域中的监控摄像头所采集的监控图像，从监控图像中按照所述衣着特征信息提取出对应的学生图像；第三步，根据学生图像中所包含的学生的衣着特征信息以及学生的面部特征信息识别并标记学生的身份，并相应提取各学生图像中的状态特征，针对各状态特征计算学生的参与状况，上传各学生的参与状况；第四步，对每一个学生的参与状况进行归档存储，并对每一个活动中所有学生的参与状况进行统计；第五步，按照预设的第一周期，调取每一名学生的参与状况，按照学生的参与状况与各活动所对应的行为模型之间的匹配度计算每一名学生的评分，在评分低于设定范围时向相应的学生发出提示；并按照预设的第二周期，调取每一个活动中所有学生的参与状况的统计数据，按照学生参与状况统计数据与该活动所对应的参与模型之间的匹配度分别计算每一个活动的参与程度，在参与程度低于预设标准时向活动所对应的管理人输出提示。

可选的，如上任一所述的基于行为分析的学生活动多维管理方法，其中，第三步中具体按照以下步骤提取各学生图像中的状态特征，计算学生的参与状况：步骤d1，对同一学生活动区域内不同监控摄像头所采集的学生图像分别：提取监控摄像头所采集的学生图像的像素范围Z记为第一状态特征，提取学生图像中学生嘴部的中心位置坐标记为第一特征坐标(x1,y1)，提取学生图像中学生左眼的中心位置坐标记为第二特征坐标(x2，y2)，提取学生图像中学生右眼的中心位置坐标记为第三特征坐标(x3，y3)；步骤d2，对同一学生活动区域内不同监控摄像头所采集的学生图像分别：统计学生图像的像素范围Z处于该学生活动区域所对应的有效活动范围内的第一时常t1；计算相邻两学生图像中第一特征坐标之间的间距，统计每一个学生所对应的第一特征坐标之间的间距低于交谈阈值的第二时长t2；统计学生图像的像素范围Z位置不变而第一特征坐标(x1,y1)的移动量超出发言阈值第三时长t3；计算同一学生图像的像素范围Z内第一特征坐标(x1,y1)与第二特征坐标(x2，y2)之间连线相对于像素范围Z长边的第一角度、计算同一学生图像的像素范围Z内第一特征坐标(x1,y1)与第三特征坐标(x3，y3)之间连线相对于像素范围Z长边的第二角度，统计第一角度或第二角度中的任意一个超出判定阈值的第四时长t4；统计同一学生图像的像素范围Z的移动量超出移动阈值的第五时长t5；步骤d3，以同一学生活动区域内不同监控摄像头所采集的同一活动中上述各统计时长的最大值对应生成每一个学生的参与状况(t1,t2,t3,t4,t5)。

可选的，如上任一所述的基于行为分析的学生活动多维管理方法，其中，第五步中，具体通过以下步骤按照学生的参与状况与各活动所对应的行为模型之间的匹配度计算每一名学生的评分：步骤a1，分别计算学生的参与状况中第一时长t1对应于行为模型中第一时长分布函数X1的分布概率x1，计算第二时长t2相对于行为模型中第二时长分布函数X2的分布概率x2，计算第三时长t3相对于行为模型中第三时长分布函数X3的分布概率x3，计算第四时长t4相对于行为模型中第四时长分布函数X4的分布概率x4，计算第五时长t5相对于行为模型中第五时长分布函数X5的分布概率x5；步骤a2，计算匹配度p＝x1+x2+x3+x4+x5；步骤a3，计算评分P＝p/p’，其中，p’表示建立行为模型的样本中各学生在相同活动中与该类型活动的行为模型之间的匹配度的众数。

可选的，如上任一所述的基于行为分析的学生活动多维管理方法，其中，第五步中，具体通过以下步骤按照学生参与状况统计数据与该活动所对应的参与模型之间的匹配度分别计算每一个活动的参与程度：步骤b1，分别统计活动中每一个学生的参与状况中第一时长t1对应于参与模型第一时长分布函数C1的分布概率c1，第二时长t2对应于参与模型第二时长分布函数C2的分布概率c2，计算第三时长t3对应于参与模型中第三时长分布函数C3的分布概率c3，计算第四时长t4对应于参与模型中第四时长分布函数C4的分布概率c4，计算第五时长t5对应于参与模型中第五时长分布函数C5的分布概率c5；步骤b2，计算匹配度pc＝Σc1+Σc2+Σc3+Σc4+Σc5；步骤b3，计算评分Pc＝pc/pc’，其中，pc’表示建立参与模型的样本中各学生在该类型活动中与该类型活动的行为模型之间的匹配度的众数。

有益效果

本申请在学生活动区域的出入口位置步骤相应的身份识别模块，对学生身份信息和衣着特征进行识别，然后触发监控系统接口相应采集学生图像以供行为监控模块进行行为识别。行为监控模块通过对学生图像中特定的状态特征进行相应统计，可通过简单运算直接获得学生的参与情况。由此，本发明能根据统计所获得的参与情况，比照相应的统计模型，而获得学生在不同类型的活动中的参与状况，综合评价学生表现，并进行相应提示。本申请对学生状态特征的提取方式简单便捷，能够有效减少对校内运算资源的占用，而同时又能提供较为准确的综合评价数据，为教学管理提供参考。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。

附图说明

附图用来提供对本申请的进一步理解，并且构成说明书的一部分，并与本申请的实施例一起，用于解释本申请，并不构成对本申请的限制。在附图中：

图1是本申请的基于行为分析的学生活动多维管理系统的原理框图；

图2是本申请的监控摄像头中抗干扰模块的原理框图；

图3是监控摄像头抗干扰模块中干扰电压检测电路的原理图。

具体实施方式

为使本申请实施例的目的和技术方案更加清楚，下面将结合本申请实施例的附图，对本申请实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于所描述的本申请的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。

图1为根据本申请的一种基于行为分析的学生活动多维管理系统，其包括：

身份识别模块，其分别安装在宿舍楼、体育场馆、运动场、社团活动室、教室、图书馆等各类学生活动区域的入口位置以及出口位置，用于通过其中所设置的指纹采集装置、虹膜扫描装置、语音识别装置、身份证件读取装置等身份信息采集终端，相应的采集别学生的指纹特征、虹膜特征、语音特征、身份证件信息以调取管理数据库中的身份数据，识别出各学生所对应的身份信息。身份识别模块中一般还可设置有摄像头，用于在身份信息采集终端采集并识别到学生的身份信息时，被触发而拍摄对应该学生的图像，然后通过集成的图像处理器提取出该图像中学生穿着的上衣颜色范围、下衣颜色范围、上衣与下衣之间的长宽比例，对应该学生的衣着特征信息；

监控系统接口，其分别连接各学生活动区域中的监控摄像头，用于接收摄像头所拍摄的视频数据，并通过简单的卷积网络相应地提取出视频数据中对应各个学生的学生图像；

行为监控模块，其连接监控系统接口，用于接收学生图像，根据学生图像中所包含的学生的衣着特征信息以及学生的面部特征信息，通过与管理数据库中身份数据的比对而相应识别并标记学生的身份，该行为监控模块还用于分别提取各学生图像中的状态特征，针对各状态特征计算学生的参与状况，上传各学生的参与状况；

管理数据库，其接收行为监控模块所上传的各学生的参与状况，对每一个学生的参与状况进行归档存储，并对每一个活动中所有学生的参与状况进行统计；

评估提示模块，其连接管理数据库，用于按照预设的第一周期，调取每一名学生的参与状况，按照学生的参与状况与各活动所对应的行为模型之间的匹配度计算每一名学生的评分，在评分低于设定范围时向相应的学生发出提示；还用于按照预设的第二周期，调取每一个活动中所有学生的参与状况的统计数据，按照学生参与状况统计数据与该活动所对应的参与模型之间的匹配度分别计算每一个活动的参与程度，在参与程度低于预设标准时向活动所对应的管理人输出提示。

下面以课堂教学活动为示例对上述基于行为分析的学生活动多维管理系统的管理步骤进行说明。

首先在教室或教学楼的入口位置设置相应的身份识别模块，采集并识别学生的身份信息以及对应该学生的衣着特征信息。

在采集到学生身份信息后，触发监控系统接口接通对应设置于该教室或教学楼的监控摄像头，由监控摄像头采集监控图像，再通过监控系统接口调取相应学生活动区域中的监控摄像头所采集的监控图像，从监控图像中通过yolov3-tiny等卷积网络相应的提取出对应各学生图像的像素框，标记像素框相对于完整监控图像的像素坐标范围，再进一步按照像素框中所包含的衣着特征信息以及学生的面部特征信息，通过与管理数据库中身份数据以及身份识别模块中摄像头所采集的衣着特征信息进行比对而相应识别并在对应像素框上标记学生的身份。

由此，行为监控模块可进一步按照以下的步骤分别提取各学生图像中的状态特征，针对各状态特征计算学生的参与状况，从而相应的上传各学生的参与状况：

步骤d1，对同一教室内不同监控摄像头所采集的学生图像分别：提取监控摄像头所采集的学生图像的像素框的坐标，将对应的像素范围Z记为第一状态特征，提取学生图像中学生嘴部的中心位置的像素点坐标记为第一特征坐标(x1,y1)，提取学生图像中学生左眼的中心位置的像素点坐标记为第二特征坐标(x2，y2)，提取学生图像中学生右眼的中心位置的像素点坐标记为第三特征坐标(x3，y3)；

步骤d2，对同一教室内不同监控摄像头所采集的学生图像分别：统计学生图像的像素范围Z处于该教室内课桌摆放区域、板书区域等相应学生活动区域所对应的有效活动范围内的第一时长t1，当学生图像处于这些图像区域中可以表示学生处于听讲状态或至少未旷课；计算相邻两学生图像中第一特征坐标之间的间距，统计每一个学生所对应的第一特征坐标之间的间距低于交谈阈值的第二时长t2，当第一特征坐标之间间距低于交谈阈值时，可认为学生正在交流，由此可通过简单的距离计算筛选出课堂上学生之间交流的情况；统计学生图像的像素范围Z位置不变而第一特征坐标(x1,y1)的移动量超出发言阈值第三时长t3，当学生发言时，其嘴部活动幅度较大婴儿第一特征坐标会在一定范围内抖动，当达到我们通过经验值设置的发言阈值时可在绝大多数情况下筛选出同学的有效发言时间，从而对课堂教学互动情况进行统计；计算同一学生图像的像素范围Z内第一特征坐标(x1,y1)与第二特征坐标(x2，y2)之间连线相对于像素范围Z长边的第一角度、计算同一学生图像的像素范围Z内第一特征坐标(x1,y1)与第三特征坐标(x3，y3)之间连线相对于像素范围Z长边的第二角度，统计第一角度或第二角度中的任意一个超出判定阈值的第四时长t4，由于学生瞌睡或低头翻看手机时，其头部转动会使得上述两眼与嘴巴中心的连线相对像素范围Z的长边角度变大，因此，通过经验设置一定的判定阈值就可以通过简单的像素位置计算获得学生在课堂上走神的情况；统计同一学生图像的像素范围Z的移动量超出移动阈值的第五时长t5，由于课堂上学生一般保持静止姿态，当该移动量过大时可相应判断学生在走神或被其他事物吸引，由此可进一步对学生的上课状况进行评估；

步骤d3，以同一教室内不同监控摄像头所采集的同一活动中上述各统计时长的最大值对应生成每一个学生的参与状况(t1,t2,t3,t4,t5)。

行为监控模块对上述各学生的参与状况上传后，管理数据库可相应接收数据，然后按照每一个学生的身份信息进行识别，并将其对应的参与状况按照学生的身份各自进行归档存储，并对同一个活动中所有学生的参与状况进行统计。

最终，系统内的评估提示模块，可以按照预设的周期，每周调取各位学生的参与状况，按照各位学生的参与状况与其所参与的各项各类型活动所对应的行为模型之间的匹配度计算对每一名学生的评分，在评分低于设定范围时向相应的学生发出提示。同时，系统内的评估提示模块还可以按照预设的第二周期，每月或每半学期调取各活动中所有学生的参与状况的统计数据，按照学生参与状况统计数据与对应该类型活动的参与模型之间的匹配度分别计算每一个活动的参与程度，在参与程度低于预设标准时向活动所对应的管理人，如教师、社团负责人等相应的进行提示。

由此，本申请通过简单的像素计算即可获得学生的参与状况，通过对学生参与状况的统计评估即可对学生和活动管理人进行提示，动态监控各类型活动的开展状况，对学生进行多维度的管理。

具体实践中，上述各类型活动所对应的行为模型可具体通过以下步骤，由管理数据库中的历史数据统计获得：

步骤m1，以上一教学年度所评选的优秀班级中每一个学生参与各类活动的监控图像为第一样本，分别统计第一样本中每一个学生在各类活动中的参与状况；

步骤m2，按照活动类别，分别统计步骤m1中第一样本在各类型活动中参与状况的数据分布；

步骤m3，根据步骤m2所统计的参与状况的数据分布，分别计算获得每一个活动类别所对应的第一时长分布函数X1，第二时长分布函数X2，第三时长分布函数X3，第四时长分布函数X4，第五时长分布函数X5，以各类型活动所对应的各分布函数建立对应该类型活动的行为模型(X1,X2,X3,X4,X5)。

由此，按照学生的参与状况与各活动所对应的行为模型之间的匹配度计算每一名学生的评分的具体步骤可设置为：

步骤a1，分别计算学生的参与状况中第一时长t1对应于行为模型中第一时长分布函数X1的分布概率x1，计算第二时长t2相对于行为模型中第二时长分布函数X2的分布概率x2，计算第三时长t3相对于行为模型中第三时长分布函数X3的分布概率x3，计算第四时长t4相对于行为模型中第四时长分布函数X4的分布概率x4，计算第五时长t5相对于行为模型中第五时长分布函数X5的分布概率x5；

步骤a2，计算匹配度p＝x1+x2+x3+x4+x5；

步骤a3，计算评分P＝p/p’，其中，p’表示步骤m1第一样本中各学生在相同活动中与该类型活动的行为模型之间的匹配度的众数。

与之对应，具体实践中，上述各类型活动所对应的参与模型可具体通过以下步骤，由管理数据库中的历史数据统计获得：

步骤n1，以上一教学年度所评选的优秀活动中各学生参与该活动的监控图像为第二样本，分别统计第二样本中每一个学生在该活动中的参与状况；

步骤n2，分别统计步骤n1中第二样本在该活动中参与状况的数据分布；

步骤n3，根据步骤n2所统计的参与状况的数据分布，分别计算获得对应该活动类别的参与模型第一时长分布函数C1，参与模型第二时长分布函数C2，参与模型第三时长分布函数C3，参与模型第四时长分布函数C4，参与模型第五时长分布函数C5，以该类型活动所对应的各分布函数建立对应该其的参与模型(C1,C2,C3,C4,C5).

由此，按照学生参与状况统计数据与该活动所对应的参与模型之间的匹配度分别计算每一个活动的参与程度的具体步骤包括：

步骤b1，分别统计活动中每一个学生的参与状况中第一时长t1对应于参与模型第一时长分布函数C1的分布概率c1，第二时长t2对应于参与模型第二时长分布函数C2的分布概率c2，计算第三时长t3对应于参与模型中第三时长分布函数C3的分布概率c3，计算第四时长t4对应于参与模型中第四时长分布函数C4的分布概率c4，计算第五时长t5对应于参与模型中第五时长分布函数C5的分布概率c5；

步骤b2，计算匹配度pc＝Σc1+Σc2+Σc3+Σc4+Σc5；其中Σ表示对活动中每一个学生的参与状况中各项数据的分布概率进行累加求和

步骤b3，计算评分Pc＝pc/pc’，其中，pc’表示步骤n1第二样本中各学生在该类型活动中与该类型活动的行为模型之间的匹配度的众数，对于参与学生人数明显不同于第二样本的清醒，一般还需要对匹配度pc以及相应的pc’

根据参与学生数量进行归一化，以归一化后的数据等比例进行评分。

由此，本申请可以通过简单的像素提取和像素运算，利用简单的统计方式构建模型，对学生参与各类型活动的情况进行评估，从而以有限的运算资源实现校园范围内对每一个学生的多维度跟踪管理。

考虑到校园范围内手机信号、广播信号、WiFi信号繁杂，摄像头所处电磁场环境复杂，其在上传学生图像时，常常会因为信号干扰而导致传输故障，致使上述过程中对学生的状态特征统计不全。为解决该问题，本申请还在摄像头信号的上行传输端口连接有图2所示的抗干扰模块。该抗干扰模块通过数据接口，或直接集成连接在摄像头中的信号传输模块上，采集信号传输模块中携带有外部电磁环境干扰的基准信号AVDD，将其相应输入干扰电压检测电路。干扰电压检测电路以图3方式对基准信号AVDD上所叠加的干扰分量进行动态识别检测，按照干扰分量的幅值和相位相应触发以锁相环和/或DC-DC所构成的抗干扰源，根据干扰分量的幅值和相位相应触发锁相环以对应频率的相反相位输出抗干扰信号，以DC-DC调节该抗干扰信号的幅值，由此，抗干扰信号被设置为与干扰分量相同但幅值但相位相反，将该抗干扰信号叠加至基准信号AVDD上可以等效的抵消掉其中的干扰分量，从而实现摄像头数据的高质量传输。

考虑到电磁环境中干扰信号的时频特性以及最大抖动量，其中的干扰信号检测电路可通过图3方式实现，以简化电路结构：

图3右侧Q7至Q10形成镜像电流源，其中Q9作为检测开关，响应于干扰分量的抖动频率推动Q6的发射极相应触发Q1和Q2开关。其中，Q1、Q2的集电极之间通过Q6的基极实现对干扰分量幅值大小的跟随。由此，通过Q3至Q6所组成的反相延迟电流，可输出对应于干扰信号的Vo。其中，Q5、Q3组成第一组反相器，Q6、Q4组成第二组反相器，两组之间通过C1进行相位延迟，在干扰信号的正半周期内通过Q5、C1、Q4之间的构成通路输出反相信号，在干扰信号的负半周期内通过Q6、C1、Q3之间的构成通路输出相应的反相信号，由此使得Vo在整个信号周期内反向并通过Q6的基极实现对干扰分量幅值大小的跟随。

具体实现时，PNP三极管Q5、Q6、Q7、Q8的发射极连接基准信号AVDD。Q7、Q8的基极相互连接后通过Q7的集电极连接至NPN三极管Q6的集电极。NPN三极管Q6的发射极通过电阻R3接地，其基极通过PNP三极管Q1和Q2的集电极连接至PNP三极管Q5和NPN三极管Q3的基极。Q8的集电极与PNP三极管Q9的发射极连接，Q9的集电极同时连接上述Q7、Q6以及NPN三极管Q10的集电极。Q9、Q10的基极同时反馈至Q1、Q2的基极，而Q10的发射极连接与Q6发射极相同的电平。其中PNP三极管Q1的发射极通过分压电阻R2接收基准信号AVDD。其中NPN三极管Q2的发射极接地。而为实现Vo信号的第一个通路，Q5的集电极连接至C1的上端，C1的下端连接至NPN三极管Q4的基极然后通过Q4的集电极实现反相信号的输出。为实现Vo信号的第二个通路，Q3的集电极连接至C1的下端，C1的上端连接至Q6的基极然后通过Q6的集电极实现对应反相信号的输出。其中，Q4、Q3的发射极共同接地。

由于Vo功率有限，还需要抗干扰源中的锁相环以Vo的抖动频率锁定与干扰分量相反的相位，然后通过对Vo震动幅值的解调触发DC-DC在锁相环所输出的信号上叠加上相应的电压幅值，由此生成与干扰分量幅值相同、相位相反的抗干扰信号。该抗干扰信号被叠加输出至信号传输模块中的基准信号AVDD上，可以等效的抵消掉其中的干扰分量，从而实现摄像头数据的高质量传输。

图2、图3中电路可以采用集成方式实现，也可以直接选择通过电路板方式连接在摄像头的相应接口位置。

以上仅为本申请的实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些均属于本申请的保护范围。