课堂行为识别通过对学生在课堂环境中的行为进行分析,形成有效的教学反馈,提升课堂教学质量和学生学习效果。传统的教学评价手段单一,过于依赖主观经验。通过应用计算机视觉技术和人工智能方法对学生的课堂行为进行分析,产生的结果应该会更为客观,且更能提高动作识别的效率。本文基于课堂环境获取的学生行为骨骼数据,对多人交互群体发现和个体行为识别两个方面进行了深入研究,具体内容如下:(1)针对课堂环境下多人交互群体发现,提出了一种基于骨骼节点轨迹聚合模型的交互群体发现算法。首先,为了减小身体尺寸和初始位置对3D骨骼数据采集的影响,将骨骼数据进行标准化处理;其次,为了描述骨骼行为的轨迹信息,引入了一种速度调节的轨迹优化方法,该过程利用估计的骨骼行为速度来调节最佳收缩位置。最后,对聚合后的骨骼轨迹进行聚类,实现交互群体的发现。实验部分,针对课堂实测数据,对本文方法和对比方法进行了交互群体发现结果的验证,结果表明:基于轨迹方法在多人交互群体发现方面有很好的准确性。(2)针对课堂采集视频数量有限,且要求计算效率较高的问题,提出了一种基于人工特征的多核SVM行为识别方法。通过定义骨骼坐标间的距离和旋转角度为骨骼数据特征,并采用PCA对高维数据进行降维处理,最后充分利用个体运动状态满足非线性流形空间的特点,采用多核SVM分类器对特征数据特征进行分类。实验部分,分别采用公测数据和课堂实测数据,对本文方法和对比方法进行了动作识别效果的验证,结果表明:针对非线性流形结构数据,利用基于核的非线性分类器,在中等规模数据集上,可以实现更好的识别率。在实测数据集上,与Lie-Group和ST-GCN方法相比,分别高出了43.4%和53.5%。同时该方法的运行效率较高,能够满足课堂环境中学生动作识别的实时性能需求。(3)根据本文所提方法设计并实现了一个基于骨骼数据的课堂行为评价原型系统,实现课堂采集视频的实时姿势识别和评价,系统功能包括教师登录、课堂录制、课堂评价,并通过图像界面进行展示。