行为轨迹（共4篇）
行为轨迹 篇1
人体行为识别指对人体运动的模式进行分析和识别,是计算机视觉领域被广泛关注的研究热点。异常行为识别是人体行为识别的一个重要研究方向,主要对跳、跑、呼救、弯腰、挥手5种异常行为进行识别。这项研究在智能安全监控领域有着广泛的应用价值。
智能安全监控主要包括检测、追踪、识别和分析4个部分。在分析识别上Haritaoglu[1]等人使用灰度的影像或红外线装置,利用轮廓的信息来定位人体的细部模块,并能处理异常情况的发生。布朗大学的Sidenbladh和Block[2]将人类行为的步骤分成3个部分,并进行了一系列的研究。提出一种以人类为目标的视频监控系统,利用人移动的轨迹特征,来判断是否发生异常行为。实验结果表明本算法可以准确有效地检测行人的各种异常行为、性能稳定。
1 前景目标检测与追踪
1.1 目标检测
目标的检测与追踪是监视系统最重要的部分。传统方法有:连续影像相减法、背景相减法、光流检测法3种。采用渐进式背景构建法。流程图如图1。
首先建立背景模型,然后将目前取得的影像与所建立的背景模型进行相减运算,并设定一阀值,以区分前景与背景的像素点。接着利用形态学运算来去除影像中的伪影及进行前景区域的修补。再使用连通成分将二元化影像中的连结的区域标示成相同的标记。
1.2 目标追踪
在检测出目标后就可以利用追踪模块持续的追踪监控。目标追踪方法有:对比法和预测法。使用文献[3]预测方式的追踪法,利用目标在之前数帧中的移动向量,预测出目标的最小边界矩形在下一帧中的位置与大小,并将目前帧中检测到的目标与预测的目标做比较,以找到目标之间的对应关系。利用目标的位置、大小与颜色特征来设定适当的条件,以找出正确的目标对应关系。
2 异常行为分析
2.1 目标特征的提取
在序列视频影像中要根据目标的移动轨迹取出其可供辨识的特征,判断目标现在的状态是否属于所设定的正常行为范围之内,若不则视为异常行为。把提取的特征分为3种:速度Vi、区域长宽比例lw_ratio、轨迹曲线K。
2.2 行为识别
异常行为包括跑步、跌倒、爬行等等。不符合设定的预设条件,即认为发生异常行为。当目标进入场景后,系统记录目标移动的轨迹特征,判断是否属于正常走路状态。一旦系统根据所提取的移动轨迹特征判断有异常行为发生时立刻报警。
3 轨迹检索
当检测到异常行为时,除了发出警告还得针对特定事件的轨迹做检索,找出资料库里相关信息进行进一步判断。首先利用主成份分析,对提取的轨迹特征做一次特征空间的投影转换,得到一组转换过的特征向量后才能进行后续的1检索。
3.1 取样
在进行轨迹对比前必须保证每一条轨迹对比部分的长度一致。首先找出每一条轨迹的控制点,如图2。
其中i、j为此条轨迹上的控制点,控制点代表的是此条轨迹角度的变化量相对于其他点较大的区段。首先计算每一点和相邻两点之间的角度,如图3。
假设在第i个点到第j点之间要取出n个点,取样公式如式(1):
取出全部所需轨迹点后,接着要将这些点的特征投影到特征空间进行转换。
3.2 主成份分析
主成份分析是一种用来识别一群资料中各种样本的方法,能够强调不同样本之间的相似性以及差异性。可分成六个步骤:(1)选取要做PCA转换的样本。(2)将同一维度的每一笔样本减去其平均值。(3)计算共变异矩阵。(4)计算步骤3得到的共变异矩阵的特征向量及特征值。(5)选取不为0的特征值所对应的向量构成一组特征向量。(6)将步骤2所得到的样本点投影到步骤5得到的主轴上,得到最后的特征,此特征即是之后用来做轨迹对比的输入样本。
3.3 轨迹对比
取得各条轨迹的特征向量后,就是轨迹间的对比。采用文献[4]提出的两种曲线配对的算法进行比较。一种是以最小投影距离为基础的平衡矩阵,另一种是以差异影像为基础的平衡矩阵。
3.3.1 以最小投影距离为基础的平衡矩阵
为精确计算输入轨迹与样本库所有轨迹的相似度首先计
算两者之间的投影距离。假设代表样本库里n条轨迹的特征向量,输入轨迹的特征向量则以表示,T和D在d维空间中的投影距离计算如下:
设定一个合适的阀值d0,若,则判定两者为相似轨迹。
重复上述步骤,直到输入轨迹和样本库里每一条轨迹对比过后停止。如此便可完成轨迹的检索。
3.3.2 以差异影像为基础的平衡矩阵
先计算每一条轨迹本身的差异痕迹,以表示,计算之后可得到样本库里全部轨迹各自的差异痕迹,以表示,要做检索的轨迹差异痕迹以表示。接下来计算LT和LD之间的平方根误差距离:
最后设定合适的阀值d0,若,则判定两者为相似轨迹。上述步骤直到输入轨迹和样本库里每一条轨迹对比过后停止。
4 实验结果与分析
为验证算法的可行性及优越性,整个实验的环境为Intel P4 3.0G,内存1G,使用Visual C++6.0开发。在进行检测之前先建立背景模板,利用背景相减检测出场景中的目标,经图像出理后得到每一个完整的前景区域。部分结果如图4(a)为背景模板,(b)为目标进入,(c)为背景相减结果,(d)为目标形态。
为了计算系统的准确性,输入几段实验视频,分别为正常走路行为和模拟各种异常行为的视频准确度计算的方式一每段视频的每一帧之前的景物状态判断结果为基础。表1为实验样本数目,正常行为的有130帧,异常行为140帧,判断正确率为91.48%。
行为分析实验结果如表2,在两段长度总共为270帧的视频中本算法在各种行为的分类正确率分别为82.93%~91.56%,全部行为的平均分类正确率为90.3%。
利用两种不同的曲线配对算法将欲检索的轨迹和样本库中的轨迹做对比,结果如表3。其中FRR(错误拒绝率)指其为相关联的样本欲被系统拒绝;FAR(错误接受率)指不相关的样本被系统接受,FRR和FAR愈低,表示系统的性能越好。
5 结语
由于人体运动是一个复杂的运动系统,具有很大的自由度和高度的非线性特点,以及关于行为、事件的定义有着不同的概念,如何选择充分有效的表达方式来描述场景中人的行为是非常困难的。提出了一个完整的视频监控系统,首先提取行人移动的轨迹特征,用以训练各种状态的模型,根据模型及其他条件判定是否发生异常行为,最后把每次异常行为发生的轨迹存储并建立索引,作为后续轨迹检索的查询资料。实验表明算法的鲁棒性。
摘要：提出一个以行人为目标的视频监控系统,利用行人的移动轨迹特征来判断是否发生异常行为。利用背景相减法来检测是否有目标的存在,并利用目标的各种信息来追踪行人;建立目标行为模型,利用模型有效地识别目标的各种行为;利用轨迹对比的方式完成相关事件的轨迹检索,并供后续查询。实验表明,本算法可行、性能稳定。
关键词：目标检测,轨迹特征,异常行为,主成份分析
参考文献
[1]I.Haritaoglu,D.Harwood,L.S.Davis.Real-Time Surveillance of People and Their Activities[J],IEEE Trans.Pattern Anal-ysis and Machine Intelligence,2000,22(8):809-830.
[2]H.Sidenbladh and M.J.Black.Learning the statistics of people in images and video,international Journal of Computer Vision.2003,54(1-3):183-209,2003.
[3]F.Bremond and M.Thonnat,Tracking multiple nonrigid ob jects in video sequences[J],IEEE Trans.Circuits and Sys-tems for Video Technology,1998,8(5):575-584.
[4]Z.Li,A.K.Katsaggelos and B.Gandhi,Fast video retrieval based on trace geometry matching[J],IEEE Proc.Vision,Image and Signal Processing,2005,152(3):367-373.
行为轨迹 篇2
1 初始背景建模
目前主要的建模方法有码本法、高斯法、中值法和均值法等。码本法[7]采用量化的方法针对每一帧图像构建一个码本模型，能够建立可靠的背景模型，但其时间复杂度高，无法满足实时处理的要求。核密度估计无参背景建模方法[8]在样本充分时能够很好地适应场景变化，可处理多模态情况，但计算比较复杂，占用内存多;混合高斯模型方法[9]通过为图像中的每个像素点建立多个高斯模型来建立背景图像，该方法对环境的自适应能力较强，但算法时间复杂度高，模型参数的选取对其检测效果影响较大，提取的背影会有“鬼影”或“拖影”现象，导致检测目标不准确。本文针对以上方法的不足采用一种基于帧差法的二值化背景模板建模算法，通过对场景图像序列进行训练来提取背景特征，并利用背景特征建立模型表示初始背景。其具体步骤如下:
1)初始化二值化背景模版M、计数器T和背景图像S的灰度值;
2)读入视频序列前N帧图像In(n=1,2，…，N)，采用帧差法将当前帧图像In和第k帧图像Ik(1≤k≤n)做差分处理，即Dn-k(x,y)=In(x,y)-Ik(x,y)，得到差分图像Dn-k(x,y);
3)若Dn-k(x,y)中相应像素点的灰度值H(x,y)<th0(th0为设定的灰度阈值)，则将M中的对应点置1，如果此时该点在S中对应的像素点灰度值为0，则将其设为In(x,y);
4)对二值化背景模版M进行遍历，用计数器T来记录背景模版M中状态为0的像素点的数量;
5)当计数器T<th1(th1=7，为计数阈值)时，说明背景图像S已建立完成。否则，将背景模板和当前帧图像中处于0状态对应的像素值赋给背景像素，并把计数器T置零，跳转步骤2)。
图1显示了背景模板法建立起始背景图像的过程。该算法可以在复杂场景下快速有效地建立背景，对比高斯法、码本法和中值法具有明显的优势。由于本文主要针对智能视频监控中运动人体的徘徊行为进行研究，监控场景中人体的运动速度相对比较缓慢，反映到时间差较小的相邻两帧图像中时，运动目标会出现较大部分的重合，影响初始化背景模型的建立。因此，根据监控场景内的实际情况，在步骤2)中选用间隔为50帧的帧差法，灰度阈值th0为5。有效抑制了噪声等因素的干扰，弥补了中值滤波和高斯法建模的不足。
2 目标检测和跟踪
运动目标检测处于整个智能视频监控系统的底层，是实现徘徊行为智能化分析的前提。它是指通过利用图像处理技术将感兴趣的前景目标区域从所拍摄的视频场景图像中分离出来，该阶段检测效果的好坏直接影响后续徘徊行为的识别。前景目标的提取通常易受光照、相机抖动等外界环境因素影响，易造成“误检”和“漏检”的现象，因此采用一种可靠有效的目标检测算法十分重要。本文通过对传统的背景差分法和帧间差分法[10]进行实验分析，采用一种改进的结合背景差分和三帧差分的检测算法对运动区域进行提取，并将提取的运动区域结果进行二值化处理得到运动前景轮廓，最后采用Mean-shift算法实现运动目标的跟踪。
2.1 运动目标的检测
针对运动目标检测中单一使用背景减差法或帧间差分法的不足，本文采用三帧差法和背景减差法相结合的检测方法。具体的算法思想:首先，从视频图像序列中获取连续3帧图像，对其做3帧差分运算得到待检前景目标图像，同时，取上述连续3帧图像的中间帧与背景图像做差分得到背景差分图像，最后，将待检前景目标图像与背景差分图像做逻辑运算提取出前景目标。该运动目标检测算法的步骤如下:
1)取当前帧图像Ii(x,y)和背景图像S(x,y)做差分运算，并对获取背景差分图像做阈值化处理(th2为设定阈值)，得到二值化图像Di(x,y)，从而提取出待检测的前景目标像素点，如式(1)所示
2)在视频序列中取连续的3帧图像Ii-1(x,y),Ii(x,y),Ii+1(x,y)，对相邻帧做两两差分运算，将得到的两幅差分图像G1(x,y)和G2(x,y)进行阈值化后做适当的形态学处理，通过对处理后的两差分图像做“与”运算，得到三帧差分结果图像G(x,y)，如式(2)～式(4)所示
3)将三帧差分结果图像G(x,y)与背景差分图像Di(x,y)做逻辑“或”运算，得到目标图像Wi(x,y)，进而提取出前景目标，如式(5)所示
图2显示了三帧差分法与背景减差法相结合的方法对场景内运动目标进行检测的过程。从图中可以看出该算法能够获得较好的检测效果，不但克服了单独使用背景减除法对光线变化自适应能力差的问题，还弥补了帧间差分法容易造成前景目标空洞的缺陷，加之采用多帧的联合判断有效地抑制了噪声、抖动等外界因素带来的影响，进一步提升了场景中运动目标检测的有效性。
2.2 运动目标的跟踪
运动目标跟踪是指利用相邻帧间目标的特征匹配来确定其在当前帧中的位置，即在视频序列的不同帧中搜索同一目标位置的过程。本文在搜寻最佳匹配目标特征时采用Meanshift算法。对于n维欧式空间X中的有限集合A，在x∈X处的Mean-shift表达式如式(6)
对于给定一个初始点x，核函数G(xi)，权重函数w(xi)，容许误差δ，式(6)中第一项记为mh,G(x)，则其可表示为式(7)的形式
通过迭代计算mh,G(x)，再对进行判断，若为真，说明找到了最佳匹配点，则退出程序;否则，使用式(7)继续计算mh,G(x)。根据模式匹配[11]的初始位置即是上一帧图像中核函数中心密度最大点的位置，在跟踪过程中首先对检测出的前景目标进行标记，并将其图像进行反向投影得到反向投影图，然后利用Mean-shift算法进行迭代，根据其重心向反向投影图中概率大的地方移动的原则来找到运动目标的新位置。该跟踪算法计算量较小，且对行人目标发生边缘遮挡和变形等变化不敏感，能够准确地对视频序列中的行人进行有效的跟踪。
3 徘徊行为分析
3.1 徘徊行为的定义和判定
徘徊行为是运动人体在一个地方停留超过一段时间或者运动轨迹出现异常[12,13]。由于人体的运动行为有随机性，想要准确判定徘徊行为是一个相当复杂的过程。大多数研究者根据运动目标在警戒区域内逗留时间、运动轨迹的长度和方向信息进行判定。本文采用轨迹分析法通过运动目标在防区内运动轨迹的X轴、Y轴的分量随时间的变化曲线对徘徊行为进行判定。
3.2 正常行为的轨迹分析
在正常情况下行人的运动轨迹是一条沿主方向斜率变化比较稳定的贯穿防区的一条曲线。根据曲线的正交分解法可以将运动目标在防区内轨迹分解为X轴分量和Y轴分量。
图3显示了运动轨迹分量映射到帧数-分量值坐标平面中轨迹曲线的变化。图3a为行人正常从警戒区域穿过时，目标轨迹在X轴的分量持续上升，Y轴分量在150～200之间平稳变化。图3c为2个目标同时穿越且方向不同的情况，可以看出目标1轨迹的X轴分量持续增加，Y轴分量虽出现一个值跳变，但整体变化不大;目标2中X轴分量持续减少，Y轴分量变化平稳，未出现某个坐标轴分量类似正弦波振荡的情况。经研究分析发现目标正常穿越时的轨迹分量曲线变化为2条轨迹分量曲线均未出现正弦波式的振荡波形。
3.3 徘徊行为的轨迹分析
根据对大量徘徊行为的视频数据进行分析后发现，当运动目标发生徘徊行为时，它的运动轨迹分解后在X轴或Y轴分量曲线上会出现多个波峰和波谷，对应的分量轨迹曲线随着帧数的增加出现振荡的现象，同时其在一定区域内的轨迹长度明显高于正常穿越的情况。
1)徘徊行为轨迹分类
通过对日常徘徊行为的分析，本文将近似椭圆运动轨迹、反复做往返运动轨迹、无规则的折线运动轨迹和S形曲线运动轨迹四种典型徘徊行为的运动轨迹，采用正交分解法分解并映射到分量值与帧数组成的平面坐标系中，通过对徘徊行为轨迹曲线的分析，可将徘徊行为归为单坐标轴轨迹分量曲线异常和双坐标轴轨迹分量曲线异常两类。
(1)单坐标轴轨迹分量曲线异常
当目标在监控区域内出现反复往返或S型运动时，将其轨迹进行分解并映射到分量值—帧数坐标平面中，其中一条轨迹坐标轴分量曲线会出现振荡，而另一条轨迹坐标轴分量曲线会缓慢地增加或减少，此种曲线异常往往发生在水平拍摄的视频场景中，在这种拍摄方式下只需通过一条轨迹分量曲线即可判定行人是否存在徘徊行为。
(2)双坐标轴轨迹分量曲线异常
当目标在防区内出现近似椭圆或无规则折线运动时，其运动轨迹被分解并映射到分量值—帧数坐标平面后，2条轨迹分量坐标轴曲线均出现振荡现象，或1个轨迹坐标轴分量曲线出现振荡，1个坐标轴轨迹曲线发生不规则的变化，且振荡曲线中存在多个波峰和波谷，同时相邻波峰和波谷间会出现较大的落差，此类曲线异常通常发生在垂直或倾斜向下角度拍摄的视频场景中。
2)徘徊行为的判定
目标贯穿整个防区的运动轨迹满足在分量坐标轴投影平面中2条轨迹分量曲线均未出现正弦波式振荡。当轨迹的分量坐标轴曲线出现单曲线或双曲线异常时，若某条异常曲线中波峰和波谷数量Tk≥Tr(Tr=3)，则认为运动目标发生了徘徊行为。其中波峰和波谷的判定为:波峰和波谷在有限区间内分别对应局部曲线的极大值点和极小值点，当相邻波峰与波谷的落差Δh>Th(Th=30)时，则认为该波峰或波谷为真正极值点，Tk=Tk+1，否则该波峰或波谷为虚假极值点，Tk不变。
4 实验结果和分析
本文采用在校园拍摄视频自建的实验数据库和中科院自动化所CASIA行为分析数据库作为测试对象，并从水平和俯视两种角度进行验证。
图4为水平角度拍摄的行人徘徊行为，由于视频水平拍摄，所以在二维平面运动目标的纵坐标不会出现较大变化。如图4a可以看出行人轨迹的Y轴分量曲线变化相对比较平稳，X轴分量曲线出现4个波峰和3个波谷，且相邻波峰与波谷间的落差Δh>Th，属于单坐标轴分量曲线异常。
图5为选自中科院自动化所CASIA视频集的一段俯视拍摄的徘徊行为视频，俯视拍摄下目标运动轨迹的X轴、Y轴分量曲线在平面坐标系中都可能出现大幅度变化(如振荡)。如图5a所示，运动目标的X轴分量曲线中出现3个波峰和3个波谷，同时Y轴也出现了大幅度的增减情况，属于双坐标轴分量曲线异常。
图6为监控场景内同时存在正常穿越和徘徊行为的情况。图6a、图6b、图6c分别显示了目标在监控区域内的运动情况以及发生徘徊行为后目标的变化。从图6d中的目标轨迹分量曲线可以看出，2个目标Y轴轨迹分量曲线变化平稳(由于采用水平拍摄方式，Y轴轨迹分量曲线不会出现大幅度波动)，目标1轨迹的X轴分量曲线虽然存在振荡现象，但波峰和波谷数(Tk=2)<Tr，则认为目标1为正常穿越;目标2轨迹的X轴分量曲线存在振荡现象，且波峰和波谷数量大于Tr，则判定目标2发生了徘徊行为，目标的矩形框用红色标记，并在目标的左上方显示“hover”提示。
表1为在校园内采用水平和俯视两种视角拍摄的各40组徘徊行为视频的检测结果，从表中可以看出文中所提算法可以有效地检测出场景内的徘徊行为。目标在三维空间内的运动投影到二维平面内，主要通过水平和垂直两个方向上的幅值变化来反映。对比两种视角的拍摄方式，倾斜视角拍摄更易检测出徘徊行为，水平视角受目标距离远近的影响较大，且目标在相对相机垂直方向上产生的位移变化反映到二维平面内变化不明显，易造成漏检。
5 结论
本文创新点在于针对传统的视频监控运动目标的徘徊检测算法的不足，提出了一种基于运动目标轨迹分量曲线的徘徊行为检测算法。同时在目标检测部分采用了改进的融合三帧差法和背景差分法的算法来提取前景目标，克服了光照变化对背景减除法的影响，消除帧间差分法带来的“双影”和“空洞”。在徘徊行为判定中根据相机拍摄角度的不同，通过对目标轨迹分量曲线的分析分别提出相应的徘徊行为判定方法。实验证明，该方法能够实时、准确的识别出徘徊行为，在一定程度上提高了徘徊行为检测的准确率和效率，更好地满足了目标徘徊行为在智能视频监控领域研究的应用。
摘要：针对传统的目标徘徊检测方法在实时性和准确性等方面的不足,提出了一种基于目标轨迹分量曲线的行人徘徊检测算法。首先,采用基于帧差法的背景模板建模方法来建立初始背景。然后,用改进的结合背景差分的三帧差分法检测前景目标,通过Mean-shift算法对前景目标进行跟踪。最后,将得到的运动轨迹做正交分解,根据目标运动轨迹的X轴、Y轴分量曲线来对徘徊行为进行识别。实验表明,该方法能够对几种典型的徘徊行为进行实时、精确判断,同时可以检测出其他复杂的徘徊行为,有较好的实时性和准确率。
行为轨迹 篇3
1 校园卡的形成与发展
1.1 校园卡形成的背景
校园卡的形成正是基于数字化的现代信息化技术社会下, 建立在高校数字化建设的基础上。现阶段的发展情况是, 大多数学校都已经实行数字化管理, 利用计算机技术、多媒体技术等先进技术参与学校的经营管理, 将学生的学习、生活、教学等工作看做一个整体, 对其中涉及的资源进行统计、整合, 以此来了解学生的生活作息习惯, 对其进行系统化的分析, 更好的为学生进行服务提高学校的服务水平。
1.2 校园卡的形成
校园卡的形成是校园数字化建设过程中最核心的组成部分。它具有身份认证、刷卡消费、数据管理等多种职能, 可以将学生信息有机的结合起来, 使其成为一个整体。管理者可以通过校园卡的使用状况了解学生实时的以及历史的使用状况, 其功能已经不只局限于刷卡消费之上。而是更多与信息管理相结合, 不再进行单一的消费结算功能, 而是通过智能化的芯片技术进行学生的活动管理。这就使学生卡成为一种能够以组合方式为学生提供综合性服务的工具, 在简化学生们的生活作息方式的同时, 以科学的手段对学生的学习生活活动进行监督管理。提高学生的生活质量, 促进学校的科学管理水平。
1.3 校园卡的建设
校园卡作为一种综合管理学生行为的工具, 目前已经被大多数学校投入使用。校园卡的建设以“集中控制、信息管理”为理念, 在整个系统的设计中, 将各种信息模块进行整合, 实现信息资源的集中收集, 并将其集中整合到互联网中, 利用计算机技术对其进行保管与整合。并且建立安全统一的数据库, 保证信息的存放以及采用渠道的安全, 实现安全管理、安全传输。但是随着网络技术的弊端逐渐显现, 以此在管理的过程中要加强监督。校园卡的建设必须与所在高校的实际发展状况以及其他高校的相关信息相结合, 通过安全的资源管理系统进行存放, 实现高校资源的集成与共享。为了保证校园卡的信息化管理能够充分适应学校的发展状况, 因此要做好相关的管理与控制工作, 避免不必要的支出, 提高校园卡的数字化建设程度, 安全的进行高校间的资源共享。
2 校园卡数据
2.1 数据的产生
校园卡作为一种综合的信息记载工具, 有着身份认证、刷卡消费、数据管理等多种职能, 可以在不同的场合产生不同的功能, 这就促使了数据的产生。学生对于校园卡的每一次刷卡使用, 便会产生一组信息数据, 它记载着使用的时间与地点。各种数据的集合便形成了完整的数据库, 记录着每一位学生、该学生的每一次刷卡活动的相关信息。在该数据库里便可以对信息进行查找以及使用。
2.2 校园卡的数据管理
数据库相关数据包含着整个校园中学生、教师、以及其他业务系统中的相关信息, 其庞大的系统组成要求管理者必须加强对其的监督。它的安全运行能够保证校园内相关重要信息的安全运行的必要保证。这就要求对数据库要采用严格的加密技术以及准入技术进行管控, 使得系统运行有足够的安全装置进行保障;另外, 数据的安全传输也是管理的关键, 因为系统内会存放与学校相关的重要信息。这就要求数据的传输必须在安全的网络环境中进行, 要与外部网络进行绝对的隔离, 同时采用各种防护手段保证信息传输渠道的安全, 防止不法分子盗取信息;数据修复功能也是一种必备功能, 它能保证数据库在运行中对突发状况数据资源产生的不利影响降到最低, 防止信息的损害以及丢失。并进行相关备份工作, 把系统问题为数据库带来的损失降到最低, 维护系统运行的稳定。
3 校园卡功能对用户数字行为轨迹的研究
3.1 消费行为
消费行为是校园卡最主要的管理职能。校园卡内部的IC芯片, 对相关人员的消费行为进行记录与管理。消费行为是校园活动中最主要的组成部分, 在学校的经济活动中占有很大的比例。数字化的管理手段将各种分散的消费行为进行合理整合, 在有效提高校园的治理水平的同时, 也大大简化信息整理的手续, 提高后勤工作部门工作的质量。这种规范的信息化管理手段, 还同时为学校部门的决策提供数据支持, 提高了管理水平, 保证学校管理的准确性与科学性。比如, 通过调查我们了解到, 普通大学生在除去各种特殊消费的前提下, 综合平均计算, 每人每月大致需要1000元—1500元的生活费。那么, 学工管理者在进行学校奖学金金额以及等级确定的时候可以以此为依据之一, 制定出一套合理的奖学金评定管理制度。
3.2 身份认证系统
3.2.1 身份识别
校园卡的身份认证系统通过统一的认证机制将信息统一识别, 对于不符合系统的信息一律不通过。其运用先进的芯片技术, 通过统一的认证机制进行准入、门禁、考勤等重要工作的控制。同时将此系统与计算机技术相结合, 将信息资源运用科技手段进行管理, 实现对校园卡使用者身份的安全识别。
3.2.2 门禁系统
门禁系统是对进出校园、图书馆、寝室等重要地区的人员实行准入制度, 通过芯片内记载的信息对持卡者的身份进行识别, 保证校内重要场所人员管理的安全性。它用过实行严格的准入制度, 防止不法人员的进入对校园系统进行损害, 提高系统管理的科学性。
3.2.3 考勤管理系统
考勤管理系统以科学的管理手段, 监督学生的出课情况以及教工的出勤状况, 以考勤结合教务课程的安排, 为系部和学院相关人员提供实时的有价值的数据。运用科学的管理手段对其进行管理, 以信息化的手段进行监督, 有效提升学生、教工的学习以及工作效率。
4 结语
科技化管理手段的不断增强, 就要求学校不断深入信息化的管理, 利用信息化提高学校资源管理工作的效率。校园卡的使用能够在很大程度上保证校园信息资源的快速整合, 保障智慧校园建设的顺利实施。合理的构建用户的数字行为轨迹, 为数据的深度挖掘积淀了丰富的数据资源, 以此推进了我院校园信息化建设的进程。
摘要：在信息化高速发展的今天, 网络技术越来越多的应用到人们的生产生活中。校园作为一个为社会服务的大型组织, 也在积极的顺应社会发展的潮流, 紧跟随现代化的步伐。在学校的管理中增加许多现代化的技术手段, 这些手段的实行, 正在不断的改善学校的经营管理。校园卡是学校数字化建设的关键环节之一, 能够通过有效的资源整合来减少资本投入、提高学校的服务管理水平。本文通过对校园卡的形成、管理相关内容的学习, 来进行校园卡对于构建用户数字行为轨迹内容的研究。
关键词：信息化,校园卡,数字,行为轨迹
参考文献
[1]李向龙, 杨贵福.利用校园卡数据构建用户数字行为轨迹的研究[J].信息系统工程, 2015 (11) :120-121.
行为轨迹 篇4
一、数据的产生
校园卡作为一个实物载体, 具有金融消费和身份识别两个基本功能, 可以在多种场合使用, 校园卡的每一次使用, 都会产生一条有效的包含有使用地点和时间戳的数据, 每一条刷卡记录的集合最终构成了一个应用系统的完整数据集, 从数据库中我们可以查询出任意一个人的全部刷卡记录。
二、数据的抽取
下图是从智能门禁系统的数据中查询到A的刷卡记录, 将数据存储为excel格式后, 用折线图形式表示出来就可以得出A在门禁系统中的横向行为轨迹, 如图1所示。
从图中可以看出A在门禁控制器中记录下来的出入行为。
图2是从消费系统中查询到的A的刷卡消费记录, 将数据存储excel格式后, 用折线图形式表示出来, 就可以得出A每天的刷卡消费时间和地点。
图3是从图书馆系统中查询到的A进入图书馆的刷卡记录, 从图中可以看出每天进入图书馆的次数和进入时间。
图4是从网络认证系统查询到的A的上网记录明细, 利用折线图显示后可以看出每次上网的时间和上网的持续时间。
三、数据的横向串联
将以上各系统中的数据按照时间排列并存储为excel之后, 结果如表1所示:
根据以上数据集合, 将其明显是连续刷卡行为的数据剔除后, 利用excel生成折线图之后可以清晰的呈现A在一周之内的全部数字行为轨迹, 如图5。
四、结果的应用
用户数字轨迹中可以很真实的反映一个人的生活习惯和行为规律[2]。如图3所示, 用户的数字轨迹通常由一系列带有时间戳的坐标点组成。每个坐标点包含了时间和地点等基本信息。我们可以根据这些轨迹为用户提供更深入、更个性化的位置服务。
对于每一个利用校园卡的应用, 我们都可以记录并使用其中的数据, 清洗后对其详细分析, 可以得出一个人就餐的规律、学习的规律以及上网的规律等, 根据以上结果, 我们可以建立基于校园卡数据的数字行为轨迹模型, 在校园三维图上立体的呈现一个人的数字行为轨迹, 对于掌握其行踪、分析其生活习惯、了解其爱好等具有极其重要的参考价值。
五、总结
如今校园卡已经辐射了校园生活的方方面面, 基本涵盖了在校师生的衣食住行, 随着校园卡应用范围的扩大, 越来越多的数据被收集并存储起来, 这些庞大的数据为数据挖掘提供了丰富的数据基础和便利条件, 让数据发声, 向数据要“是什么”成为了可能[3]。
摘要：大数据时代已经到来, 各高校信息化系统使用中积累的大量数据正在发挥着作用。本文从校园卡数据入手, 对各类系统中的刷卡数据进行汇总并清洗后, 可以按照时间顺序绘制出用卡者的一系列数字行为轨迹, 从而掌握用卡者的生活习惯和作息规律, 对学校改变管理策略和提升服务水平具有一定的指导意义。
关键词：校园卡,数字行为轨迹,大数据
参考文献
[1]盛杨, 周涛.大数据时代:生活工作与思维的大变革[M].浙江人民出版社, 2013.
[2]薛黎明, 栾维新, 等.数据挖掘在校园一卡通消费数据分析中的应用[C].中国高等教育学会教育信息化分会第十二次年会论文集, 2014, 11.