0 引言

    在落實(shí)“互聯(lián)網(wǎng)+教育”戰(zhàn)略、深化教育教學(xué)改革的背景下,建設(shè)智慧教室是學(xué)校創(chuàng)新教學(xué)環(huán)境、提升人才培養(yǎng)質(zhì)量的必然選擇^[1]。隨著微課、MOOC等移動(dòng)學(xué)習(xí)方式的興起，將現(xiàn)代教育技術(shù)融入教學(xué)生活并促進(jìn)教學(xué)改革已成為教育行業(yè)研究的熱點(diǎn)。

    傳統(tǒng)的錄制方式難以滿足人們對(duì)優(yōu)質(zhì)教學(xué)資源的需求，智慧教室錄播系統(tǒng)能夠智能高效地完成整個(gè)教學(xué)過(guò)程的錄制并根據(jù)不同的需求生成對(duì)應(yīng)的教學(xué)文件^[2]。基于圖像處理的錄播系統(tǒng)使得智慧教室成為了優(yōu)秀的教學(xué)成果展示平臺(tái)，也進(jìn)一步促進(jìn)了移動(dòng)學(xué)習(xí)模式的發(fā)展。

1 錄播系統(tǒng)概述

1.1 自動(dòng)錄播系統(tǒng)概述

    自動(dòng)錄播系統(tǒng)主要由跟蹤定位系統(tǒng)、音視頻信號(hào)采集與處理系統(tǒng)、錄播主控系統(tǒng)3個(gè)子系統(tǒng)構(gòu)成^[3]。錄播系統(tǒng)能完整地記錄教學(xué)過(guò)程，并且根據(jù)授課時(shí)間自動(dòng)生成教學(xué)錄像，多路原始文件的保留模式也使得編輯更加方便。錄播系統(tǒng)不僅能以直播的形式提供教學(xué)，還能在網(wǎng)上重復(fù)播放。

1.2 錄播系統(tǒng)中的跟蹤技術(shù)

    跟蹤技術(shù)作為錄播系統(tǒng)的核心技術(shù)之一，其主要功能就是在課堂中對(duì)老師和學(xué)生進(jìn)行跟蹤。錄播的畫面質(zhì)量直接影響受眾的學(xué)習(xí)體驗(yàn)，而圖像跟蹤的準(zhǔn)確性與實(shí)時(shí)性是影響畫面質(zhì)量的重要因素。現(xiàn)今的跟蹤技術(shù)主要有4種：

    (1)紅外線感應(yīng)跟蹤

    此技術(shù)通過(guò)在師生身上放置的紅外信號(hào)源，并根據(jù)接收到的紅外信號(hào)進(jìn)行目標(biāo)跟蹤定位以及相應(yīng)的攝像機(jī)拍攝方位調(diào)整。這種需要輔助設(shè)備的跟蹤技術(shù)并不智能，收發(fā)信號(hào)的裝置繁瑣，并且無(wú)法精細(xì)地了解節(jié)點(diǎn)信號(hào)變化，這都局限了其適用范圍。

    (2)超聲波定位技術(shù)

    超聲波定位與紅外感應(yīng)技術(shù)在原理上有異曲同工之處，差別在于所采用的信號(hào)源是超聲波而不是紅外，安裝的位置也從人身上移動(dòng)到了黑板桌椅上。雖然此技術(shù)操作簡(jiǎn)單、技術(shù)成熟，但是無(wú)法確定被拍攝對(duì)象的高度，而且拍攝的精度也無(wú)法得到保障。

    (3)空間網(wǎng)格定位技術(shù)

    空間網(wǎng)格劃分是將一個(gè)教室三維空間劃分為包含多個(gè)矩形網(wǎng)格的三維空間，通過(guò)計(jì)算師生的三維坐標(biāo)從而實(shí)現(xiàn)追蹤。這是一項(xiàng)較為先進(jìn)的技術(shù)，能夠精確地捕捉師生互動(dòng)的細(xì)節(jié)。由于高額的安裝成本以及其對(duì)安裝性能的高要求，這項(xiàng)技術(shù)的使用并不廣泛。

    (4)圖像識(shí)別技術(shù)

    前3種跟蹤定位技術(shù)都是基于輔助設(shè)備，不利于系統(tǒng)的集成，也無(wú)法通過(guò)控制硬件設(shè)備來(lái)降低系統(tǒng)成本。圖像定位技術(shù)能夠根據(jù)師生在畫面中的差異自動(dòng)識(shí)別并進(jìn)行動(dòng)態(tài)跟蹤。此技術(shù)無(wú)需配備專門的信號(hào)裝置，多素材的輸入也使得計(jì)算與優(yōu)化更加精準(zhǔn)，是眾多跟蹤技術(shù)中最為有效的方式之一^[4]。

2 智慧教室錄播系統(tǒng)整體框架

2.1 智慧教室系統(tǒng)模型

    基于圖像識(shí)別技術(shù)的智慧教室系統(tǒng)主要由物理空間、交互空間、資源空間以及數(shù)據(jù)一體化組成，系統(tǒng)模型如圖1所示。

2.2 錄播系統(tǒng)模型

    錄播系統(tǒng)所產(chǎn)生的錄播資源是智慧教室系統(tǒng)資源空間建設(shè)的主要來(lái)源之一，系統(tǒng)框架如圖2所示。

2.3 系統(tǒng)各模塊說(shuō)明

    (1)圖像跟蹤定位模塊

    圖像跟蹤模塊由4個(gè)子模塊構(gòu)成，它們相互合作，共同完成教室內(nèi)師生的檢測(cè)與跟蹤。此模塊根據(jù)圖像的差異匹配相應(yīng)的控制策略驅(qū)動(dòng)系統(tǒng)內(nèi)的攝像機(jī)進(jìn)行智能跟蹤定位并對(duì)師生運(yùn)動(dòng)軌跡進(jìn)行識(shí)別分析，以此來(lái)實(shí)現(xiàn)對(duì)授課場(chǎng)景的特寫、鏡頭切換等相關(guān)錄制。同時(shí)在不同的場(chǎng)景下能實(shí)現(xiàn)多目標(biāo)的追蹤及鏡頭切換。

    (2)音源抓取與后期處理模塊

    音質(zhì)的好壞往往決定了整體的錄播質(zhì)量。如果對(duì)教室噪聲、背景音處理不當(dāng)，將會(huì)使得有效音源的清晰度降低。錄播系統(tǒng)中的音頻數(shù)字信號(hào)處理能有效地處理噪聲問(wèn)題并且達(dá)到有效音優(yōu)化擴(kuò)音的效果。教室的多個(gè)拾音器采集音頻信號(hào)傳到主控系統(tǒng)進(jìn)行聲音的去分化處理，進(jìn)而提高錄制視頻的音質(zhì)。

    (3)錄播主控模塊

    錄播系統(tǒng)最核心的模塊就是錄播主控模塊，其余模塊皆為其服務(wù)。錄播主機(jī)集數(shù)據(jù)采集、錄播平臺(tái)軟件、數(shù)據(jù)處理于一體，因而系統(tǒng)集成度高，并且能夠?qū)崿F(xiàn)系統(tǒng)的小型化，便于操作。錄播主控模塊還能實(shí)現(xiàn)視頻影音的智能導(dǎo)播、智能直播、攝像機(jī)的智能控制等功能。錄播框架圖如圖3所示。

3 控制策略

3.1 畫面切換策略

    視頻錄像的時(shí)候根據(jù)畫面要呈現(xiàn)的效果需要進(jìn)行畫面的切換以及人物的特寫，這也就意味著控制中心要清晰地知道畫面切換的控制策略，并根據(jù)相應(yīng)的輸入對(duì)多個(gè)視頻輸入源進(jìn)行數(shù)據(jù)切換^[5]。根據(jù)教學(xué)過(guò)程的特征以及可能出現(xiàn)的場(chǎng)景，給出了如圖4所示的畫面切換控制策略。

3.2 目標(biāo)跟蹤策略

    錄播系統(tǒng)所表現(xiàn)出的智能化就是依靠它的目標(biāo)跟蹤策略，主要通過(guò)圖像對(duì)三維空間建模并計(jì)算師生的三維空間坐標(biāo)，從而實(shí)現(xiàn)定位及跟蹤。由于師生在教室中的活動(dòng)空間有較大的差異，因而根據(jù)師生的運(yùn)動(dòng)特性分別制定跟蹤策略。

    (1)學(xué)生跟蹤策略

    在一般的教學(xué)活動(dòng)過(guò)程中，學(xué)生大多只會(huì)出現(xiàn)起立回答問(wèn)題這一單一事件，他們?cè)谌S空間中大體只會(huì)呈現(xiàn)縱向位移而不會(huì)有橫向位移，因此只需在視頻相鄰的幀畫面中判斷學(xué)生座位圖像區(qū)域的圖像輪廓是否發(fā)生了明顯變化。

    (2)老師跟蹤策略

    在教學(xué)過(guò)程中，大多數(shù)時(shí)間老師占據(jù)的是主導(dǎo)位置，因而在授課過(guò)程中老師的移動(dòng)更加隨意，但大多數(shù)時(shí)候總是圍繞在講臺(tái)周圍。在簡(jiǎn)化模型的情況下，檢測(cè)老師在講臺(tái)水平空間的位置信息和輪廓高度信息，根據(jù)這些信息調(diào)整攝像頭實(shí)現(xiàn)定位跟蹤。

4 基于圖像識(shí)別的運(yùn)動(dòng)目標(biāo)定位跟蹤算法

4.1 算法概述

    基于圖像識(shí)別的運(yùn)動(dòng)目標(biāo)定位跟蹤算法能在課堂人數(shù)眾多且背景復(fù)雜的條件下對(duì)視頻流數(shù)據(jù)中的目標(biāo)進(jìn)行精確的識(shí)別與跟蹤。該算法將獲取的視頻流幀序列進(jìn)行精細(xì)劃分并在幀序列的處理中引入了背景幀差目標(biāo)檢測(cè)算法以及特征識(shí)別目標(biāo)跟蹤算法^[6]。算法整體流程圖如圖5所示。

4.2 運(yùn)動(dòng)目標(biāo)自動(dòng)檢測(cè)算法

    運(yùn)動(dòng)目標(biāo)檢測(cè)算法基于圖像分割技術(shù)，通過(guò)剔除圖像幀序列的固定背景檢測(cè)出運(yùn)動(dòng)的物體。然而檢測(cè)的準(zhǔn)確性受到光線變化、攝像機(jī)抖動(dòng)、背景改變等因素的影響，這也直接影響了對(duì)后續(xù)目標(biāo)的跟蹤和行為分析的準(zhǔn)確性^[7]。

    (1)算法比對(duì)

    目標(biāo)檢測(cè)算法根據(jù)背景的差異劃分成為兩個(gè)類別，即靜態(tài)背景和動(dòng)態(tài)背景。由于智慧教室錄播系統(tǒng)中所使用的攝像機(jī)在整個(gè)錄播過(guò)程中相對(duì)固定，因此根據(jù)這一特性在教室目標(biāo)檢測(cè)算法中采用靜態(tài)背景。基于靜態(tài)背景的目標(biāo)檢測(cè)算法主要有3種，其對(duì)比如表1所示。

    (2)改進(jìn)背景幀差目標(biāo)檢測(cè)算法

    智慧教室錄播系統(tǒng)中有多個(gè)視頻流數(shù)據(jù)采集點(diǎn)，也為同一目標(biāo)提供不同的背景差比對(duì)，能進(jìn)一步提高檢測(cè)的精度。背景差分法的核心就是利用視頻幀圖像與預(yù)設(shè)背景的差異分離出運(yùn)動(dòng)目標(biāo)。

    建立一個(gè)符合要求的背景模型能在一定程度上減小光線、抖動(dòng)等因素帶來(lái)的干擾。由于智慧教室背景的特性，因此采用高斯背景建模。高斯背景建模是基于混合高斯模型來(lái)對(duì)樣品進(jìn)行建模，根據(jù)圖像理論，連續(xù)視頻幀序列的每個(gè)像素點(diǎn)在基礎(chǔ)噪聲的影響下，像素點(diǎn)的灰度值變化都呈現(xiàn)出高斯分布，當(dāng)特定幀之間像素差小于閾值時(shí)^[8]，則認(rèn)為像素?zé)o明顯變化即為背景；否則為目標(biāo)運(yùn)動(dòng)區(qū)域，系統(tǒng)模型參數(shù)也應(yīng)隨著目標(biāo)運(yùn)動(dòng)進(jìn)行更新，參數(shù)更新如式(1)和式(2)所示。

式中，μ和σ分別表示均值和方差，K為特定幀，α為比例系數(shù)，(x，y)為特定幀中的位置點(diǎn)。

    比例系數(shù)α的更新將使算法能在連續(xù)的視頻幀圖像中及時(shí)刷新背景，從而在視頻幀序列中實(shí)現(xiàn)目標(biāo)的實(shí)時(shí)檢測(cè)。智慧教室多個(gè)超清攝像頭采集的視頻數(shù)據(jù)也為算法提供了足夠全面清晰的背景對(duì)比數(shù)據(jù)。然而差分法對(duì)目標(biāo)速度變化不敏感且背景實(shí)時(shí)更新困難，導(dǎo)致其在動(dòng)態(tài)目標(biāo)追蹤的過(guò)程中實(shí)時(shí)性不高。

    幀差法的核心就是比對(duì)不同圖像幀之間的差異來(lái)進(jìn)行目標(biāo)運(yùn)動(dòng)檢測(cè)并通過(guò)當(dāng)前幀來(lái)進(jìn)行背景幀的更新。假設(shè)當(dāng)前幀與前一幀在同一時(shí)間節(jié)點(diǎn)t，同一位置點(diǎn)(x，y)處的灰度值分別為K(x，y，t)和K(x，y，t-1)，通過(guò)差值運(yùn)算可得式(3)：

    幀差法的重心是傾向于相鄰幀的差別比較，師生在區(qū)域范圍內(nèi)運(yùn)動(dòng)時(shí)相鄰幀之間差異將更明顯，因此幀差法對(duì)于運(yùn)動(dòng)目標(biāo)的感知更為明顯。經(jīng)處理過(guò)的課堂錄制視頻其幀速較快，利用幀差法進(jìn)行目標(biāo)跟蹤能極大程度地降低光線對(duì)檢測(cè)的影響。

    幀差法雖然能夠更加穩(wěn)定地識(shí)別運(yùn)動(dòng)區(qū)域，但是其對(duì)相鄰幀比對(duì)的注重使得樣本量不足，分割出的運(yùn)動(dòng)區(qū)域易產(chǎn)生空洞。將幀差法和背景差分法聯(lián)合使用，既解決了實(shí)時(shí)性不強(qiáng)和區(qū)域空洞的問(wèn)題，也保證了檢測(cè)的精度。由于目標(biāo)只占整個(gè)圖形區(qū)域的一部分，對(duì)圖像分割時(shí)需要判斷目標(biāo)，因此只篩選有用背景幀信息進(jìn)行比對(duì)，整個(gè)方法流程如圖6所示。

4.3 運(yùn)動(dòng)目標(biāo)跟蹤算法

    目標(biāo)跟蹤算法的核心理念就是要保證檢測(cè)出來(lái)的目標(biāo)在后續(xù)的跟蹤過(guò)程中不丟失。因此運(yùn)動(dòng)目標(biāo)檢測(cè)更加注重標(biāo)記的識(shí)別分析，不再需要高精度分析定位來(lái)區(qū)分目標(biāo)。

4.3.1 算法比對(duì)

    運(yùn)動(dòng)目標(biāo)的跟蹤是通過(guò)連續(xù)圖像幀快速找到預(yù)先標(biāo)記好的目標(biāo)，其核心不是差別分析，而是采用高效且具有辨識(shí)度的標(biāo)記方法使得在后續(xù)的追蹤中標(biāo)記能夠清晰可見(jiàn)。目前的動(dòng)態(tài)跟蹤算法大致分為4類，算法對(duì)比如表2所示。

4.3.2 HOG+樸素貝葉斯目標(biāo)跟蹤算法

    智慧教室擁有多個(gè)角度的視頻數(shù)據(jù)輸入源，這也使得特征點(diǎn)的選擇更加精細(xì)。HOG+樸素貝葉斯目標(biāo)跟蹤算法最重要的步驟就是對(duì)視頻幀數(shù)據(jù)中被跟蹤目標(biāo)的特征提取以及匹配。該方法框圖如圖7所示。

4.3.3 特征提取

    特征提取需要提取被跟蹤目標(biāo)的特征點(diǎn)，該特征點(diǎn)能在整個(gè)視頻幀圖像中保持穩(wěn)定不變。特征提取是目標(biāo)跟蹤中最重要的一步，需要抓住本質(zhì)的特征點(diǎn)才能有效地提高特征辨識(shí)度。特征往往不能局限于一種，多元特征的提取才能更好地提高算法精確度。

    在提取特征點(diǎn)時(shí)，為了獲得最大的特征信息量，采取方向梯度直方圖(HOG)。HOG特征主要由被跟蹤目標(biāo)局部區(qū)域梯度方向的直方圖組成，將圖像局部的梯度統(tǒng)計(jì)特征拼接起來(lái)作為總特征，并通過(guò)邊緣密度分布和目標(biāo)表象進(jìn)行跟蹤定位。將HOG特征識(shí)別算法作為樣本輸入，通過(guò)倍增權(quán)值進(jìn)行更新篩選，并設(shè)計(jì)分類器采集圖像的HOG特征^[9]。

式中，g_i表示由特征值構(gòu)成的分類器，d表示Bhattacharya 距離，θ_j表示閾值。如圖7所示，HOG特征向量作為算法的輸入，經(jīng)不斷訓(xùn)練產(chǎn)生一系列弱分類器，并將它們級(jí)聯(lián)組成性能更好的目標(biāo)跟蹤分類器。

4.3.4 特征匹配

    特征匹配是以特征點(diǎn)為基礎(chǔ)，通過(guò)相應(yīng)幀圖像特征點(diǎn)比對(duì)，從而達(dá)到特征點(diǎn)之間的最佳匹配并在此基礎(chǔ)上完成對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤。為了提高算法的性能進(jìn)而達(dá)到最佳匹配，采用基于樸素貝葉斯分類器的特征匹配來(lái)輸出目標(biāo)位置并不斷更新分類器參數(shù)。

5 應(yīng)用與研究

5.1 運(yùn)動(dòng)目標(biāo)檢測(cè)模擬實(shí)驗(yàn)

    本文采用的目標(biāo)檢測(cè)算法充分發(fā)揮了幀差法與背景差分法這兩種算法的優(yōu)勢(shì)。為了驗(yàn)證它在目標(biāo)檢測(cè)上的實(shí)際效果，通過(guò)3個(gè)算法的性能比對(duì)來(lái)分析其性能上的差異。

    采用智慧教室錄制的一段10 min的超清教學(xué)視頻。高分辨率的圖像能確保更加精細(xì)的比對(duì)，從而避免圖像像素對(duì)實(shí)驗(yàn)的影響。視頻中包含老師講課畫面、學(xué)生起立回答問(wèn)題畫面以及板書特寫畫面等。將此視頻作為樣本輸入，通過(guò)算法判斷運(yùn)動(dòng)目標(biāo)出現(xiàn)的總幀數(shù)以及運(yùn)動(dòng)目標(biāo)的大小。通過(guò)測(cè)定運(yùn)動(dòng)目標(biāo)出現(xiàn)總幀數(shù)與預(yù)先測(cè)定的準(zhǔn)確幀數(shù)比對(duì)，得到目標(biāo)檢測(cè)算法的準(zhǔn)確性，其結(jié)果如表3所示。

    通過(guò)表3可以看出，幀差法在檢測(cè)速度上的優(yōu)越性比較大但精度較低，而背景差分法雖然檢測(cè)速度較慢但是精度高。背景幀差法結(jié)合了兩者的優(yōu)勢(shì)，在保證檢測(cè)速度的同時(shí)也達(dá)到了90%左右的準(zhǔn)確率，并且能夠一定程度上克服空洞問(wèn)題。

5.2 運(yùn)動(dòng)目標(biāo)跟蹤模擬實(shí)驗(yàn)

    根據(jù)智慧教室的特點(diǎn)采用HOG+樸素貝葉斯跟蹤算法，為了驗(yàn)證此跟蹤算法的實(shí)際效果，本文同樣地比對(duì)3個(gè)跟蹤算法的性能。其結(jié)果如表4所示。

    將本文算法與基于灰度標(biāo)識(shí)、基于角點(diǎn)標(biāo)識(shí)算法進(jìn)行比對(duì)，通過(guò)檢測(cè)連續(xù)時(shí)間內(nèi)有效動(dòng)作跟蹤幀與運(yùn)動(dòng)幀總數(shù)的比值得到跟蹤的正確率。從表4中可看出，本文算法的準(zhǔn)確率高于90%，其跟蹤的準(zhǔn)確性相較于其他兩種更具優(yōu)勢(shì)。

5.3 運(yùn)動(dòng)目標(biāo)定位跟蹤算法實(shí)驗(yàn)

    為了驗(yàn)證運(yùn)動(dòng)目標(biāo)定位跟蹤算法的可行性，同樣選取教室攝像頭錄制的10 min教學(xué)視頻進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果圖如表5所示。

    從表5中可看出系統(tǒng)定位跟蹤的準(zhǔn)確率超過(guò)了90%，基本能達(dá)到現(xiàn)場(chǎng)要求。對(duì)比老師跟蹤與學(xué)生跟蹤的準(zhǔn)確率，可以發(fā)現(xiàn)老師跟蹤的準(zhǔn)確率比較低，這是因?yàn)閷W(xué)生跟蹤場(chǎng)景更簡(jiǎn)單單一。

6 結(jié)論

    基于圖像處理的智慧教室錄播系統(tǒng)是一套集音視頻處理、主控人機(jī)交互以及多媒體軟硬件配置一體化的協(xié)同運(yùn)行系統(tǒng)。該系統(tǒng)通過(guò)研究師生在教學(xué)過(guò)程中的運(yùn)動(dòng)，進(jìn)行實(shí)時(shí)的跟蹤定位以及鏡頭切換。該系統(tǒng)具有以下幾點(diǎn)優(yōu)勢(shì)：

    (1)圖像處理技術(shù)的使用減少了課堂教學(xué)錄制過(guò)程中的人力投入，降低了設(shè)備成本，提高了自動(dòng)化水平。

    (2)提供課堂授課完整資源，供學(xué)生回顧與加強(qiáng)學(xué)習(xí)，供老師分析課堂授課效果，了解學(xué)生真實(shí)反映情況，以使其進(jìn)行教學(xué)改進(jìn)。

    (3)提高知識(shí)的傳播效率，進(jìn)一步促進(jìn)了教育資源的網(wǎng)絡(luò)共享，同時(shí)也是對(duì)教學(xué)模式的一種革新。

參考文獻(xiàn)

[1] 安寧，牛愛(ài)芳，齊瑞紅，等.高校智慧教室建設(shè)的探索與思考[J].實(shí)驗(yàn)技術(shù)與管理，2017(5)：257-261.

[2] 張軍，黃忠毅，程樊啟.從教學(xué)過(guò)程的需求分析錄播系統(tǒng)的發(fā)展趨勢(shì)[J].中國(guó)電化教育，2019(11)：113-115.

[3] 黃山涯.錄播教室的功能設(shè)計(jì)及其建設(shè)[J].實(shí)驗(yàn)室研究與探索，2010，29(10)：391-393.

[4] 李先友，趙曙光，段永成，等.基于FPGA的實(shí)時(shí)MIPI CSI-2圖像采集與處理系統(tǒng)[J].電子技術(shù)應(yīng)用，2019，45(1)：103-106.

[5] 張志剛，趙振宇，張國(guó)兵.圖像識(shí)別技術(shù)在網(wǎng)絡(luò)錄播系統(tǒng)中的應(yīng)用研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2014(4)：7-8.

[6] 高海壯，段先華.基于幀差法和混合高斯的海上運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)與數(shù)字工程，2019，47(5)：1140-1144.

[7] 孫挺，齊迎春，耿國(guó)華.基于幀間差分和背景差分的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版)，2016，46(4)：1325-1329.

[8] 周劍華.基于智能圖像跟蹤定位的錄播教室視同設(shè)計(jì)與實(shí)現(xiàn)[D].蘭州：蘭州大學(xué)，2018.

[9] 黃友文，萬(wàn)超倫.基于深度學(xué)習(xí)的人體行為識(shí)別算法[J].電子技術(shù)應(yīng)用，2018，44(10)：7-11，16.

[10] Shen Bin，Su Xiaoyuan，GREINER R，et al.Discriminative parameter learning of general bayesian network classifiers[C].IEEE International Conference on Tools with Artificial Intelligence，2003：296-305.

作者信息:

鄧小海，姜周曙

(杭州電子科技大學(xué) 自動(dòng)化學(xué)院，浙江 杭州310000)