文摘
随着多媒体教学的发展,虚拟现实(VR)和视频图像的控制非常有吸引力的发展前景在思想政治教学中,例如,在游戏中虚拟技术的使用等等。然而,大多数目前构建的虚拟现实环境,人工智能多媒体教学系统的功能开发不全面。一个人工智能虚拟视频图像控制系统是多媒体教学系统的构建。本文分析了人工智能的发展多媒体教学系统和比较传统方法的检测性能和效率和人工智能多媒体虚拟现实思想政治教学。研究表明,在使用VR控制思想政治教学的图像,这十个视频图像的平均精度为75.68%。这表明,视频图像的分类和基于人工智能的检测算法模型在本文中可以提取更深和更抽象的特征对目标进行分类。人工智能虚拟视频图像控制算法构造摘要可以减少最大的失败率49.16%,61.02%,和66.94%,分别。与传统的算法相比,人工智能虚拟视频图像控制算法构造摘要可以减少10个不同的视频图像的存储访问延迟时间平均为15.93%,性能优化可以获得约9.37%,并可以降低视频图像控制时间的7.28%和10.63%,分别。照片,人工智能虚拟视频图像控制系统在本文中可以提高28.49%的性能。
1。介绍
目前,相关研究认知教育注重平面和三维图形,还有小研究在虚拟环境中图形处理。在虚拟现实学习环境中,学习者更丰富的感官体验身临其境的比平面和三维空间和认知负荷也可能变化。结果,结论在平面和三维学习环境可能并不适用于虚拟现实环境中,这是第一个影响因素有关认知教育。
作为虚拟现实体验的重要载体,虚拟现实仿真平台逐渐成熟和普及,广泛用于工业、科学和教育、医疗、娱乐、等领域,以及制造业和其他领域(1]。躯体感觉设计是指设计的人类躯体感觉和躯体感觉的设计仿真平台模拟运动状态感觉用户体验场景。学习环境中的虚拟现实可以完全“占领”学生的视觉、听觉、触觉和其他感觉通道。这多种感觉的学习方法不仅可以提高学习效率,还导致认知教育过载和阻碍学习进步。斯捷潘提出认知教育是由于学习任务,学习者,和两者之间的相互作用2]。郭认为,认知教育有很多影响因素,如物品的数量,表示时间、和文本线索,这将影响认知教育虚拟环境(3]。然而,一些研究发现,文本线索提高认知教育。Berghea调查文本线索的影响在图形处理的认知教育虚拟环境(4]。认知教育研究调查的个体工作记忆是分不开的。康拉德提出了基于维度模型的知识管理系统(5]。李DKHM模型用于构建进化的知识树的热点问题来验证主题文档和设计一个方法来自动构建一个基于文本分类的知识树的创建和维护知识树,构造一个系统知识建模框架。知识结构进一步分解(6]。Wei-Tse提出了一种基于二叉树和树知识推理的智能算法建立一个新的类安排系统。它的灵活性和可扩展性大大提高课堂效率的安排(7]。
仍有一定的局限性的动作设计现有的虚拟现实仿真平台。躯体感觉设计师通常花更多的精力在动作编辑过程中,质量和设计更多的取决于设计师的技术水平。艾琳使用这两种认知教育评估指标。任务绩效的方法措施的客观认知教育价值,和主观测量方法措施的认知教育主观感觉的对象。与此同时,它检查的敏感性评价指标;即指标反映了项目编号,是否表示时间,文本提示带来重大改变认知教育和是否一致(8]。Jain研究视觉信息加工的影响因素和机制在虚拟环境中从认知的角度看教育,具有理论意义和应用提高可信度和真实性的虚拟学习环境的建设和优化控制的虚拟感知认知教育和学习成本(9,10]。在身临其境的虚拟学习环境中,基于双重任务实验范式,使用虚拟空间三维图形作为实验材料,重点记忆项的数量的影响,表示时间、和文本提示虚拟认知教育、使用任务绩效的方法和主体性,测量方法是用来评估认知教育。Jerald提议,身临其境的虚拟学习环境,大量的记忆项目和一个简短的陈述时间将增加认知教育。文本线索信息处理和认知教育的增加。记忆项的数量,表示时间,和文本线索也将增加。它有一个互动对虚拟认知教育的影响(11]。但是,使用模拟输入的设计方法在上面的研究中会导致错误模拟器输入操作和虚拟现实全景电影的反应(12,13]。同时,事后编辑过程繁琐,躯体感觉设计师和技术门槛高,然后出现VR躯体感觉的设计。有些问题是低质量的可控性,可操作性低,和高工作负载。
在[14),作者介绍了框架的详细信息和开发方法与虚拟训练模拟器用于高级心脏生命支持医疗方案。在[15),作者发现,虚拟现实可以用来评估神经认知功能障碍和学习相关的临床症状。此外,初步研究结果表明,它可以用于精神疾病的认知康复、社会技能训练干预和虚拟现实辅助疗法。在[16),作者用浸入式虚拟现实引发全身所有权的一种错觉,把犯罪者在家庭暴力的受害者。根据国内外的研究,完成的任务在视频图像图像处理和控制是一个新的需求领域的互动。
因为视频图像中的对象有很多不确定的变形由于完整的需求的角度来看,这带来了很大的困难识别任务(17]。然而,在多媒体教学评估性能并不容易,因为它涉及到人工决策是不准确的,模糊的,不确定(18,19]。在[20.使用UML工具],作者设计概念化。在[21),作者报道稳健语音识别系统组件的设置和评价旨在为现实生活中的媒体集生成字幕。研究结果显示,身临其境的多媒体学习与同伴支持团体进行报道,身临其境的多媒体学习在所有口语表达明显表现的更好用于阅读和口语。在[22),作者介绍了多媒体的概念,软件即服务(msaa),提出了一个经验质量范式基于一般优先级,用于无线多媒体通信数据量大,具有显著的节能效果23]。它有可能未来多媒体的物联网设备和系统(24]。多媒体评价基准测试程序组织一年一度的科学评价任务周期。
基于虚拟现实技术的详细分析,本文构造一个嵌入式虚拟现实多媒体教学系统和视频图像控制系统使用系统性教学设计思想来分析多媒体教学的发展。介绍了视频图像数据集的结构,分析了网络参数对最终的检测精度的影响,并比较传统方法的检测性能和效率,本文的设计方法。嵌入式虚拟视频图像控制算法构造摘要可以减少最大的失败率49.16%,61.02%,和66.94%,分别。与传统算法相比,嵌入式虚拟视频图像控制算法构造摘要可以减少10个不同的视频图像的存储访问延迟时间平均15.93%,可以获得约9.37%的性能优化和视频图像控制时间减少7.28%和10.63%,分别。照片,嵌入式虚拟视频图像控制系统在本文中可以提高28.49%的性能。
2。方法
2.1。视频图像的分类检测算法基于图像控制
2.1.1。选择搜索
(1)颜色相似:使用曼哈顿距离获取每个通道的颜色直方图的25个方向。通过这种方式,每个区域可以由75维向量表示 。颜色相似性的计算区域所示以下公式: 在哪里r我是最初的地区;r我= {r1,r2、…r我,rj、…rn},(r我,rj)是邻近地区。(2)纹理相似性:纹理特征使用筛选功能。在每个地区每个颜色通道,8方向计算和方差σ= 1是高斯微分。每个通道需要10在每个方向直方图,最后获得240维的特征向量,计算 ,和纹理相似性区域是一致的颜色相似。曼哈顿距离也使用;看到下面的公式: (3)规模大小相似:这里指的是像素的总数。大小相似的使用是为了尽可能合并小区域行。空间相似性的计算下列公式所示: 在哪里即时通讯整个颜色区域。虽然选择搜索算法可以找到目标的候选区域,它利用传统的特性,采用额外的特征提取过程,成为部分所需的时间的目标检测算法。2.1.2。目标框架的位置返回
在目标框架回归网络的训练过程,N对输入的数据。在数据对 ,在这里 代表了预测目标的中心点坐标框架和目标帧的长度和宽度,也对应于每个真理目标帧 。学习的目的是找到候选目标框之间的映射关系,真正的目标。同时,定义了四个方程来表达这个变换关系: 是规模不变的变换中央提出的目标的坐标框架P, 是对数空间变换的提出目标帧的长度和宽度吗P。通过这种方式,我们可以计算候选目标框架P接近真实的目标框架通过以下公式:
在上述的方程,被表示为一个线性方程的候选区域特征向量φ;看到 。,我们想学习的目标函数代表了位置预测目标帧之间的映射关系,真正的目标框架。
2.1.3。地区分类检测
在训练过程中,每个参与培训的目标区域有两个标签:一个是类别信息u,另一种是真正的目标框架的目标。在这里,我们使用损失函数l多任务的目标统一训练分类任务和目标帧位置回归,所以网络参数的优点是可以同时优化为目标。损失函数的设计 在哪里 代表类的对数损失预测概率, 代表类的真正目标帧的位置u, 代表网络预测的位置(u≥1],这意味着当u≥1,它是1和0,只有地位前景分类计算的损失。
2.2。嵌入式虚拟视频图像处理和控制算法
2.2.1。自动白平衡技术
假设每一种颜色的调整是一个独立的增益调整的过程。增益系数由以下公式表示:
在上面的公式中,l,米,年代代表原始的初始值的三个颜色,和Kl,K米,K年代代表原始信号增益调整系数,增加三个颜色调整值拉,马,Sa。上面的公式就以下公式:
相应的R/G/B三色增益调整系数是通过不同的白平衡算法,并调整调整值是根据公式计算实现白平衡调整图像的集合。
2.2.2。灰色世界算法
的计算方法基于灰色世界的白平衡算法如下:统计上获得相应的平均值雷夫,Gav,Bav三个RGB分量值,计算得到的增益值R,获得G,并获得B每个通道的以下公式: 在哪里R′,G′,B′公式计算和处理后得到最终的像素的三通道组件值:
这种计算方法相对简单,适合在嵌入式系统中的应用。它减少了占用时间的有限内存和CPU(中央处理器)在计算过程中,更适用于场景和丰富的色彩。
2.2.3。GW和公关正交组合算法
灰色的世界算法的实现步骤和全反射(PR)正交组合算法如下:
首先,平均值 和 三个颜色分量图像的最大化,然后的二次方程公式R建立组件如下:
的u和值方程计算根据上面的公式,然后的像素值R组件后,白平衡参数的计算和调整 。R的公式是原始图像的像素组件值,和R是像素值通过算法计算获得。
2.3。多媒体教学理论基于虚拟现实(VR)技术
2.3.1。VRML技术概念
基于综合考虑多种虚拟现实软件平台,本文选择VRML设计技术平台。主要基于VRML的事实本身表现为第二代网页浏览的核心技术和紧密结合HTML, JAVA,和多媒体信息。VRML是一种描述语言。描述现实世界和客观世界以直观的方式形成一个易于理解的虚拟场景与真实的世界。
2.3.2。图像控制理论
图像控制理论强调实际经验和相信知识获取是实践经验的基本水平。基于虚拟现实技术的虚拟实验多媒体系统是利用虚拟现实技术构建虚拟学习场景,模拟实际教学操作的整个过程在电脑屏幕上,以便直接为学生提供的氛围。虽然这个过程只是在电脑上完成的,实际的实验教学要求后在此操作。虚拟实验设备的功能和特点充分反映的表现和形式实验设备,以便学习者的经验所能达到的水平。
2.3.3。行为主义理论
行为主义理论强调学习者的具体行为表现和倡导者测量教学的影响从学习者的实际行为,这对虚拟实验的开发有重要意义。在实际实验教学中,很难满足学生实验操作的需求由于条件有限。在实际实验教学在这一阶段,很难满足实验教学要求,学生形式通过反复实践操作技能。虚拟实验的开发为学习者提供了另一个实验操作环境。
3所示。实验
3.1。数据源和实验设备
当培训候选人区域网络和对象分类和人工智能检测网络思想政治教学中,本文使用了一个统一的图像作为输入。在此基础上,2000年将近30000名对象的比例计算视频图像和10000名普通图像,和平均高度的统计直方图。通过统计数据,最小值的平均宽度和高度的目标130。视频图像大小为9000×4500;这是更大的。视频图像均匀downsampled 2500×1250,和压缩比为3.6,最小的目标也有36×36的决议。最后,我们确保所有图片的长度最短的一边是1250在训练。传统的图像和视频图像的规格和参数如表所示1。
为了适应普通相机接口,如HD-SDI接口,USB和IEEE 1394接口,三种类型的采集设备,高清摄像头,标准定义相机,相机,选择进行测试。每个采集设备的测试需要使用计算机和收购计算机老师。老师计算机采用32位Windows 7系统,3.0 GHz双核CPU、和计算机屏幕截图软件实现了图像驾驶技术安装;收购计算机使用一个64位的Windows 7系统和2.66 GHz四核CPU安装录音和广播系统描述。采集设备用于测试如表所示2。
3.2。多媒体教学系统的总体设计
采用模块化设计,提高项目开发的效率,减少代码维护的难度。这也促进代码重用。也更有利于代码重用。系统分为控制台模块,教师图像采集模块、视音频采集模块,画中画模块,视频转换模块和视听传播的压缩编码模块。整个系统的功能模块图如图1。
控制台模块主要实现了界面设计和图像显示功能,主要显示高清摄像头视频,电脑屏幕,画中画,切换图片。教师图像采集模块主要完成教师形象发送、接收、格式转换和BMP图像合成功能。音频和视频采集模块主要实现视频和音频的集合的高清摄像头,还支持SD相机、摄像机,麦克风。画中画模块实现了图像缩放和画中画合成等功能。图像转换模块主要完成切换、图像格式转换等功能。音频和视频压缩和编码模块主要实现视频流的压缩和编码和音频格式转换。
3.3。图像采集过程基于嵌入式虚拟视频处理控制系统
3.3.1。屏幕图像发送
现在我们介绍的功能系统中需要使用。老师上的屏幕图像的发送过程如图2。
首先,改变区域的图像采集完成老师的电脑屏幕上的图像的司机。然后收集到的图像压缩成JPEG格式,以确保高清晰度和高压缩比,便于网络传输。然后JPEG图像数据打包和标题格式信息添加到确保接收机能够准确地获取图像捕获序列,在电脑屏幕上的坐标,和长度的数据。最后,图像数据传输到网络套接字。
3.3.2。屏幕图像的接待
教师图像采集模块需要接收发送的屏幕图像老师和合成图像部分变成了一个完整的计算机屏幕图像。屏幕图像的接收过程如图3。
第一次使用套接字接收屏幕图像;然后根据数据包报头格式提取JPEG数据在图中定义3;JPEG图像合成经常块位置不一致等问题或质量的因素。为了确保图像可以在电脑屏幕上准确地恢复图像,减少操作的复杂性,JPEG图像转换为BMP格式。最后,根据数据包报头格式的图像坐标信息,转换成BMP图像合成为一个完整的计算机屏幕图像,和完整的计算机屏幕图像发送到控制台模块。
3.3.3。屏幕图像合成
后将JPEG格式的图像转换为BMP图像,图像需要综合成一个完整的计算机屏幕图像。全屏图像以来第一次收到老师的桌面的分辨率可以根据图中所描述的坐标信息4建立屏幕显示缓冲区,然后根据分辨率存储全屏BMP格式的图像。当收到更改的部分的图像,转换成BMP图像填充缓冲区的指定位置根据图像坐标信息。
3.4。功能测试的嵌入式视频图像的虚拟控制系统
本节将介绍的主要功能和相应的功能测试方法嵌入的视频图像的虚拟控制系统。测试数据如表所示3。测试方法和工具如下:(1)VLC多媒体播放器,测试图像压缩方法,分辨率,帧速率和音频参数(2)Kelai网络分析系统(CSNAS),用来测试支持网络协议和网络延迟(3)浏览器测试系统配置功能(4)ONVIF协议分析工具来测试设备之间的互连协议(5)电压表、功率计用于测试设备的电气参数(6)温度和湿度计,测量设备的工作环境参数(7)设置实验环境所需的相关工具
4所示。结果与讨论
4.1。分析培训视频图像分类检测的结果
本文进行了实验对不同初始量表和最初的纵横比。实验也表现在单一尺度比例与多个方面。当规模是1282,宽高比{1:1,1:2,2:1},平均检测精度为76.46%。当规模是2562,宽高比{1:1,1:2,2:1},检测的平均精度为77.11%。这时,一个多尺度single-width-to-height比率进行比较实验。规模大小的{1282、2562、5122}和长宽比为1:1,平均检测精度为77.92%。
实验表明,预测区域的组成与不同比例对最后的缓存率有一定的影响。可以清楚地看到,检测一类single-scale单一方面比率会降低。目标区域的数据样本再次取样将采样后的规模和比例。在视频图像对象尺度的分布,我们获得规模分布的直方图计算平方根的目标区域,如图5。可以看出,规模大小的对象主要分布在0和500之间,和一小部分对象规模超过500已被占领。
此外,对象的宽高比的视频图像采样,统计结果如图6。的长宽比分布1:3 - 3:1,主要在{1:1,1:2,2:1,3:2}。根据统计结果和之前的实验中,我们选择了四个规模单位{642、1282、2562、5122}和四个方面比率{1:1,1:2,2:1,,3:2}引用候选区域的面积大小。这些规模和长宽比实验的平均精度为79.28%。
同样,在这种方法中使用的数据集训练使用。我们训练视频图像分类的算法模型和基于图像检测控制在10个类别通过测试5000 1000年传统的图像和视频图像中没有参与训练数据集,如图7。
从图可以看出7,如果对象是相对固定的形状和视角的变化不敏感,梯度特性本文可以,表示检出率是不坏。床上,表的检测精度、监控窗帘,椅子,门,窗,照片,镜子,沙发,和地图是63.15%,59.38%,60.11%,60.85%,61.37%,59.33%,65.94%,64.73%,60.17%,63.22%,62.94%。这十个视频图像的平均精度是75.68%,73.19%,78.28%,74.29%,75.84%,73.29%,76.81%,75.08%,71.98%,74.20%,76.18%。这也显示视频图像分类的算法模型和基于图像检测控制本文可以提取更深和更抽象的特征对目标进行分类。
4.2。性能测试的嵌入式视频图像的虚拟控制系统
为了实现视频图像采集的需要,选择高清摄像机采集设备。老师的电脑上播放视频的方式来确保采用连续改变屏幕图像的传播。通过设置不同的输出视频分辨率和视频捕捉帧率的记录和回放系统和运行1小时,最低记录,最大,平均CPU使用率。决议主要352×288、840×480、720×576、1280×720、1920×1080。帧率包括10、20和25。以下将测试CPU使用率的一项决议,对应不同的采样帧率。表4显示了不同频率的CPU缓存。
测试结果表明,在同样的分辨率,CPU使用率增加随着频率的增加;在相同的频率,CPU使用率增加随着分辨率的增加。目前,市场上电脑的性能是不同的。录音和广播系统与软件处理为核心的CPU使用率没有统一标准。在当前的分辨率和频率,CPU使用率达到多媒体教学系统的需求;,在笔记本电脑上运行12小时后,系统仍然可以运行顺利,满足要求。
输出数据分析后,发现24-color卡的中间值差异的X华相机是53.2916,平均值24-color卡不同的X Kang相机是56.3394,平均值的24-color卡不同的X视觉相机是60.2937。的平均色差24-color卡片相机拍摄的视频图像的虚拟控制算法是40.1168。为了使输出结果看起来更直观,图8是24-color RGB分量的直方图比较由四个不同的摄像机拍摄的图像。基于实验数据,它可以提高视频图像处理的算法提高了控制效果。
4.3。性能分析的视频图像控制基于多媒体教学系统
本文计算并分析了多媒体教学系统的性能改进方面的视频图像控制故障率、平均存储访问延迟,和视频图像控制时间。
图9说明了比较的失败率嵌入式视频图像的虚拟控制算法和原算法构造。通过实验分析,发现,模型与原算法相比,嵌入式虚拟视频图像控制算法构造摘要可以减少失败率16.27%,平均可以获得平均故障率压缩11.08%。除了“表”,其他9组的失败率的视频图像压缩的不同程度。镜子,椅子,和门,嵌入式虚拟视频图像控制算法构造摘要可以减少最大的失败率49.16%,61.02%,和66.94%,分别。
图10比较说明了嵌入式虚拟现实之间的内存访问性能改善视频图像的控制算法和传统算法构造。与传统算法相比,嵌入式虚拟视频图像控制算法构造摘要可以减少10个不同的视频图像的存储访问延迟时间平均为15.93%,可以达到大约9.37%的性能优化。等镜像的镜子,照片,椅子,窗帘,和表,优化的程度是显而易见的;视频图像,如沙发、门、监控、和床,溢出操作的性能改进是非常有限的,所以它不能显示良好的性能。
溢出操作的性能提高主要来自两个方面。首先,细粒度pseudodivision方法用于调整私人之间的和共享的配额每组在相同的总组和能感知的动态变化内存访问操作的项目在不同阶段的特征。其次,通过牺牲合作块替换,溢出,和接收操作,可以动态地控制本地块占用的空间容量的比例在每组和溢出块。
图11的比较说明了多媒体教学系统的总体性能改善嵌入式视频图像的虚拟控制算法和传统算法由视频图像的角度控制时间。10个不同的视频图像,嵌入式虚拟视频图像本文控制系统可以降低视频图像控制时间的7.28%和10.63%,分别。照片,嵌入式虚拟视频图像控制系统在本文中可以提高28.49%的性能。
5。结论
基于人工智能虚拟现实技术的详细分析,本文构建嵌入式视频图像的人工智能虚拟控制思维认知教学体系和使用系统的教学设计来分析思维认知教学的发展。本文选择VRML虚拟现实技术来建模思想认知教学场景,分析的具体实现和系统性能的实验。嵌入式虚拟视频图像控制算法构造摘要可以减少最大的失败率49.16%,61.02%,和66.94%,分别。与传统算法相比,人工智能嵌入式虚拟视频图像控制算法提出了可以减少10个不同的视频图像的平均存储访问时间15.93%,性能可以达到9.3%,和视频图像控制时间可以减少7.28%和10.63%,分别。图片,视频图像的虚拟现实控制系统嵌入在本文中可以提高28.49%的性能。因此人工智能虚拟现实技术可以促进教学的发展和提高学生的学习效率。
数据可用性
本文不涉及数据的研究。没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突。