CN109460727B - 一种基于人体行为识别的考场监控***及方法 - Google Patents
一种基于人体行为识别的考场监控***及方法 Download PDFInfo
- Publication number
- CN109460727B CN109460727B CN201811288872.7A CN201811288872A CN109460727B CN 109460727 B CN109460727 B CN 109460727B CN 201811288872 A CN201811288872 A CN 201811288872A CN 109460727 B CN109460727 B CN 109460727B
- Authority
- CN
- China
- Prior art keywords
- examination
- behavior
- examinee
- video
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 230000006399 behavior Effects 0.000 claims abstract description 189
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 76
- 210000002569 neuron Anatomy 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004886 head movement Effects 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims 1
- 230000001537 neural effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于人体行为识别的考场监控***及方法,适用于考场监控使用。包括设置在考场四周的多个视频采集装置、特征采集装置、视频文件存储装置、特征采集装置、行为识别装置、特征存储装置和报警装置;构建考生在正常考试时的行为特征库,通过安装于考场的视频采集装置实时录制并识别考场所有考生的行为,当有考生的行为特征被识别为非正常考试行为时,通过移动终端等方式提醒监考人员重点关注该考生,同时录制的考试过程可以作为后续事件处理的参考依据。其结构简单,使用方便,有效提高了监考质量和对作弊考生的威慑力,提升了考试公平性。
Description
技术领域
本发明涉及一种考场监控***及方法,尤其适用于一种基于人体行为识别的考场监控***及方法。
背景技术
中国的考试制度已经有逾年的历史。考试是教学工作的重要环节,是检验考生学***的重要方式,是评价人才培养水平的重要手段。
截至2016年,中国共有各类高校2879所,中小学22.97万所,各类学校的考试每年有成千上万场。此外还有各种职业认证类考试、专业能力考试等。现行考试中存在众多不良现象,尤其是考生作弊,就像是“瘟疫”一样屡禁不止。一些考生为了争高分或者及格而心存侥幸心理,大大加大了教学监督管理部门和监考老师的工作强度,同时破坏了考试的公平性。
监考工作从考试诞生伊始便一直存在,主要依靠监考老师的双眼监督考生的考试行为,对违反考场纪律的考生予以处罚以保证考试的公平性。这种纯靠监考人员的监督力和责任心的监考方式存在诸多弊端,如:监考人员长时间高强度监考容易视觉疲劳、由于视野受限难以同时监控所有考生行为等等。若通过人工智能的方法辅助监考,则不但可大幅提升监控老师的监考效果,提高考试的公平性,而且能够录制考试过程,为考场纠纷的解决提供关键证据和技术支持。
发明内容
根据上述技术的不足之处,提供一种结构简单,使用方便,有效解决考场作弊行为难以实施精确监控,监考人员负担过重等问题,并提高作弊行为的识别率的基于人体行为识别的考场监控***及方法。
为实现上述技术目的,本发明的基于人体行为识别的考场监控***,它包括设置在考场四周的多个视频采集装置、特征采集装置、视频文件存储装置、特征采集装置、行为识别装置、特征存储装置和报警装置;其中视频采集装置的输出端分别与特征采集装置和视频文件存储装置的输入端相连接,特征采集装置的输出端与行为识别装置的输入端相连接,行为识别装置的输入端与特征存储装置相连接,行为识别装置的输出端分别与视频文件存储装置和报警装置相连接。
一种基于人体行为识别的考场的监控方法,包括利用多个视频采集装置对考场考生的行为进行识别,警装置提示监考人员注意被识别为有非正常考试行为的考生,步骤如下:
步骤(1)构建分类器:利用设置在考场四周的视频采集装置采集大量考生正常考试时的行为视频组成训练样本,训练样本包括从四个方面拍摄到的每个考生的视频图像,提取行为特征以训练识别考生行为的分类器,包括正常考试行为和非正常考试行为两大类;
步骤(2)识别考生行为:利用考场四周的多个视频采集装置全程录制考试过程,同时实时提取每个考生行为特征,利用分类器进行模式识别,并通过特征存储装置中存储的特征内容,判定该考生的行为是否为正常考试行为;
步骤(3)非正常考试行为预警:当有考生的行为与特征存储装置中存储的特征匹配,并被判断为非正常考试行为,这在监考计算机屏幕上通过图文闪烁的方式向监考人员报警,同时将该报警消息发送到监考老师的移动终端上,提醒监考人员对该考生进行重点关注。此外,行为识别装置自动对相关时间段内的考试过程视频进行标注,为考试纠纷的处理提供证据。
所述采集训练样本和实际考试过程中,采用四个不同角度的视频采集装置录制考生考试行为,分别对每个考生的正面、左侧面、右侧面、背面进行视频记录,将每个考生在4种角度的考试视频以时间长度T为间隔,分段为视频文件Tn1,Tn2,Tn3,...,Tnm,(n=1,2,3,4;m∈N),并存入视频文件存储装置的数据库中,以便实施特征值的实时提取和视频的实时调用。
构建分类器过程中以及识别考生行为过程中,需要从样本中提取特征值,收集的考生考试时的行为特征组成特征向量Xi=[Xi1,Xi2,Xi3,...,Xi9],式中:头部转动方向Xi1,头部转动角度Xi2和头部移动频率Xi3、手部移动方向Xi4,手部转动角度Xi5和手部移动频率Xi6、躯干转动方向Xi7,躯干转动角度Xi8和躯干移动频率Xi9,设特征向量Xi对应的标记Yj={0,1}(“0”代表正常考试行为;“1”代表非正常考试行为),构成样本(Xi,Yj),标示该样本的的特征向量Xi和该样本的“标记”Yj,Yj为该样本对应的视频片段中考生考试行为的定性,即该考生的行为是“正常考试行为”还是“非正常考试行为”,最终获得用于训练分类器的样本集:Dk={(X1,Y1),(X2,Y2),...,(Xm,Ym)},k=1、2....8;
分别对4种角度拍摄的考生考试视频分别提取,从而获得4组样本集:正面的考试视频样本集D1,左侧面的考试视频样本集D2,右侧面的考试视频样本集D3,背面的考试视频样本集D4,同时设置4个备用训练样本集:D5,D6,D7,D8。
构建的分类器结构由SVM支持向量机和McCulloch and Pitts/M-P神经元模型共同组成,SVM支持向量机和M-P神经元模型两个部分顺序连接,4组样本集分别代表4个SVM分类器的的输出与M-P神经元模型的4个输入连接,分类器的训练包括SVM分类器的训练和M-P神经元的训练;
使用4组样本集:正面的考试视频样本集D1,左侧面的考试视频样本集D2,右侧面的考试视频样本集D3,背面的考试视频样本集D4,代入4个SVM分类器分别训练完成之后,再对这4个SVM分类器分别输入4个备用训练样本集D5,D6,D7,D8,得到各SVM分类器的输出结果集E1,E2,E3,E4,这4个输出结果集以神经元输入的形式,共同构成了训练M-P神经元所使用的的训练样本集。
所述SVM分类器的训练方法如下:利用线性方程:wTX+b=0表示划分超平面,其中:w为法向量,决定超平面方向,b是位移量,决定超平面与原点间距离,则SVM分类器的训练可被看做求解w和b的凸二次规划问题,即:
式中:C>0,为常数;m为特征向量个数;Xi为训练样本对应的特征向量,Yi为训练样本对应的“标记”;f(Xi)为对应Yi的真实输出;Lε为损失函数;ε为输出的最大容忍差异,通过训练样本集不断优化参数w和b,求得“最大间隔”超平面,则SVM分类器的训练完成。
M-P神经元模型的训练方法如下:设M-P神经元与4个SVM分类器的连接权重Wi分别为W1,W2,W3,W4,阈值为θ,将W1,W2,W3,W4和θ的初始值分别设为随机的常数W01,W02,W03,W04和θ0,
在训练过程中,设每组训练样本经过M-P神经元后得到输出值与实际值分别为a和y,损失函数为C,则M-P神经元部分的训练就是调节Wi和θ,以使对应所有k个样本的总代价函数对各权重的偏导无限趋近于0,即最终得出所求M-P神经元的各输入权重Wi和阈值θ的最优解,则M-P神经元部分训练完成;
考试行为分类器在正常运行时,对考生考试行为的识别流程如下:
考场的的视频采集装置对现场考生进行视频采集;特征采集装置从采集到的现场考试视频中提取出考生考试行为的待测样本集:R1,R2,R3,R4分别对应4个角度拍摄的考生考试行为;将4个待测样本集R1,R2,R3,R4分别输入各SVM分类器中分类器中进行初步分类,并分别输出对4个角度的考生考试行为的初步行为识别结果集:M1,M2,M3,M4;4个输出结果集分别乘以各自权重Wj再输入M-P神经元中得到考生考试行为的最终识别结果Y,其中Y≤0代表采集的考生考试行为是正常考试行为,Y>0代表采集的考生考试行为是非正常考试行为。
有益效果:本发明的基于人体行为识别的考场监控***及方法,可以有效解决考场作弊行为难以实施精确监控,监考人员负担过重等问题,并提高作弊行为的识别率。能够自动监测每一位考生的行为,克服了监考人员长时间高强度监考的视觉疲劳、关注整个考场所有考生较困难的局限,有效提高了对作弊考生的威慑力,提升了考试公平性。其结构简单使用方便,具有广泛的实用性。
附图说明
图1为本发明训练识别考生行为的分类器的流程图。
图2为本发明识别考生考试行为并处理考生非正常考试行为的流程图。
图3为本发明整体***工作流程图。
图4为本发明设备布置图。
图5为本发明中使用的分类器的基本结构图。
具体实施方式
下面结合附图对本发明的实施例做进一步说明:
如图4所示,本发明的基于人体行为识别的考场监控***,其特征在于:它包括设置在考场四周的多个视频采集装置、特征采集装置、视频文件存储装置、特征采集装置、行为识别装置、特征存储装置和报警装置;其中视频采集装置的输出端分别与特征采集装置和视频文件存储装置的输入端相连接,特征采集装置的输出端与行为识别装置的输入端相连接,行为识别装置的输入端与特征存储装置相连接,行为识别装置的输出端分别与视频文件存储装置和报警装置相连接。
其中,用于采集考生考试行为的视频采集装置,用于录制考试过程并储存考试视频的硬盘录像装置,考场行为监控服务器用于存储正常考试行为、对视频文件进行预处理和特征提取、识别考生的考试行为特征,以及用于提醒监考人员的报警装置。
各装置之间的连接方式为:
(1)主线流程:视频采集装置连接特征采集装置,对采集好的视频文件进行特征采集;特征采集装置连接行为识别装置,对采集好的行为特征进行识别;行为识别装置连接报警装置、报警装置连接监考人员,在识别出有考生出现非正常考试行为时对监考人员发出预警。
(2)支线流程:储存正常考试行为特征的特征存储装置连接行为识别装置,对行为识别装置的分类器进行训练;行为识别装置连接视频文件存储装置,对识别为有非正常考试行为的考生存储在视频文件装置中的视频文件进行标记,方便后续取证;视频文件存储装置连接监考人员,在有考生的视频被标记时,将该学生在此时间段的考试视频发送给监考人员,方便监考人员确认。
如图1、图2和图3所示,一种基于人体行为识别的考场监控方法,包括利用多个视频采集装置对考场考生的行为进行识别,警装置提示监考人员注意被识别为有非正常考试行为的考生,步骤如下:
步骤(1)构建分类器:利用设置在考场四周的视频采集装置采集大量考生正常考试时的行为视频组成训练样本,训练样本包括从四个方面拍摄到的每个考生的视频图像,提取行为特征以训练识别考生行为的分类器,包括正常考试行为和非正常考试行为两大类;
步骤(2)识别考生行为:利用考场四周的多个视频采集装置全程录制考试过程,同时实时提取每个考生行为特征,利用分类器进行模式识别,并通过特征存储装置中存储的特征内容,判定该考生的行为是否为正常考试行为;
步骤(3)非正常考试行为预警:当有考生的行为与特征存储装置中存储的特征匹配,并被判断为非正常考试行为,这在监考计算机屏幕上通过图文闪烁的方式向监考人员报警,同时将该报警消息发送到监考老师的移动终端上,提醒监考人员对该考生进行重点关注。此外,行为识别装置自动对相关时间段内的考试过程视频进行标注,为考试纠纷的处理提供证据。
所述采集训练样本和实际考试过程中,采用四个不同角度的视频采集装置录制考生考试行为,分别对每个考生的正面、左侧面、右侧面、背面进行视频记录,将每个考生在4种角度的考试视频以时间长度T为间隔,分段为视频文件Tn1,Tn2,Tn3,...,Tnm,(n=1,2,3,4;m∈N),并存入视频文件存储装置的数据库中,以便实施特征值的实时提取和视频的实时调用。
如图5所示,构建分类器过程中以及识别考生行为过程中,需要从样本中提取特征值,收集的考生考试时的行为特征组成特征向量Xi=[Xi1,Xi2,Xi3,...,Xi9],式中:头部转动方向Xi1,头部转动角度Xi2和头部移动频率Xi3、手部移动方向Xi4,手部转动角度Xi5和手部移动频率Xi6、躯干转动方向Xi7,躯干转动角度Xi8和躯干移动频率Xi9,设特征向量Xi对应的标记Yj={0,1}(“0”代表正常考试行为;“1”代表非正常考试行为),构成样本(Xi,Yj),标示该样本的的特征向量Xi和该样本的“标记”Yj,Yj为该样本对应的视频片段中考生考试行为的定性,即该考生的行为是“正常考试行为”还是“非正常考试行为”,最终获得用于训练分类器的样本集:Dk={(X1,Y1),(X2,Y2),...,(Xm,Ym)},k=1、2....8;
分别对4种角度拍摄的考生考试视频分别提取,从而获得4组样本集:正面的考试视频样本集D1,左侧面的考试视频样本集D2,右侧面的考试视频样本集D3,背面的考试视频样本集D4,同时设置4个备用训练样本集:D5,D6,D7,D8。
构建的分类器结构由SVM支持向量机和McCulloch and Pitts/M-P神经元模型共同组成,SVM支持向量机和M-P神经元模型两个部分顺序连接,4组样本集分别代表4个SVM分类器的的输出与M-P神经元模型的4个输入连接,分类器的训练包括SVM分类器的训练和M-P神经元的训练;
使用4组样本集:正面的考试视频样本集D1,左侧面的考试视频样本集D2,右侧面的考试视频样本集D3,背面的考试视频样本集D4,代入4个SVM分类器分别训练完成之后,再对这4个SVM分类器分别输入4个备用训练样本集D5,D6,D7,D8,得到各SVM分类器的输出结果集E1,E2,E3,E4,这4个输出结果集以神经元输入的形式,共同构成了训练M-P神经元所使用的的训练样本集。
所述SVM分类器的训练方法如下:利用线性方程:wTX+b=0表示划分超平面,其中:w为法向量,决定超平面方向,b是位移量,决定超平面与原点间距离,则SVM分类器的训练可被看做求解w和b的凸二次规划问题,即:
式中:C>0,为常数;m为特征向量个数;Xi为训练样本对应的特征向量,Yi为训练样本对应的“标记”;f(Xi)为对应Yi的真实输出;Lε为损失函数;ε为输出的最大容忍差异,通过训练样本集不断优化参数w和b,求得“最大间隔”超平面,则SVM分类器的训练完成。
M-P神经元模型的训练方法如下:设M-P神经元与4个SVM分类器的连接权重Wi分别为W1,W2,W3,W4,阈值为θ,将W1,W2,W3,W4和θ的初始值分别设为随机的常数W01,W02,W03,W04和θ0,
在训练过程中,设每组训练样本经过M-P神经元后得到输出值与实际值分别为a和y,损失函数为C,则M-P神经元部分的训练就是调节Wi和θ,以使对应所有k个样本的总代价函数对各权重的偏导无限趋近于0,即最终得出所求M-P神经元的各输入权重Wi和阈值θ的最优解,则M-P神经元部分训练完成;
考试行为分类器在正常运行时,对考生考试行为的识别流程如下:
考场的的视频采集装置对现场考生进行视频采集;特征采集装置从采集到的现场考试视频中提取出考生考试行为的待测样本集:R1,R2,R3,R4分别对应4个角度拍摄的考生考试行为;将4个待测样本集R1,R2,R3,R4分别输入各SVM分类器中分类器中进行初步分类,并分别输出对4个角度的考生考试行为的初步行为识别结果集:M1,M2,M3,M4;4个输出结果集分别乘以各自权重Wj再输入M-P神经元中得到考生考试行为的最终识别结果Y,其中Y≤0代表采集的考生考试行为是正常考试行为,Y>0代表采集的考生考试行为是非正常考试行为。
实施例:
图1为本发明实施例提供的一种基于人体行为识别的考场监控***的训练识别考生行为的分类器流程图。如图1所示,该训练识别考生行为的分类器流程包括以下步骤:
S101,采集考生正常考试行为视频。
在正常考试中,收集凭借人工判断为正常考试行为的考生考试视频,这些视频包括每个考生的正面、左侧面、右侧面、背面这三个不同角度的所有正常考试行为。
S102,提取行为特征。
这里的行为特征包括头部动作、手部动作、躯干动作等行为特征。
S103,训练考生行为分类器。
在确定选用的分类模型之后,需要确定的分类器的参数包括:考生的考试行为在正面、左侧面、右侧面、背面这4中角度的特征权重,以及在这4种角度下头部动作、手部动作、躯干动作这3种行为特征的权重。
图2为本发明实施例提供的一种基于人体行为识别的考场监控***的识别考生考试行为并处理考生非正常考试行为流程图。如图1所示,该识别考生考试行为并处理考生非正常考试行为流程包括以下步骤:
S201,采集并录制考生考试行为视频。
实时录制考试现场的考生行为视频,存入数据库中以备调用。这些视频包括每个考生的正面、左侧面、右侧面、背面这4个不同角度的所有考试行为。
S202,提取行为特征。
提取视频文件中的考生考试行为特征,这里提取的考生行为特征包括:每个考生的正面、左侧面、右侧面、背面这4个不同角度的头部动作、手部动作、躯干动作等行为特征。
S203,分类器识别考生考试行为。
将提取到的考生行为特征交由步骤(1)中的分类器进行分类,判定每个考生的行为是否属于正常考试行为。如果在某个考生的正面、左侧面、右侧面、背面这4个不同角度的视频中,经过分类器综合判别后输出识别结果。
S204,提取有作弊嫌疑的考生相关时间段的考试录像文件作为证据。
当某个考生被识别为非正常考试行为则被标记为有作弊嫌疑。***自动将该考生被识别为非正常考试行为的时间段的视频文件从数据库中提取出来,作为评判的证据交给监考人员。
S205,提醒监考人员注意该考生的后续考试行为。
当提取的视频证据可以直接判定该考生存在作弊行为,则监考人员可以直接取消该考生的考试资格并交于学校处理。若不足以直接判定,则提醒监考人员可重点关注该考生的后续考试行为。
Claims (4)
1.一种基于人体行为识别的考场监控***,其特征在于:它包括设置在考场四周的多个视频采集装置、特征采集装置、视频文件存储装置、特征采集装置、行为识别装置、特征存储装置和报警装置;其中视频采集装置的输出端分别与特征采集装置和视频文件存储装置的输入端相连接,特征采集装置的输出端与行为识别装置的输入端相连接,行为识别装置的输入端与特征存储装置相连接,行为识别装置的输出端分别与视频文件存储装置和报警装置相连接;
具体步骤如下:
步骤(1)构建分类器:利用设置在考场四周的视频采集装置采集大量考生正常考试时的行为视频组成训练样本,训练样本包括从四个方面拍摄到的每个考生的视频图像,提取行为特征以训练识别考生行为的分类器,包括正常考试行为和非正常考试行为两大类;
步骤(2)识别考生行为:利用考场四周的多个视频采集装置全程录制考试过程,同时实时提取每个考生行为特征,利用分类器进行模式识别,并通过特征存储装置中存储的特征内容,判定该考生的行为是否为正常考试行为;
步骤(3)非正常考试行为预警:当有考生的行为与特征存储装置中存储的特征匹配,并被判断为非正常考试行为,这在监考计算机屏幕上通过图文闪烁的方式向监考人员报警,同时将该报警消息发送到监考老师的移动终端上,提醒监考人员对该考生进行重点关注;此外,行为识别装置自动对相关时间段内的考试过程视频进行标注,为考试纠纷的处理提供证据;
所述采集训练样本和实际考试过程中,采用四个不同角度的视频采集装置录制考生考试行为,分别对每个考生的正面、左侧面、右侧面、背面进行视频记录,将每个考生在4种角度的考试视频以时间长度T为间隔,分段为视频文件Tn1,Tn2,Tn3,...,Tnm,n=1,2,3,4;m∈N,并存入视频文件存储装置的数据库中,以便实施特征值的实时提取和视频的实时调用;
构建分类器过程中以及识别考生行为过程中,需要从样本中提取特征值,收集的考生考试时的行为特征组成特征向量Xi=[Xi1,Xi2,Xi3,...,Xi9],式中:头部转动方向Xi1,头部转动角度Xi2和头部移动频率Xi3、手部移动方向Xi4,手部转动角度Xi5和手部移动频率Xi6、躯干转动方向Xi7,躯干转动角度Xi8和躯干移动频率Xi9,设特征向量Xi对应的标记Yj={0,1},“0”代表正常考试行为;“1”代表非正常考试行为,构成样本(Xi,Yj),标示该样本的的特征向量Xi和该样本的“标记”Yj,Yj为该样本对应的视频片段中考生考试行为的定性,即该考生的行为是“正常考试行为”还是“非正常考试行为”,最终获得用于训练分类器的样本集:Dk={(X1,Y1),(X2,Y2),...,(Xm,Ym)},k=1、2....8;
分别对4种角度拍摄的考生考试视频分别提取,从而获得4组样本集:正面的考试视频样本集D1,左侧面的考试视频样本集D2,右侧面的考试视频样本集D3,背面的考试视频样本集D4,同时设置4个备用训练样本集:D5,D6,D7,D8;
构建的分类器结构由SVM支持向量机和McCulloch and Pitts/M-P神经元模型共同组成,SVM支持向量机和M-P神经元模型两个部分顺序连接,4组样本集分别代表4个SVM分类器的的输出与M-P神经元模型的4个输入连接,分类器的训练包括SVM分类器的训练和M-P神经元的训练;
使用4组样本集:正面的考试视频样本集D1,左侧面的考试视频样本集D2,右侧面的考试视频样本集D3,背面的考试视频样本集D4,代入4个SVM分类器分别训练完成之后,再对这4个SVM分类器分别输入4个备用训练样本集D5,D6,D7,D8,得到各SVM分类器的输出结果集E1,E2,E3,E4,这4个输出结果集以神经元输入的形式,共同构成了训练M-P神经元所使用的的训练样本集。
3.根据权利要求1所述的基于人体行为识别的考场监控***,其特征在于M-P神经元模型的训练方法如下:设M-P神经元与4个SVM分类器的连接权重Wi分别为W1,W2,W3,W4,阈值为θ,将W1,W2,W3,W4和θ的初始值分别设为随机的常数W01,W02,W03,W04和θ0,
在训练过程中,设每组训练样本经过M-P神经元后得到输出值与实际值分别为a和y,损失函数为C,则M-P神经元部分的训练就是调节Wi和θ,以使对应所有k个样本的总代价函数对各权重的偏导无限趋近于0,即最终得出所求M-P神经元的各输入权重Wi和阈值θ的最优解,则M-P神经元部分训练完成;
4.根据权利要求1所述的基于人体行为识别的考场监控***,其特征在于考试行为分类器在正常运行时,对考生考试行为的识别流程如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811288872.7A CN109460727B (zh) | 2018-10-31 | 2018-10-31 | 一种基于人体行为识别的考场监控***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811288872.7A CN109460727B (zh) | 2018-10-31 | 2018-10-31 | 一种基于人体行为识别的考场监控***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109460727A CN109460727A (zh) | 2019-03-12 |
CN109460727B true CN109460727B (zh) | 2021-04-06 |
Family
ID=65609048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811288872.7A Active CN109460727B (zh) | 2018-10-31 | 2018-10-31 | 一种基于人体行为识别的考场监控***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109460727B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135282B (zh) * | 2019-04-25 | 2021-06-04 | 沈阳图为科技有限公司 | 一种基于深度卷积神经网络模型的考生回头抄袭作弊检测方法 |
CN110290354A (zh) * | 2019-07-10 | 2019-09-27 | 十里泉科技(重庆)有限公司 | 一种无纸化考场考试监控数据管理方法 |
CN110852517B (zh) * | 2019-11-15 | 2023-08-25 | 北京明智和术科技有限公司 | 非正常行为预警方法、装置、数据处理设备及存储介质 |
CN111611896B (zh) * | 2020-05-15 | 2023-07-21 | 广西民族师范学院 | 一种考试防作弊的管理*** |
CN112949689A (zh) * | 2021-02-01 | 2021-06-11 | Oppo广东移动通信有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN113627335A (zh) * | 2021-08-10 | 2021-11-09 | 浙江大华技术股份有限公司 | 考生行为的监控方法、装置、存储介质和电子装置 |
CN114051118A (zh) * | 2021-10-25 | 2022-02-15 | 重庆中科云从科技有限公司 | 考场监控*** |
CN114937244B (zh) * | 2022-06-16 | 2023-08-29 | 慧之安信息技术股份有限公司 | 基于边缘计算的考场智能监控方法 |
CN115063892B (zh) * | 2022-08-19 | 2022-11-11 | 北京竞业达数字***科技有限公司 | 一种考场异常行为检测方法及*** |
KR102594256B1 (ko) * | 2022-11-15 | 2023-10-26 | 주식회사 에딘트 | 인공지능 기반 행동 모니터링 방법, 프로그램 및 장치 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630364A (zh) * | 2009-08-20 | 2010-01-20 | 天津大学 | 基于融合特征的步态信息处理与身份识别方法 |
CN102348101A (zh) * | 2010-07-30 | 2012-02-08 | 深圳市先进智能技术研究所 | 一种考场智能监控***和方法 |
CN102799893A (zh) * | 2012-06-15 | 2012-11-28 | 北京理工大学 | 考场监控视频处理方法 |
CN106598227A (zh) * | 2016-11-15 | 2017-04-26 | 电子科技大学 | 基于Leap Motion和Kinect的手势识别方法 |
CN107679526A (zh) * | 2017-11-14 | 2018-02-09 | 北京科技大学 | 一种人脸微表情识别方法 |
CN108345846A (zh) * | 2018-01-29 | 2018-07-31 | 华东师范大学 | 一种基于卷积神经网络的人体行为识别方法及识别*** |
CN108710865A (zh) * | 2018-05-28 | 2018-10-26 | 电子科技大学 | 一种基于神经网络的司机异常行为检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100568144C (zh) * | 2008-09-04 | 2009-12-09 | 湖南大学 | 一种未知环境下移动机器人多行为融合自动导航方法 |
WO2017165801A1 (en) * | 2016-03-24 | 2017-09-28 | The Regents Of The University Of California | Deep-learning-based cancer classification using a hierarchical classification framework |
CN106599941A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子科技大学 | 基于卷积神经网络与支持向量机的手写数字识别方法 |
CN107705556A (zh) * | 2017-09-01 | 2018-02-16 | 南京邮电大学 | 一种基于支持向量机和bp神经网络结合的交通流预测方法 |
-
2018
- 2018-10-31 CN CN201811288872.7A patent/CN109460727B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630364A (zh) * | 2009-08-20 | 2010-01-20 | 天津大学 | 基于融合特征的步态信息处理与身份识别方法 |
CN102348101A (zh) * | 2010-07-30 | 2012-02-08 | 深圳市先进智能技术研究所 | 一种考场智能监控***和方法 |
CN102799893A (zh) * | 2012-06-15 | 2012-11-28 | 北京理工大学 | 考场监控视频处理方法 |
CN106598227A (zh) * | 2016-11-15 | 2017-04-26 | 电子科技大学 | 基于Leap Motion和Kinect的手势识别方法 |
CN107679526A (zh) * | 2017-11-14 | 2018-02-09 | 北京科技大学 | 一种人脸微表情识别方法 |
CN108345846A (zh) * | 2018-01-29 | 2018-07-31 | 华东师范大学 | 一种基于卷积神经网络的人体行为识别方法及识别*** |
CN108710865A (zh) * | 2018-05-28 | 2018-10-26 | 电子科技大学 | 一种基于神经网络的司机异常行为检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109460727A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460727B (zh) | 一种基于人体行为识别的考场监控***及方法 | |
Abeles et al. | Cortical activity flips among quasi-stationary states. | |
CN109977903A (zh) | 一种智慧课堂学生管理的方法、装置及计算机存储介质 | |
CN105791299A (zh) | 一种无人监考的智能化上机考试*** | |
Hu et al. | Research on abnormal behavior detection of online examination based on image information | |
CN114038256B (zh) | 一种基于人工智能的教学互动*** | |
CN108182541A (zh) | 一种混合学习效果评估与干预方法与装置 | |
CN107480872A (zh) | 一种基于数据交换网络的在线教学考评***及方法 | |
CN106557846A (zh) | 基于大学生在校数据的毕业去向预测方法 | |
CN106023516A (zh) | 一种考试监控方法、***及考场监控器 | |
CN109431523A (zh) | 基于非社会性声音刺激行为范式的孤独症初级筛查装置 | |
Sukhbaatar et al. | Mining educational data to predict academic dropouts: a case study in blended learning course | |
CN112926412A (zh) | 自适应教学课堂监控方法及*** | |
CN107818707B (zh) | 一种自动出题的考试*** | |
CN108776452A (zh) | 一种特种设备现场维保监控方法及*** | |
CN111523445A (zh) | 一种基于改进的Openpose模型和面部微表情的考试行为检测方法 | |
CN112085883A (zh) | 一种智慧监考反作弊*** | |
CN110477932B (zh) | 一种基于互联网与云计算的学生心理压力评估方法及*** | |
Mack et al. | Time course of visual object categorization: Fastest does not necessarily mean first | |
CN111832669B (zh) | 学习参与度识别网络模型的建立方法及装置 | |
CN116664001A (zh) | 一种基于人工智能的学员技能评估方法及*** | |
CN107967660B (zh) | 一种自动面部识别的安全考试*** | |
CN115312192A (zh) | 一种基于卷积神经网络表情识别的校园心理健康评估-反馈方法 | |
AU2020101294A4 (en) | Student’s physiological health behavioural prediction model using svm based machine learning algorithm | |
Rodrigues et al. | Butterfly species identification using convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |