CN109815872A - 作弊区域检测方法、装置、设备及存储介质 - Google Patents
作弊区域检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109815872A CN109815872A CN201910042318.9A CN201910042318A CN109815872A CN 109815872 A CN109815872 A CN 109815872A CN 201910042318 A CN201910042318 A CN 201910042318A CN 109815872 A CN109815872 A CN 109815872A
- Authority
- CN
- China
- Prior art keywords
- frame
- cheating
- hot spot
- region
- spot region
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种作弊区域检测方法、装置、设备及存储介质，通过获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据；根据所述人头坐标数据获得各帧画面的热点区域框；将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度，将重叠密度最大的热点区域框对应的区域作为作弊区域，防止人工监考存在内部人员舞弊情况，节省了人力成本，提升了作弊区域检测的准确率，提高了作弊区域的检测速度和效率，保证了考试的公平公正，不需要将各帧图像的检测对象进行标记和关联，通用性和灵活性强，提升了用户体验。
Description
技术领域
本发明涉及视频监控领域，尤其涉及一种作弊区域检测方法、装置、设备及存储介质。
背景技术
目前检测作弊事件或行为的方式通常是通过人工监考，或者对目标人员的某一动作行为做静态的单帧采集，将采集到的帧画面进行统计学习出模型后进行分辨，但是因为分辨识别动作较多，造成模型愈加趋于复杂化，计算量比较庞大，需要依赖很大的数据量运算能力，往往运算速度偏慢，并且仅靠当前一帧画面确定作弊区域，检测准确率并不高，并且现有的通过提取目标人员的动作行为进行作弊分析的这种方式，往往还需要依赖很多的硬件传感器获取的图像信息和传感器信息，存在噪声大的问题，并且在比较复杂的监控环境中实时性也不高，会有延时。
发明内容
本发明的主要目的在于提供一种作弊区域检测方法、装置、设备及存储介质，旨在解决现有技术中通过提取目标人员的动作行为进行作弊分析存在的检测准确率和效率较低，且实时性差的技术问题。
为实现上述目的，本发明提供一种作弊区域检测方法，所述作弊区域检测方法包括以下步骤：
获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据；
根据所述人头坐标数据获得各帧画面的热点区域框；
将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度；
将重叠密度最大的热点区域框对应的区域作为作弊区域。
优选地，所述将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度，具体包括：
对各帧画面进行重叠，统计各热点区域框的累计重叠次数；
根据所述累计重叠次数确定各热点区域框的重叠密度。
优选地，所述对各帧画面进行重叠，统计各热点区域框的累计重叠次数，具体包括：
对连续的各帧画面依次进行重叠，以使各帧画面中的各热点区域框进行融合；
获得融合后的各热点区域框的区域集合，从所述区域集合中获取各热点区域框的累计重叠次数，所述区域集合通过如下公式获取：
其中，n为迭代阈值，即帧与帧之间的重叠次数，i为当前帧数，Hi为当前帧的热点区域框，W为区域集合。
优选地，所述获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据，具体包括：
对所述待识别视频进行识别，确定所述待识别视频的每一帧画面中的人员头部目标；
获得各帧画面中人员头部目标对应的像素坐标位置和人员头部数量，将各像素坐标位置和人员头部数量作为人头坐标数据。
优选地，所述根据所述人头坐标数据获得各帧画面的热点区域框，具体包括：
根据所述人头坐标数据确定各目标人员头部对应的目标人员头部框；
获得各帧画面中各目标人员头部框之间的间距；
将所述间距小于预设距离阈值的目标人员头部框作为热点区域框。
优选地，所述根据所述人头坐标数据确定各目标人员头部对应的目标人员头部框之前，所述作弊区域检测方法还包括：
从所述人头坐标数据中提取第一帧画面中的起始人头坐标数据与最后一帧画面中的最终人头坐标数据；
将所述起始人头坐标数据与所述最终人头坐标数据进行比对，获得人员头部位移参数，所述人员头部位移参数为第一帧画面中各人员头部的像素坐标位置的历史位移数据；
根据所述人员头部位移参数确定人员头部位移小于预设位移阈值的人员头部为目标人员头部。
优选地，所述将重叠密度最大的热点区域框对应的区域作为作弊区域之后，所述作弊区域检测方法还包括：
获取所述作弊区域对应的目标图像数据，将所述目标图像数据代入至预设误检模型中，生成误检结果；
在所述误检结果为无误时，将所述作弊区域作为预警区域，根据所述预警区域生成预警信息，并将所述预警信息发送至监控中心。
此外，为实现上述目的，本发明还提出一种作弊区域检测设备，所述作弊区域检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的作弊区域检测程序，所述作弊区域检测程序配置为实现如上文所述的作弊区域检测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有作弊区域检测程序，所述作弊区域检测程序被处理器执行时实现如上文所述的作弊区域检测方法的步骤。
此外，为实现上述目的，本发明还提供一种作弊区域检测装置，所述作弊区域检测装置包括：数据获取模块、热点区域确定模块、密度获取模块和作弊区域确定模块；
其中，所述数据获取模块，用于获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据；
所述热点区域确定模块，用于根据所述人头坐标数据获得各帧画面的热点区域框；
所述密度获取模块，用于将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度；
所述作弊区域确定模块，用于将重叠密度最大的热点区域框对应的区域作为作弊区域。
本发明提出的作弊区域检测方法，通过获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据；根据所述人头坐标数据获得各帧画面的热点区域框；将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度，将重叠密度最大的热点区域框对应的区域作为作弊区域，防止人工监考存在内部人员舞弊情况，节省了人力成本，提升了作弊区域检测的准确率，提高了作弊区域的检测速度和效率，保证了考试的公平公正，不需要将各帧图像的检测对象进行标记和关联，通用性和灵活性强，提升了用户体验。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明作弊区域检测方法第一实施例的流程示意图；
图3为本发明作弊区域检测方法第二实施例的流程示意图；
图4为本发明作弊区域检测方法第三实施例的流程示意图；
图5为本发明作弊区域检测装置第一实施例的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的解决方案主要是：本发明通过获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据；根据所述人头坐标数据获得各帧画面的热点区域框；将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度，将重叠密度最大的热点区域框对应的区域作为作弊区域，防止人工监考存在内部人员舞弊情况，节省了人力成本，提升了作弊区域检测的准确率，提高了作弊区域的检测速度和效率，保证了考试的公平公正，不需要将各帧图像的检测对象进行标记和关联，通用性和灵活性强，提升了用户体验，解决了现有技术中通过提取目标人员的动作行为进行作弊分析存在的检测准确率和效率较低，且实时性差的技术问题。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
如图1所示，该设备可以包括：显示器1000、处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的存储器(Non-volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对该设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户端接口模块以及作弊区域检测程序。
本发明作弊区域检测设备通过处理器1001调用存储器1005中存储的作弊区域检测程序，并执行以下操作：
获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据；
根据所述人头坐标数据获得各帧画面的热点区域框；
将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度；
将重叠密度最大的热点区域框对应的区域作为作弊区域。
进一步地，处理器1001可以调用存储器1005中存储的作弊区域检测程序，还执行以下操作：
对各帧画面进行重叠，统计各热点区域框的累计重叠次数；
根据所述累计重叠次数确定各热点区域框的重叠密度。
进一步地，处理器1001可以调用存储器1005中存储的作弊区域检测程序，还执行以下操作：
对连续的各帧画面依次进行重叠，以使各帧画面中的各热点区域框进行融合；
获得融合后的各热点区域框的区域集合，从所述区域集合中获取各热点区域框的累计重叠次数，所述区域集合通过如下公式获取：
其中，n为迭代阈值，即帧与帧之间的重叠次数，i为当前帧数，Hi为当前帧的热点区域框，W为区域集合。
进一步地，处理器1001可以调用存储器1005中存储的作弊区域检测程序，还执行以下操作：
对所述待识别视频进行识别，确定所述待识别视频的每一帧画面中的人员头部目标；
获得各帧画面中人员头部目标对应的像素坐标位置和人员头部数量，将各像素坐标位置和人员头部数量作为人头坐标数据。
进一步地，处理器1001可以调用存储器1005中存储的作弊区域检测程序，还执行以下操作：
根据所述人头坐标数据确定各目标人员头部对应的目标人员头部框；
获得各帧画面中各目标人员头部框之间的间距；
将所述间距小于预设距离阈值的目标人员头部框作为热点区域框。
进一步地，处理器1001可以调用存储器1005中存储的作弊区域检测程序，还执行以下操作：
从所述人头坐标数据中提取第一帧画面中的起始人头坐标数据与最后一帧画面中的最终人头坐标数据；
将所述起始人头坐标数据与所述最终人头坐标数据进行比对，获得人员头部位移参数，所述人员头部位移参数为第一帧画面中各人员头部的像素坐标位置的历史位移数据；
根据所述人员头部位移参数确定人员头部位移小于预设位移阈值的人员头部为目标人员头部。
进一步地，处理器1001可以调用存储器1005中存储的作弊区域检测程序，还执行以下操作：
获取所述作弊区域对应的目标图像数据，将所述目标图像数据代入至预设误检模型中，生成误检结果；
在所述误检结果为无误时，将所述作弊区域作为预警区域，根据所述预警区域生成预警信息，并将所述预警信息发送至监控中心。
本实施例通过上述方案，通过获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据；根据所述人头坐标数据获得各帧画面的热点区域框；将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度，将重叠密度最大的热点区域框对应的区域作为作弊区域，防止人工监考存在内部人员舞弊情况，节省了人力成本，提升了作弊区域检测的准确率，提高了作弊区域的检测速度和效率，保证了考试的公平公正，不需要将各帧图像的检测对象进行标记和关联，通用性和灵活性强，提升了用户体验。
基于上述硬件结构，提出本发明作弊区域检测方法实施例。
参照图2，图2为本发明作弊区域检测方法第一实施例的流程示意图。
在第一实施例中，所述作弊区域检测方法包括以下步骤：
步骤S10、获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据。
需要说明的是，所述待识别视频为预先设置的需要进行作弊区域检测的视频，所述待识别视频可以是预先录制好的视频，也可以是实时监测获得的视频，在本实施例中所述待识别视频为实时监测获得的视频，当然还可以是其他形式的视频，本实施例对此不加以限制；所述人员头部的像素坐标位置为所述待识别视频的每一帧的帧画面中出现的人员头部，即人员头部的在每一帧的帧画面中的具体像素位置，进而生成对应的人头坐标数据，所述人头坐标数据反映各帧画面中人员头部在对应的帧画面的具***置。
进一步地，所述步骤S10具体包括以下步骤：
对所述待识别视频进行识别，确定所述待识别视频的每一帧画面中的人员头部目标；
获得各帧画面中人员头部目标对应的像素坐标位置和人员头部数量，将各像素坐标位置和人员头部数量作为人头坐标数据。
应当理解的是，对所述待识别视频进行识别，可以通过抓取每一帧画面中的人员头部像素，确定所述待识别视频的每一帧画面中的人员头部目标，进而记录各人员头部目标对应的像素坐标位置并统计各人员头部目标的将各帧画面中人员头部目标对应的人员头部数量，从而将各像素坐标位置和人员头部数量作为人头坐标数据，可以保证后续热点区域框的快速确定，提高了作弊区域的检测速度和效率。
步骤S20、根据所述人头坐标数据获得各帧画面的热点区域框。
可以理解的是，所述热点区域框为具有较大作弊嫌疑的人头坐标数据对应的区域框，通过对所述人头坐标数据进行分析，可以获得各帧画面的热点区域，即锁定具有较大作弊嫌疑的热点区域。
步骤S30、将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度。
应当理解的是，将各热点区域框进行迭代聚类即对各热点区域框进行重合计算人员头部互相覆盖的密度，进而可以对各热点区域框进行筛选，获得各热点区域框的重叠密度。
步骤S40、将重叠密度最大的热点区域框对应的区域作为作弊区域。
可以理解的是，重叠密度最大的热点区域框即为作弊嫌疑最大的热点区域框，将重叠密度最大的热点区域框对应的区域作为作弊区域，提升了作弊区域检测的准确率，提高了作弊区域的检测速度和效率。
进一步地，所述步骤S40之后，所述作弊区域检测方法还包括以下步骤：
获取所述作弊区域对应的目标图像数据，将所述目标图像数据代入至预设误检模型中，生成误检结果；
在所述误检结果为无误时，将所述作弊区域作为预警区域，根据所述预警区域生成预警信息，并将所述预警信息发送至监控中心。
可以理解的是，在确定了作弊区域后，可以通过所述预设误检模型对所述作弊区域进行过滤误检，排除误检的情况，所述预设误检模型为预先设置的用于对目标图像进行误检排除的模型，所述预设误检模型可以通过大量实验数据训练获得，也可以是通过技术人员的日常操作经验确定的模型，当然还可以是通过其他方式确定是模型，本实施例对此不加以限制；在确定了所述作弊区域的误检结果为无误时，将所述作弊区域作为预警区域，根据所述预警区域生成预警信息，并将所述预警信息发送至监控中心，从而及时通知监控中心的工作人员进行作弊事件的相应处理，有效保证了考试的公平公正。
本实施例通过上述方案，通过获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据；根据所述人头坐标数据获得各帧画面的热点区域框；将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度，将重叠密度最大的热点区域框对应的区域作为作弊区域，防止人工监考存在内部人员舞弊情况，节省了人力成本，提升了作弊区域检测的准确率，提高了作弊区域的检测速度和效率，保证了考试的公平公正，不需要将各帧图像的检测对象进行标记和关联，通用性和灵活性强，提升了用户体验。
进一步地，图3为本发明作弊区域检测方法第二实施例的流程示意图，如图3所示，基于第一实施例提出本发明作弊区域检测方法第二实施例，在本实施例中，所述步骤S30，具体包括以下步骤：
步骤S31、对各帧画面进行重叠，统计各热点区域框的累计重叠次数。
需要说明的是，对各帧画面进行重叠，即将下一帧画面与上一帧画面进行重叠融合，进而获得下一帧画面中的热点区域框与上一帧画面中的热点区域框重叠次数，依次获得各帧画面中各热点区域框的重叠情况，即统计各热点区域框的累计重叠次数。
进一步地，所述步骤S31，具体包括以下步骤：
对连续的各帧画面依次进行重叠，以使各帧画面中的各热点区域框进行融合；
获得融合后的各热点区域框的区域集合，从所述区域集合中获得各热点区域框的累计重叠次数，所述区域集合通过如下公式获得：
其中，n为迭代阈值，即帧与帧之间的重叠次数，i为当前帧数，Hi为当前帧的热点区域框，W为区域集合。
应当理解的是，通过对连续的各帧画面依次进行重叠，可以获得所述待识别视频的各帧画面的热点区域的重叠情况，即各帧画面中的各热点区域框进行融合后的融合情况，即各区域集合中获得各热点区域框的累计重叠次数，所述累计重叠次数反映各帧画面的热点区域对应的人员的作弊嫌疑的大小，所述累计重叠次数越大则热点区域对应的人员的作弊嫌疑越大，W为区域集合，通过从所述区域集合中获得各热点区域框的累计重叠次数，可以得知重叠次数最多的热点区域为作弊区域。
步骤S32、根据所述累计重叠次数确定各热点区域框的重叠密度。
可以理解的是，所述累计重叠次数的大小反映各热点区域框的重叠密度的大小，所述重叠密度最大的区域则表明重叠密度最大的区域对应的人员具有持续性的近距离接触的情况，则此时重叠密度最大的区域中对应的人员作弊嫌疑较大，则此时将重叠密度最大的热点区域框对应的区域作为作弊区域。
本实施例通过上述方案，通过对各帧画面进行重叠，统计各热点区域框的累计重叠次数；根据所述累计重叠次数确定各热点区域框的重叠密度，将重叠密度最大的热点区域框对应的区域作为作弊区域，防止人工监考存在内部人员舞弊情况，节省了人力成本，提升了作弊区域检测的准确率，提高了作弊区域的检测速度和效率，保证了考试的公平公正，不需要将各帧图像的检测对象进行标记和关联，通用性和灵活性强，提升了用户体验。
进一步地，图4为本发明作弊区域检测方法第三实施例的流程示意图，如图4所示，基于第二实施例提出本发明作弊区域检测方法第三实施例，在本实施例中，所述步骤S20具体包括以下步骤：
步骤S21、根据所述人头坐标数据确定各目标人员头部对应的目标人员头部框。
需要说明的是，根据所述人头坐标数据确定各目标人员头部对应的目标人员头部框，即通过人头坐标数据将各人员头部对应的像素形成的区域设置规则的人员头部框作为目标人员头部框，所述目标人员头部框可以是正方形或长方形，还可以是圆形人员头部框，当然还可以是其他形态的人员头部框，本实施例对此不加以限制。
所述步骤S21之前，所述作弊区域检测方法还包括以下步骤：
从所述人头坐标数据中提取第一帧画面中的起始人头坐标数据与最后一帧画面中的最终人头坐标数据；
将所述起始人头坐标数据与所述最终人头坐标数据进行比对，获得人员头部位移参数，所述人员头部位移参数为第一帧画面中各人员头部的像素坐标位置的历史位移数据；
根据所述人员头部位移参数确定人员头部位移小于预设位移阈值的人员头部为目标人员头部。
可以理解的是，从所述人头坐标数据中可以提取第一帧画面和最后一帧画面，进而可以将第一帧画面中的起始人头坐标数据与最后一帧画面中的最终人头坐标数据进行比对，获得人员头部位移数据，将所述人员头部位移参数确定人员头部位移小于预设位移阈值的人员头部为目标人员头部，而人员头部位移参数对应的人员头部位移大于或等于预设位移阈值的人员头部，即认为是不相关的人员的人员头部，例如行人的人员头部等，可以进一步对人头坐标数据进行过滤筛选，进一步提升了作弊区域检测的准确率，提高了作弊区域的检测速度和效率。
步骤S22、获得各帧画面中各目标人员头部框之间的间距。
可以理解的是，所述各目标人员头部框之间的间距可以反映人员头部之间的距离，获得各帧画面中各目标人员头部框之间的间距可以是通过各目标人员头部框的中心点的距离来计算，也可以是以各目标人员头部框上的同一相对位置的距离采集点之间的距离来计算，当然还可以是以其他方式进行计算，本实施例对此不加以限制。
步骤S23、将所述间距小于预设距离阈值的目标人员头部框作为热点区域框。
应当理解的是，所述预设距离阈值为预先设置的用于判断所述目标人员头部框之间的距离是否过近的阈值，通过将所述间距与所述预设距离阈值比较，可以根据比较结果确定目标人员头部框是否作为热点区域框，进而可以有效对间距处于相对正常范围的目标人员头部框进行过滤，将间距小于预设距离阈值的目标人员头部框作为热点区域框，即间距小于预设距离与之的目标人员头部框对应的人员具有较大作弊嫌疑，从而提升了作弊区域检测的准确率。
本实施例通过上述方案，通过根据所述人头坐标数据确定各目标人员头部对应的目标人员头部框；获得各帧画面中各目标人员头部框之间的间距；将所述间距小于预设距离阈值的目标人员头部框作为热点区域框，防止人工监考存在内部人员舞弊情况，节省了人力成本，提升了作弊区域检测的准确率，提高了作弊区域的检测速度和效率，保证了考试的公平公正，不需要将各帧图像的检测对象进行标记和关联，通用性和灵活性强，提升了用户体验。
基于上述作弊区域检测方法的实施例，本发明进一步提供一种作弊区域检测装置。
参照图5，图5为本发明作弊区域检测装置第一实施例的功能模块图。
本发明作弊区域检测装置第一实施例中，该作弊区域检测装置包括：数据获取模块10、热点区域确定模块20、密度获取模块30和作弊区域确定模块40；
其中，所述数据获取模块10，用于获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据；
所述热点区域确定模块20，用于根据所述人头坐标数据获得各帧画面的热点区域框；
所述密度获取模块30，用于将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度；
所述作弊区域确定模块40，用于将重叠密度最大的热点区域框对应的区域作为作弊区域。
其中，作弊区域检测装置的各个功能模块实现的步骤可参照本发明作弊区域检测方法的各个实施例，此处不再赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有作弊区域检测程序，所述作弊区域检测程序被处理器执行时实现如下操作：
获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据；
根据所述人头坐标数据获得各帧画面的热点区域框；
将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度；
将重叠密度最大的热点区域框对应的区域作为作弊区域。
进一步地，所述作弊区域检测程序被处理器执行时还实现如下操作：
对各帧画面进行重叠，统计各热点区域框的累计重叠次数；
根据所述累计重叠次数确定各热点区域框的重叠密度。
进一步地，所述作弊区域检测程序被处理器执行时还实现如下操作：
对连续的各帧画面依次进行重叠，以使各帧画面中的各热点区域框进行融合；
获得融合后的各热点区域框的区域集合，从所述区域集合中获取各热点区域框的累计重叠次数，所述区域集合通过如下公式获取：
其中，n为迭代阈值，即帧与帧之间的重叠次数，i为当前帧数，Hi为当前帧的热点区域框，W为区域集合。
进一步地，所述作弊区域检测程序被处理器执行时还实现如下操作：
对所述待识别视频进行识别，确定所述待识别视频的每一帧画面中的人员头部目标；
获得各帧画面中人员头部目标对应的像素坐标位置和人员头部数量，将各像素坐标位置和人员头部数量作为人头坐标数据。
进一步地，所述作弊区域检测程序被处理器执行时还实现如下操作：
根据所述人头坐标数据确定各目标人员头部对应的目标人员头部框；
获得各帧画面中各目标人员头部框之间的间距；
将所述间距小于预设距离阈值的目标人员头部框作为热点区域框。
进一步地，所述作弊区域检测程序被处理器执行时还实现如下操作：
从所述人头坐标数据中提取第一帧画面中的起始人头坐标数据与最后一帧画面中的最终人头坐标数据；
将所述起始人头坐标数据与所述最终人头坐标数据进行比对，获得人员头部位移参数，所述人员头部位移参数为第一帧画面中各人员头部的像素坐标位置的历史位移数据；
根据所述人员头部位移参数确定人员头部位移小于预设位移阈值的人员头部为目标人员头部。
进一步地，所述作弊区域检测程序被处理器执行时还实现如下操作：
获取所述作弊区域对应的目标图像数据，将所述目标图像数据代入至预设误检模型中，生成误检结果；
在所述误检结果为无误时，将所述作弊区域作为预警区域，根据所述预警区域生成预警信息，并将所述预警信息发送至监控中心。
本实施例通过上述方案，通过获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据；根据所述人头坐标数据获得各帧画面的热点区域框；将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度，将重叠密度最大的热点区域框对应的区域作为作弊区域，防止人工监考存在内部人员舞弊情况，节省了人力成本，提升了作弊区域检测的准确率，提高了作弊区域的检测速度和效率，保证了考试的公平公正，不需要将各帧图像的检测对象进行标记和关联，通用性和灵活性强，提升了用户体验。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种作弊区域检测方法，其特征在于，所述作弊区域检测方法包括：
获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据；
根据所述人头坐标数据获得各帧画面的热点区域框；
将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度；
将重叠密度最大的热点区域框对应的区域作为作弊区域。
2.如权利要求1所述的作弊区域检测方法，其特征在于，所述将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度，具体包括：
对各帧画面进行重叠，统计各热点区域框的累计重叠次数；
根据所述累计重叠次数确定各热点区域框的重叠密度。
3.如权利要求2所述的作弊区域检测方法，其特征在于，所述对各帧画面进行重叠，统计各热点区域框的累计重叠次数，具体包括：
对连续的各帧画面依次进行重叠，以使各帧画面中的各热点区域框进行融合；
获得融合后的各热点区域框的区域集合，从所述区域集合中获取各热点区域框的累计重叠次数，所述区域集合通过如下公式获取：
其中，n为迭代阈值，即帧与帧之间的重叠次数，i为当前帧数，Hi为当前帧的热点区域框，W为区域集合。
4.如权利要求3所述的作弊区域检测方法，其特征在于，所述获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据，具体包括：
对所述待识别视频进行识别，确定所述待识别视频的每一帧画面中的人员头部目标；
获得各帧画面中人员头部目标对应的像素坐标位置和人员头部数量，将各像素坐标位置和人员头部数量作为人头坐标数据。
5.如权利要求4所述的作弊区域检测方法，其特征在于，所述根据所述人头坐标数据获得各帧画面的热点区域框，具体包括：
根据所述人头坐标数据确定各目标人员头部对应的目标人员头部框；
获得各帧画面中各目标人员头部框之间的间距；
将所述间距小于预设距离阈值的目标人员头部框作为热点区域框。
6.如权利要求5所述的作弊区域检测方法，其特征在于，所述根据所述人头坐标数据确定各目标人员头部对应的目标人员头部框之前，所述作弊区域检测方法还包括：
从所述人头坐标数据中提取第一帧画面中的起始人头坐标数据与最后一帧画面中的最终人头坐标数据；
将所述起始人头坐标数据与所述最终人头坐标数据进行比对，获得人员头部位移参数，所述人员头部位移参数为第一帧画面中各人员头部的像素坐标位置的历史位移数据；
根据所述人员头部位移参数确定人员头部位移小于预设位移阈值的人员头部为目标人员头部。
7.如权利要求1-6中任一项所述的作弊区域检测方法，其特征在于，所述将重叠密度最大的热点区域框对应的区域作为作弊区域之后，所述作弊区域检测方法还包括：
获取所述作弊区域对应的目标图像数据，将所述目标图像数据代入至预设误检模型中，生成误检结果；
在所述误检结果为无误时，将所述作弊区域作为预警区域，根据所述预警区域生成预警信息，并将所述预警信息发送至监控中心。
8.一种作弊区域检测装置，其特征在于，所述装置包括：数据获取模块、热点区域确定模块、密度获取模块和作弊区域确定模块；
其中，所述数据获取模块，用于获取待识别视频的各帧画面中人员头部的像素坐标位置，根据所述像素坐标位置生成人头坐标数据；
所述热点区域确定模块，用于根据所述人头坐标数据获得各帧画面的热点区域框；
所述密度获取模块，用于将各热点区域框进行迭代聚类，获得各热点区域框的重叠密度；
所述作弊区域确定模块，用于将重叠密度最大的热点区域框对应的区域作为作弊区域。
9.一种作弊区域检测设备，其特征在于，所述作弊区域检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的作弊区域检测程序，所述作弊区域检测程序配置为实现如权利要求1至7中任一项所述的作弊区域检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有作弊区域检测程序，所述作弊区域检测程序被处理器执行时实现如权利要求1至7中任一项所述的作弊区域检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910042318.9A CN109815872A (zh) | 2019-01-16 | 2019-01-16 | 作弊区域检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910042318.9A CN109815872A (zh) | 2019-01-16 | 2019-01-16 | 作弊区域检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109815872A true CN109815872A (zh) | 2019-05-28 |
Family
ID=66604471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910042318.9A Pending CN109815872A (zh) | 2019-01-16 | 2019-01-16 | 作弊区域检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109815872A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111586369A (zh) * | 2020-06-05 | 2020-08-25 | 上海商汤智能科技有限公司 | 聚集检测方法、装置、电子设备及可读存储介质 |
| CN113701754A (zh) * | 2021-09-06 | 2021-11-26 | 中国矿业大学(北京) | 一种井下三维精确定位*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101916365A (zh) * | 2010-07-06 | 2010-12-15 | 北京竞业达数码科技有限公司 | 对***事件进行智能视频识别的方法 |
| CN102799893A (zh) * | 2012-06-15 | 2012-11-28 | 北京理工大学 | 考场监控视频处理方法 |
| US20150193651A1 (en) * | 2014-01-03 | 2015-07-09 | Gleim Conferencing, Llc | System and method for validating test takers |
| CN106713856A (zh) * | 2016-12-15 | 2017-05-24 | 重庆凯泽科技股份有限公司 | 一种智能考试监控***和方法 |
| CN107256225A (zh) * | 2017-04-28 | 2017-10-17 | 济南中维世纪科技有限公司 | 一种基于视频分析的热度图生成方法及装置 |
| CN107491717A (zh) * | 2016-06-13 | 2017-12-19 | 科大讯飞股份有限公司 | ***检测方法和装置 |
| CN108304794A (zh) * | 2018-01-26 | 2018-07-20 | 安徽爱学堂教育科技有限公司 | 作弊自动识别方法和装置 |
| CN109034074A (zh) * | 2018-07-31 | 2018-12-18 | 安徽皖新金智教育科技有限公司 | 校园考试反馈***及反馈方法 |
-
2019
- 2019-01-16 CN CN201910042318.9A patent/CN109815872A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101916365A (zh) * | 2010-07-06 | 2010-12-15 | 北京竞业达数码科技有限公司 | 对***事件进行智能视频识别的方法 |
| CN102799893A (zh) * | 2012-06-15 | 2012-11-28 | 北京理工大学 | 考场监控视频处理方法 |
| US20150193651A1 (en) * | 2014-01-03 | 2015-07-09 | Gleim Conferencing, Llc | System and method for validating test takers |
| CN107491717A (zh) * | 2016-06-13 | 2017-12-19 | 科大讯飞股份有限公司 | ***检测方法和装置 |
| CN106713856A (zh) * | 2016-12-15 | 2017-05-24 | 重庆凯泽科技股份有限公司 | 一种智能考试监控***和方法 |
| CN107256225A (zh) * | 2017-04-28 | 2017-10-17 | 济南中维世纪科技有限公司 | 一种基于视频分析的热度图生成方法及装置 |
| CN108304794A (zh) * | 2018-01-26 | 2018-07-20 | 安徽爱学堂教育科技有限公司 | 作弊自动识别方法和装置 |
| CN109034074A (zh) * | 2018-07-31 | 2018-12-18 | 安徽皖新金智教育科技有限公司 | 校园考试反馈***及反馈方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴凯: "头部运动分析及其在考场视频监控***中的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111586369A (zh) * | 2020-06-05 | 2020-08-25 | 上海商汤智能科技有限公司 | 聚集检测方法、装置、电子设备及可读存储介质 |
| CN111586369B (zh) * | 2020-06-05 | 2022-04-01 | 上海商汤智能科技有限公司 | 聚集检测方法、装置、电子设备及可读存储介质 |
| CN113701754A (zh) * | 2021-09-06 | 2021-11-26 | 中国矿业大学(北京) | 一种井下三维精确定位*** |
| CN113701754B (zh) * | 2021-09-06 | 2023-05-12 | 中国矿业大学(北京) | 一种井下三维精确定位*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670441B (zh) | 一种实现安全帽穿戴识别的方法、***、终端以及计算机可读存储介质 | |
| JP6969871B2 (ja) | 移動状況推定装置、移動状況推定方法およびプログラム | |
| WO2019096174A1 (zh) | 人物图像服装颜色识别方法、装置及电子设备 | |
| JP6397581B2 (ja) | 混雑状況可視化装置、混雑状況可視化システム、混雑状況可視化方法、および混雑状況可視化プログラム | |
| CN105631418A (zh) | 一种人数统计的方法和装置 | |
| CN106559695A (zh) | 弹幕消息的处理方法、装置以及电子设备 | |
| US9177214B1 (en) | Method and apparatus for an adaptive threshold based object detection | |
| CN111767888A (zh) | 对象状态检测方法、计算机设备、存储介质和电子设备 | |
| WO2017092269A1 (zh) | 客流信息采集方法及装置、客流信息处理方法及装置 | |
| JP2018022340A (ja) | 画像処理装置、情報処理方法及びプログラム | |
| CN112464797B (zh) | 一种吸烟行为检测方法、装置、存储介质及电子设备 | |
| WO2022041484A1 (zh) | 人体跌倒检测方法、装置、设备及存储介质 | |
| CN109508576A (zh) | 一种异常驾驶行为检测方法、装置及电子设备 | |
| CN109815872A (zh) | 作弊区域检测方法、装置、设备及存储介质 | |
| CN107517391A (zh) | 一种用于鉴别视频直播中异常直播信息的方法和设备 | |
| CN105740752B (zh) | 敏感图片过滤方法和*** | |
| CN105654531B (zh) | 一种图像轮廓的绘制方法及装置 | |
| CN113963316A (zh) | 目标事件的确定方法、装置、存储介质及电子装置 | |
| CN112464765B (zh) | 一种基于单像素特征放大的安全帽检测方法及其应用 | |
| CN105427303B (zh) | 一种变电站遗留物的视觉测量与估计方法 | |
| CN113947795B (zh) | 口罩佩戴检测方法、装置、设备及存储介质 | |
| US11587325B2 (en) | System, method and storage medium for detecting people entering and leaving a field | |
| WO2021103727A1 (zh) | 一种数据处理方法、设备及存储介质 | |
| CN114387648A (zh) | 异常图像检测方法、装置、计算机设备及存储介质 | |
| CN114387557A (zh) | 一种基于深度学习的加油站抽烟打电话检测方法及*** |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20210903 |