CN112613436B - ***检测方法和装置 - Google Patents
***检测方法和装置 Download PDFInfo
- Publication number
- CN112613436B CN112613436B CN202011584152.2A CN202011584152A CN112613436B CN 112613436 B CN112613436 B CN 112613436B CN 202011584152 A CN202011584152 A CN 202011584152A CN 112613436 B CN112613436 B CN 112613436B
- Authority
- CN
- China
- Prior art keywords
- frame image
- examinee
- cheating
- human body
- video
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种***检测方法和装置,***检测方法包括:获取待检测视频;判断待检测视频的第i帧图像和第(i‑1)帧图像之间是否存在有肢体动作变化的考生;在确定第i帧图像和第(i‑1)帧图像之间存在有肢体动作变化的考生的情况下,针对第i帧图像中的部分或全部考生中的每一个考生,获取考生对应的二维应考向量,根据考生对应的二维应考向量确定考生是否在作弊;其中,二维应考向量包括:第i帧图像、第(i+m)帧图像、第(i+2m)帧图像、……、第(i+mn‑m)帧图像中考生的一维肢体向量,一维肢体向量包括:考生的露出桌面以上的人体上半身的关键点的坐标;将i加上(mn‑m),继续执行判断的步骤。本申请实施例提高了计算效率。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种***检测方法和装置。
背景技术
为了分析考试中的考风问题,如考生作弊行为、监考老师不作为等,在高考,研究生考试、成人自考和学业水平测试等***后,需要进行考试视频回放。考试视频回放任务需要大量的时间和金钱成本,尤其是大型考试。因此,需要一个考试视频大数据分析***,能自动的分析考生的行为,进而分析考试中存在的问题,一方面对考试的公平、公正起到至关重要的作用,另一方面对作弊行为起到威慑作用,从源头上减少***的发生。
相关的***检测方法存在计算效率低,识别准确率低的问题。
发明内容
本申请提供一种***检测方法和装置,能够提高计算效率。
本申请第一方面提供一种***检测方法,包括:
获取待检测视频;
判断所述待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生;
在确定所述待检测视频的第i帧图像和第(i-1)帧图像之间存在有肢体动作变化的考生的情况下,针对所述第i帧图像中的部分或全部所述考生中的每一个所述考生,获取所述考生对应的二维应考向量,根据所述考生对应的二维应考向量确定所述考生是否在作弊;其中,所述二维应考向量包括:所述第i帧图像、第(i+m)帧图像、第(i+2m)帧图像、……、第(i+mn-m)帧图像中所述考生的一维肢体向量,所述一维肢体向量包括:所述考生的露出桌面以上的人体上半身的关键点的坐标;i为大于或等于1的整数,m为大于或等于1的整数,n为大于或等于2的整数;
将i加上(mn-m),继续执行所述判断待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生的步骤。
在一些示例性实施例中,在确定所述待检测视频的第i帧图像和第(i-1)帧图像之间不存在有肢体动作变化的考生的情况下,该方法还包括:
将i加上1,继续执行所述判断待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生的步骤。
在一些示例性实施例中,所述判断待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生之前,该方法还包括:
对所述待检测视频中的第i帧图像进行人体检测得到所述第i帧图像中每一个考生的人体检测结果图,对所述待检测视频中的第(i-1)帧图像进行人体检测得到所述第(i-1)帧图像中每一个考生的所述人体检测结果图;其中,所述人体检测结果图包括:包括所述考生露出桌面以上的人体上半身的最小外接矩形框;
所述判断待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生包括:
根据所述第i帧图像中所有所述考生的所述人体检测结果图和所述第(i-1)帧图像中所有所述考生的所述人体检测结果图,确定在所述第i帧图像和所述第(i-1)帧图像之间是否存在有肢体动作变化的考生。
在一些示例性实施例中,所述根据第i帧图像中所有考生的人体检测结果图和第(i-1)帧图像中所有考生的人体检测结果图,确定在第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生包括:
针对所述第i帧图像中的每一个所述考生,计算所述第i帧图像和所述第(i-1)帧图像中同一个所述考生的所述人体检测结果图之间的相似度;
在所述相似度大于第一预设阈值的情况下,确认所述考生有肢体动作变化;
在所述相似度小于或等于所述第一预设阈值的情况下,确认所述考生没有肢体动作变化。
在一些示例性实施例中,所述人体上半身的关键点包括:鼻子的关键点、左眼的关键点、右眼的关键点、左耳的关键点、右耳的关键点、脖子的关键点、左肩的关键点、右肩的关键点、左肘的关键点、右肘的关键点、左手的关键点、右手的关键点。
在一些示例性实施例中,所述根据考生对应的二维应考向量确定考生是否在作弊包括:
根据所述考生对应的二维应考向量确定所述考生的表征是否在作弊的作弊置信度,根据所述考生的作弊置信度确定所述考生是否在作弊。
在一些示例性实施例中,所述根据考生的作弊置信度确定考生是否在作弊包括:
在所述考生的作弊置信度大于第二预设阈值的情况下,确定所述考生在作弊;
在所述考生的作弊置信度小于或等于所述第二预设阈值的情况下,确定所述考生没有在作弊。
本申请第二方面提供一种***检测装置,包括:
视频获取模块,用于获取待检测视频;
肢体动作变化判断模块,用于判断所述待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生;
作弊确定模块,用于在确定所述待检测视频的第i帧图像和第(i-1)帧图像之间存在有肢体动作变化的考生的情况下,针对所述第i帧图像中的部分或全部所述考生中的每一个所述考生,获取所述考生对应的二维应考向量,根据所述考生对应的二维应考向量确定所述考生是否在作弊;其中,所述二维应考向量包括:所述第i帧图像、第(i+m)帧图像、第(i+2m)帧图像、……、第(i+mn-m)帧图像中所述考生的一维肢体向量,所述一维肢体向量包括:所述考生的露出桌面以上的人体上半身的关键点的坐标;i为大于或等于1的整数,m为大于或等于1的整数,n为大于或等于2的整数;
所述肢体动作变化判断模块还用于:将i加上(mn-m),继续执行所述判断待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生的步骤。
在一些示例性实施例中,所述肢体动作变化判断模块还用于:
在确定所述待检测视频的第i帧图像和第(i-1)帧图像之间不存在有肢体动作变化的考生的情况下,将i加上1,继续执行所述判断待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生的步骤。
在一些示例性实施例中,所述肢体动作变化判断模块还用于:
对所述待检测视频中的第i帧图像进行人体检测得到所述第i帧图像中每一个考生的人体检测结果图,对所述待检测视频中的第(i-1)帧图像进行人体检测得到所述第(i-1)帧图像中每一个考生的所述人体检测结果图;其中,所述人体检测结果图包括:包括所述考生露出桌面以上的人体上半身的最小外接矩形框;
根据所述第i帧图像中所有所述考生的所述人体检测结果图和所述第(i-1)帧图像中所有所述考生的所述人体检测结果图,确定在所述第i帧图像和所述第(i-1)帧图像之间是否存在有肢体动作变化的考生。
本申请具有如下优点:
本申请实施例先采用简单而快速的方法判断第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生,在确定第i帧图像和第(i-1)帧图像之间存在有肢体动作变化的考生的情况下,才基于考生对应的二维应考向量进一步确定考生是否在作弊,也就是采用更加准确而稍微复杂的方法检测考生是否在作弊,从而提高了计算效率。
在一些示例性实施例中,在确定待检测视频的第i帧图像和第(i-1)帧图像之间不存在有肢体动作变化的考生的情况下,认为第i帧图像中的所有考生均没有在作弊,也就是不需要基于考生对应的二维应考向量进一步确定考生是否在作弊,从而过滤掉大部分没有作弊发生的画面,提高了计算效率。
在一些示例性实施例中,基于真实考试场景的第一视频来训练人体检测模型,基于训练好的人体检测模型对第i帧图像进行人体检测得到所述第i帧图像中每一个考生的人体检测结果图,对所述待检测视频中的第(i-1)帧图像进行人体检测得到所述第(i-1)帧图像中每一个考生的所述人体检测结果图,进而判断是否存在有肢体动作变化的考生,由于人体检测模型是基于真实考试场景的第一视频训练得到的,能够保证多种环境、复杂场景下的识别率。
在一些示例性实施例中,基于真实考试场景的第二视频来训练作弊分类器,基于训练好的作弊分类器得到考生的作弊置信度,进而判断考生是否在作弊,由于作弊分类器是基于真实考试场景的第二视频训练得到的,能够保证多种环境、复杂场景下的识别率。
附图说明
附图是用来提供对本申请的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请,但并不构成对本申请的限制。
图1为本申请一个实施例提供的***检测方法的流程图;
图2为本申请实施例中人体上半身的关键点的示意图;
图3为本申请实施例的示例提供的***检测方法的流程图;
图4为本申请另一个实施例提供的***检测装置的组成框图。
在附图中:
1:右手的关键点 2:左手的关键点
3:右肘的关键点 4:左肘的关键点
5:右肩的关键点 6:左肩的关键点
7:脖子的关键点 8:右耳的关键点
9:左耳的关键点 10:鼻子的关键点
11:右眼的关键点 12:左眼的关键点
具体实施方式
以下结合附图对本申请的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请,并不用于限制本申请。
如本公开所使用的,术语“和/或”包括一个或多个相关列举条目的任何和全部组合。
本公开所使用的术语仅用于描述特定实施例,且不意欲限制本公开。如本公开所使用的,单数形式“一个”和“该”也意欲包括复数形式,除非上下文另外清楚指出。
当本公开中使用术语“包括”和/或“由……制成”时,指定存在所述特征、整体、步骤、操作、元件和/或组件,但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。
本公开所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此,可根据制造技术和/或容限来修改示例图示。
除非另外限定,否则本公开所用的全部术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解,诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义,且将不解释为具有理想化或过度形式上的含义,除非本公开明确如此限定。
图1为本申请一个实施例提供的***检测方法的流程图。
如图1所示,本申请一个实施例提出了一种***检测方法,包括:
步骤100、获取待检测视频。
步骤101、判断所述待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生。
在一些示例性实施例中,所述判断待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生之前,该方法还包括:
对所述待检测视频中的第i帧图像进行人体检测得到所述第i帧图像中每一个考生的人体检测结果图,对所述待检测视频中的第(i-1)帧图像进行人体检测得到所述第(i-1)帧图像中每一个考生的所述人体检测结果图;其中,所述人体检测结果图包括:包括所述考生露出桌面以上的人体上半身的最小外接矩形框;
所述判断待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生包括:
根据所述第i帧图像中所有所述考生的所述人体检测结果图和所述第(i-1)帧图像中所有所述考生的所述人体检测结果图,确定在所述第i帧图像和所述第(i-1)帧图像之间是否存在有肢体动作变化的考生。
在一些示例性实施例中,可以采用预先训练好的人体检测模型对第i帧图像进行人体检测得到所述第i帧图像中每一个考生的人体检测结果图,对所述待检测视频中的第(i-1)帧图像进行人体检测得到所述第(i-1)帧图像中每一个考生的所述人体检测结果图。
在一些示例性实施例中,人体检测模型可以是人体检测网络或人体检测器。
在一些示例性实施例中,人体检测网络包括但不限于YOLOv3、YOLOv4、单步多框目标检测(SSD,Single Short MultiBox Detector)、快速递归卷积神经网络(Faster-RCNN,Faster Recurrent Convolutional Neural Network)、支持向量机(SVM,Support VectorMachine)等检测网络。
在一些示例性实施例中,人体检测器包括但不限于YOLOv3、YOLOv4、SSD、Faster-RCNN、SVM等检测器。
在一些示例性实施例中,人体检测模型可以采用以下方法进行训练:
获取大量真实考试场景的第一视频,在第一视频中进行人工标注,标注目标为包括每个考生露出桌面以上的人体上半身的最小外接矩形框;根据标注好的第一视频训练人体检测模型。
在一些示例性实施例中,考生露出桌面以上的人体上半身包括:人的头部、上肢、双手。
在一些示例性实施例中,在训练人体检测模型的过程中,将真实考试场景的第一视频的一帧图像作为人体检测模型的输入,将该帧图像中每个考生对应的最小外接矩形框作为人体检测模型的输出,最小外接矩形框也可以称为人体检测结果图。
在一些示例性实施例中,在训练人体检测模型的过程中,采用TensorRT、NCNN等方法对人体检测模型进行优化、加速。
在一些示例性实施例中,所述根据第i帧图像中所有考生的人体检测结果图和第(i-1)帧图像中所有考生的人体检测结果图,确定在第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生包括:
针对所述第i帧图像中的每一个所述考生,计算所述第i帧图像和所述第(i-1)帧图像中同一个所述考生的所述人体检测结果图之间的相似度;
在所述相似度大于第一预设阈值的情况下,确认所述考生有肢体动作变化;
在所述相似度小于或等于所述第一预设阈值的情况下,确认所述考生没有肢体动作变化。
在一些示例性实施例中,相似度可以采用多种方式进行计算,具体的计算方式不用于限定本申请实施例的保护范围。例如,通过计算两个人体检测结果图的所有像素对应的像素差的和的平均值的方式来计算相似度。
在一些示例性实施例中,第一预设阈值T1可通过经验来设定,T1越大被过滤掉的视频画面越多,反之越少。
在一些示例性实施例中,由于作弊识别的成功率很难达到100%,实际使用中会允许将一部分非作弊误识别成作弊,再通过人工确认一遍,因此,可以选择第一预设阈值T1稍微小一点。
步骤102、在确定所述待检测视频的第i帧图像和第(i-1)帧图像之间存在有肢体动作变化的考生的情况下,针对所述第i帧图像中的部分或全部所述考生中的每一个所述考生,获取所述考生对应的二维应考向量,根据所述考生对应的二维应考向量确定所述考生是否在作弊;其中,所述二维应考向量包括:所述第i帧图像、第(i+m)帧图像、第(i+2m)帧图像、……、第(i+mn-m)帧图像中所述考生的一维肢体向量,所述一维肢体向量包括:所述考生的露出桌面以上的人体上半身的关键点的坐标;i为大于或等于1的整数,m为大于或等于1的整数,n为大于或等于2的整数。
在本申请实施例中,可以针对所述第i帧图像中的有肢体动作变化的考生中的每一个所述考生,获取所述考生对应的二维应考向量,根据所述考生对应的二维应考向量确定所述考生是否在作弊;
也可以针对所述第i帧图像中的全部考生中的每一个所述考生,获取所述考生对应的二维应考向量,根据所述考生对应的二维应考向量确定所述考生是否在作弊。
图2为本申请实施例中人体上半身的关键点的示意图。如图2所示,在一些示例性实施例中,所述人体上半身的关键点包括:鼻子的关键点、左眼的关键点、右眼的关键点、左耳的关键点、右耳的关键点、脖子的关键点、左肩的关键点、右肩的关键点、左肘的关键点、右肘的关键点、左手的关键点、右手的关键点。
那么,第i帧图像中考生的一维肢体向量可以表示为((x0,i,y0,i) (x1,i,y1,i)…(x11,i,y11,i));其中,(xj,i,yj,i)表示第i帧图像中考生的第j个关键点的坐标,j=0,1,2,…,11。
考生对应的二维应考向量可以表示为:
在一些示例性实施例中,所述根据考生对应的二维应考向量确定考生是否在作弊包括:
根据所述考生对应的二维应考向量确定所述考生的表征是否在作弊的作弊置信度,根据所述考生的作弊置信度确定所述考生是否在作弊。
在一些示例性实施例中,作弊置信度的取值在0~1之间,作弊置信度表示的是考生是否在作弊的概率。
在一些示例性实施例中,所述根据考生的作弊置信度确定考生是否在作弊包括:
在所述考生的作弊置信度大于第二预设阈值的情况下,确定所述考生在作弊;
在所述考生的作弊置信度小于或等于所述第二预设阈值的情况下,确定所述考生没有在作弊。
在一些示例性实施例中,可以采用预先训练好的作弊分类器确定考生的作弊置信度。也就是将考生对应的二维应考向量作为作弊分类器的输入得到考生的作弊置信度。
在一些示例性实施例中,作弊分类器可以采用以下方式训练得到:
获取大量真实考试场景的第二视频,在第二视频中进行人工标注,标注目标为每一个考生在连续mn帧图像中表征是否在作弊的信息;
获取第二视频中第i帧图像中每一个考生的露出桌面以上的人体上半身的关键点的坐标,得到第i帧图像中每一个考生的一维肢体向量;采用同样的方法得到第(i+m)帧图像中每一个考生的一维肢体向量、第(i+2m)帧图像中每一个考生的一维肢体向量、……、第(i+mn-m)帧图像中每一个考生的一维肢体向量;将第i帧图像、第(i+m)帧图像、第(i+2m)帧图像、……、第(i+mn-m)帧图像中同一个考生的一维肢体向量组成该考生对应的二维应考向量;
针对每一个考生,将考生对应的二维应考向量作为作弊分类器的输入,将考生在连续mn帧图像中表征是否在作弊的信息作为作弊分类器的输出;根据所有考生对应的二维应考向量和表征是否在作弊的信息进行作弊分类器的训练。
在一些示例性实施例中,作弊分类器可以是以卷积神经网络(CNN,ConvolutionalNeural Network)、VGG(Visual Geometry Group Network)、Resnet、ResNeXt、MobileNetV3等分类网络为基础进行训练得到的分类器。
在一些示例性实施例中,第二预设阈值T2可通过经验来设定,T2越大越有可能漏掉作弊片段,反之越可能出现把非作弊片段误认为是作弊片段。
在一些示例性实施例中,由于作弊识别的成功率很难达到100%,实际使用中会允许将一部分非作弊误识别成作弊,再通过人工确认一遍,因此,可以选择第二预设阈值T2稍微小一点。
步骤103、将i加上(mn-m),继续执行所述判断待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生的步骤。
在一些示例性实施例中,在确定所述待检测视频的第i帧图像和第(i-1)帧图像之间不存在有肢体动作变化的考生的情况下,该方法还包括:
将i加上1,继续执行所述判断待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生的步骤。
本申请实施例先采用简单而快速的方法判断第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生,在确定第i帧图像和第(i-1)帧图像之间存在有肢体动作变化的考生的情况下,才基于考生对应的二维应考向量进一步确定考生是否在作弊,也就是采用更加准确而稍微复杂的方法检测考生是否在作弊,从而提高了计算效率。
在一些示例性实施例中,在确定待检测视频的第i帧图像和第(i-1)帧图像之间不存在有肢体动作变化的考生的情况下,认为第i帧图像中的所有考生均没有在作弊,也就是不需要基于考生对应的二维应考向量进一步确定考生是否在作弊,从而过滤掉大部分没有作弊发生的画面,提高了计算效率。
在一些示例性实施例中,基于真实考试场景的第一视频来训练人体检测模型,基于训练好的人体检测模型对第i帧图像进行人体检测得到所述第i帧图像中每一个考生的人体检测结果图,对所述待检测视频中的第(i-1)帧图像进行人体检测得到所述第(i-1)帧图像中每一个考生的所述人体检测结果图,进而判断是否存在有肢体动作变化的考生,由于人体检测模型是基于真实考试场景的第一视频训练得到的,能够保证多种环境、复杂场景下的识别率。
在一些示例性实施例中,基于真实考试场景的第二视频来训练作弊分类器,基于训练好的作弊分类器得到考生的作弊置信度,进而判断考生是否在作弊,由于作弊分类器是基于真实考试场景的第二视频训练得到的,能够保证多种环境、复杂场景下的识别率。
下面通过一个示例详细说明本申请实施例的具体实现过程,所列举的示例仅仅是为了说明方便,不用于限定本申请实施例的保护范围。
示例
本示例描述一种***检测方法,图3为本申请实施例的示例提供的***检测方法的流程图。如图3所示,该方法包括:
步骤1、获取大量真实考试场景的第一视频,在第一视频中进行人工标注,标注目标为包括每个考生露出桌面以上的人体上半身的最小外接矩形框,每个考生露出桌面以上的人体上半身包括:人的头部、上肢、双手。
在本示例中,进行人工标注时,可以针对第一视频中的每一帧图像进行人工标注,也可以间隔一定帧数进行人工标注。
在本示例中,仅考虑人体上半身,是因为有桌子的遮挡。
步骤2、根据标注好的第一视频训练人体检测模型。
在本示例中,人体检测模型可以是人体检测网络或人体检测器。
在本示例中,人体检测网络包括但不限于YOLOv3、YOLOv4、单步多框目标检测(SSD,Single Short MultiBox Detector)、快速递归卷积神经网络(Faster-RCNN,FasterRecurrent Convolutional Neural Network)、支持向量机(SVM,Support VectorMachine)等检测网络。
在本示例中,人体检测器包括但不限于YOLOv3、YOLOv4、SSD、Faster-RCNN、SVM等检测器。
在本示例中,在训练人体检测模型的过程中,将真实考试场景的第一视频的一帧图像作为人体检测模型的输入,将该帧图像中每个考生对应的最小外接矩形框作为人体检测模型的输出,最小外接矩形框也可以称为人体检测结果图。
在本示例中,在训练人体检测模型的过程中,采用TensorRT、NCNN等方法对人体检测模型进行优化、加速。
步骤3、获取大量真实考试场景的第二视频,在第二视频中进行人工标注,标注目标为每一个考生在连续mn帧图像中表征是否在作弊的信息(例如,1表示在作弊,0表示没有在作弊)。
在本示例中,第一视频和第二视频可以是同一个视频,也可以是不同的视频。
在本示例中,m为大于或等于1的整数,n为大于或等于2的整数。
步骤4、获取第二视频中第i帧图像中每一个考生的露出桌面以上的人体上半身的关键点的坐标,得到第i帧图像中每一个考生的一维肢体向量;采用同样的方法得到第(i+m)帧图像中每一个考生的一维肢体向量、第(i+2m)帧图像中每一个考生的一维肢体向量、……、第(i+mn-m)帧图像中每一个考生的一维肢体向量;将第i帧图像、第(i+m)帧图像、第(i+2m)帧图像、……、第(i+mn-m)帧图像中同一个考生的一维肢体向量组成该考生对应的二维应考向量。
在本示例中,i为大于或等于1的整数。
在本示例中,人体上半身的关键点包括:鼻子的关键点(如图2中10对应的点)、左眼的关键点(如图2中12对应的点)、右眼的关键点(如图2中11对应的点)、左耳的关键点(如图2中9对应的点)、右耳的关键点(如图2中8对应的点)、脖子的关键点(如图2中7对应的点)、左肩的关键点(如图2中6对应的点)、右肩的关键点(如图2中5对应的点)、左肘的关键点(如图2中4对应的点)、右肘的关键点(如图2中3对应的点)、左手的关键点(如图2中2对应的点)、右手的关键点(如图2中1对应的点)。
在本示例中,第i帧图像中考生的一维肢体向量可以表示为((x0,i,y0,i) (x1,i,y1,i)…(x11,i,y11,i));其中,(xj,i,yj,i)表示第i帧图像中考生的第j个关键点的坐标,j=0,1,2,…,11。
考生对应的二维应考向量可以表示为:
步骤5、针对每一个考生,将考生对应的二维应考向量作为作弊分类器的输入,将考生在连续mn帧图像中表征是否在作弊的信息作为作弊分类器的输出;根据所有考生对应的二维应考向量和表征是否在作弊的信息进行作弊分类器的训练。
在本示例中,作弊分类器可以是以卷积神经网络(CNN,Convolutional NeuralNetwork)、VGG(Visual Geometry Group Network)、Resnet、ResNeXt、MobileNetV3等分类网络为基础进行训练得到的分类器。
步骤6、获取待检测视频。
步骤7、根据训练好的人体检测模型对待检测视频中的第i帧图像进行人体检测得到第i帧图像中每一个考生的人体检测结果图(即上述最小外接矩形框),根据训练好的人体检测模型对待检测视频中的第(i-1)帧图像进行人体检测得到第(i-1)帧图像中每一个考生的人体检测结果图(即上述最小外接矩形框)。
步骤8、根据第i帧图像中每一个考生的人体检测结果图和第(i-1)帧图像中每一个考生的人体检测结果图判断第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生;在第i帧图像和第(i-1)帧图像之间存在有肢体动作变化的考生的情况下,继续执行步骤9;在第i帧图像和第(i-1)帧图像之间不存在有肢体动作变化的考生的情况下,将i加1继续执行步骤7。
本示例中,针对第i帧图像中的每一个考生,计算第i帧图像和第(i-1)帧图像中同一个考生的人体检测结果图之间的相似度;在相似度大于第一预设阈值(T1)的情况下,确认该考生有肢体动作变化;在相似度小于或等于第一预设阈值(T1)的情况下,确认该考生没有肢体动作变化。
在本示例中,相似度可以采用多种方式进行计算,具体的计算方式不用于限定本申请实施例的保护范围。例如,通过计算两个人体检测结果图的所有像素对应的像素差的和的平均值的方式来计算相似度。
在本示例中,第一预设阈值T1可通过经验来设定,T1越大被过滤掉的视频画面越多,反之越少。
步骤9、获取待检测视频中第i帧图像中每一个考生的露出桌面以上的人体上半身的关键点的坐标,得到第i帧图像中每一个考生的一维肢体向量;采用同样的方法得到第(i+m)帧图像中每一个考生的一维肢体向量、第(i+2m)帧图像中每一个考生的一维肢体向量、……、第(i+mn-m)帧图像中每一个考生的一维肢体向量;将第i帧图像、第(i+m)帧图像、第(i+2m)帧图像、……、第(i+mn-m)帧图像中同一个考生的一维肢体向量组成该考生对应的二维应考向量。
在本示例中,m为大于或等于1的整数,n为大于或等于2的整数。
步骤10、针对每一个考生,将考生对应的二维应考向量作为作弊分类器的输入得到考生的表征是否在作弊的作弊置信度;判断考生的作弊置信度是否大于第二预设阈值(T2),在考生的作弊置信度大于第二预设阈值(T2)的情况下,确定该考生在作弊;在考生的作弊置信度小于或等于第二预设阈值(T2)的情况下,确定该考生没有在作弊。
在本示例中,第二预设阈值T2可通过经验来设定,T2越大越有可能漏掉作弊片段,反之越可能出现把非作弊片段误认为是作弊片段。
步骤11、将i加上(mn-m),继续执行步骤7。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
图4为本申请另一个实施例提供的***检测装置的组成框图。
如图4所示,本申请另一个实施例提出了一种***检测装置,包括:
视频获取模块401,用于获取待检测视频;
肢体动作变化判断模块402,用于判断所述待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生;
作弊确定模块403,用于在确定所述待检测视频的第i帧图像和第(i-1)帧图像之间存在有肢体动作变化的考生的情况下,针对所述第i帧图像中的部分或全部所述考生中的每一个所述考生,获取所述考生对应的二维应考向量,根据所述考生对应的二维应考向量确定所述考生是否在作弊;其中,所述二维应考向量包括:所述第i帧图像、第(i+m)帧图像、第(i+2m)帧图像、……、第(i+mn-m)帧图像中所述考生的一维肢体向量,所述一维肢体向量包括:所述考生的露出桌面以上的人体上半身的关键点的坐标;i为大于或等于1的整数,m为大于或等于1的整数,n为大于或等于2的整数;
所述肢体动作变化判断模块402还用于:将i加上(mn-m),继续执行所述判断待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生的步骤。
在一些示例性实施例中,所述肢体动作变化判断模块402还用于:
在确定所述待检测视频的第i帧图像和第(i-1)帧图像之间不存在有肢体动作变化的考生的情况下,将i加上1,继续执行所述判断待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生的步骤。
在一些示例性实施例中,所述肢体动作变化判断模块402还用于:
对所述待检测视频中的第i帧图像进行人体检测得到所述第i帧图像中每一个考生的人体检测结果图,对所述待检测视频中的第(i-1)帧图像进行人体检测得到所述第(i-1)帧图像中每一个考生的所述人体检测结果图;其中,所述人体检测结果图包括:包括所述考生露出桌面以上的人体上半身的最小外接矩形框;
根据所述第i帧图像中所有所述考生的所述人体检测结果图和所述第(i-1)帧图像中所有所述考生的所述人体检测结果图,确定在所述第i帧图像和所述第(i-1)帧图像之间是否存在有肢体动作变化的考生。
在一些示例性实施例中,所述肢体动作变化判断模块402具体用于采用以下方式实现所述根据第i帧图像中所有考生的人体检测结果图和第(i-1)帧图像中所有考生的人体检测结果图,确定在第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生:
针对所述第i帧图像中的每一个所述考生,计算所述第i帧图像和所述第(i-1)帧图像中同一个所述考生的所述人体检测结果图之间的相似度;
在所述相似度大于第一预设阈值的情况下,确认所述考生有肢体动作变化;
在所述相似度小于或等于所述第一预设阈值的情况下,确认所述考生没有肢体动作变化。
在一些示例性实施例中,所述人体上半身的关键点包括:鼻子的关键点、左眼的关键点、右眼的关键点、左耳的关键点、右耳的关键点、脖子的关键点、左肩的关键点、右肩的关键点、左肘的关键点、右肘的关键点、左手的关键点、右手的关键点。
在一些示例性实施例中,作弊确定模块403具体用于采用以下方式实现所述根据考生对应的二维应考向量确定考生是否在作弊:
根据所述考生对应的二维应考向量确定所述考生的表征是否在作弊的作弊置信度,根据所述考生的作弊置信度确定所述考生是否在作弊。
在一些示例性实施例中,作弊确定模块403具体用于采用以下方式实现所述根据考生的作弊置信度确定考生是否在作弊:
在所述考生的作弊置信度大于第二预设阈值的情况下,确定所述考生在作弊;
在所述考生的作弊置信度小于或等于所述第二预设阈值的情况下,确定所述考生没有在作弊。
上述***检测装置的具体实现过程与前述实施例***检测方法的具体实现过程相同,这里不再赘述。
需要说明的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本申请的创新部分,本实施方式中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本实施例还提供一种电子设备,包括一个或多个处理器;存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本实施例提供的***检测方法,为避免重复描述,在此不再赘述***检测方法的具体步骤。
本实施例还提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本实施例提供的***检测方法,为避免重复描述,在此不再赘述***检测方法的具体步骤。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其它数据,并且可包括任何信息递送介质。
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。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本实施例的范围之内并且形成不同的实施例。
可以理解的是,以上实施方式仅仅是为了说明本申请的原理而采用的示例性实施方式,然而本申请并不局限于此。对于本领域内的普通技术人员而言,在不脱离本申请的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本申请的保护范围。
Claims (7)
1.一种***检测方法,包括:
获取待检测视频;
判断所述待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生;
在确定所述待检测视频的第i帧图像和第(i-1)帧图像之间存在有肢体动作变化的考生的情况下,针对所述第i帧图像中的部分或全部所述考生中的每一个所述考生,获取所述考生对应的二维应考向量,根据所述考生对应的二维应考向量确定所述考生是否在作弊;其中,所述二维应考向量包括:所述第i帧图像、第(i+m)帧图像、第(i+2m)帧图像、……、第(i+mn-m)帧图像中所述考生的一维肢体向量,所述一维肢体向量包括:所述考生的露出桌面以上的人体上半身的关键点的坐标;i为大于或等于1的整数,m为大于或等于1的整数,n为大于或等于2的整数;
将i加上(mn-m),继续执行所述判断所述待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生的步骤;
对所述待检测视频中的第i帧图像进行人体检测得到所述第i帧图像中每一个考生的人体检测结果图,对所述待检测视频中的第(i-1)帧图像进行人体检测得到所述第(i-1)帧图像中每一个考生的所述人体检测结果图;其中,所述人体检测结果图包括:包括所述考生露出桌面以上的人体上半身的最小外接矩形框;
所述判断所述待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生,包括:
根据所述第i帧图像中所有所述考生的所述人体检测结果图和所述第(i-1)帧图像中所有所述考生的所述人体检测结果图,确定在所述第i帧图像和所述第(i-1)帧图像之间是否存在有肢体动作变化的考生;
所述根据所述第i帧图像中所有所述考生的所述人体检测结果图和所述第(i-1)帧图像中所有所述考生的所述人体检测结果图,确定在所述第i帧图像和所述第(i-1)帧图像之间是否存在有肢体动作变化的考生包括:
针对所述第i帧图像中的每一个所述考生,计算所述第i帧图像和所述第(i-1)帧图像中同一个所述考生的所述人体检测结果图之间的相似度;
在所述相似度大于第一预设阈值的情况下,确认所述考生有肢体动作变化;
在所述相似度小于或等于所述第一预设阈值的情况下,确认所述考生没有肢体动作变化。
2.根据权利要求1所述的***检测方法,在确定所述待检测视频的第i帧图像和第(i-1)帧图像之间不存在有肢体动作变化的考生的情况下,该方法还包括:
将i加上1,继续执行所述判断所述待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生的步骤。
3.根据权利要求1-2任一项所述的***检测方法,其中,所述人体上半身的关键点包括:鼻子的关键点、左眼的关键点、右眼的关键点、左耳的关键点、右耳的关键点、脖子的关键点、左肩的关键点、右肩的关键点、左肘的关键点、右肘的关键点、左手的关键点、右手的关键点。
4.根据权利要求1-2任一项所述的***检测方法,其中,所述根据所述考生对应的二维应考向量确定所述考生是否在作弊包括:
根据所述考生对应的二维应考向量确定所述考生的表征是否在作弊的作弊置信度,根据所述考生的作弊置信度确定所述考生是否在作弊。
5.根据权利要求4所述的***检测方法,其中,所述根据所述考生的作弊置信度确定所述考生是否在作弊包括:
在所述考生的作弊置信度大于第二预设阈值的情况下,确定所述考生在作弊;
在所述考生的作弊置信度小于或等于所述第二预设阈值的情况下,确定所述考生没有在作弊。
6.一种***检测装置,包括:
视频获取模块,用于获取待检测视频;
肢体动作变化判断模块,还用于判断所述待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生;
作弊确定模块,用于在确定所述待检测视频的第i帧图像和第(i-1)帧图像之间存在有肢体动作变化的考生的情况下,针对所述第i帧图像中的部分或全部所述考生中的每一个所述考生,获取所述考生对应的二维应考向量,根据所述考生对应的二维应考向量确定所述考生是否在作弊;其中,所述二维应考向量包括:所述第i帧图像、第(i+m)帧图像、第(i+2m)帧图像、……、第(i+mn-m)帧图像中所述考生的一维肢体向量,所述一维肢体向量包括:所述考生的露出桌面以上的人体上半身的关键点的坐标;i为大于或等于1的整数,m为大于或等于1的整数,n为大于或等于2的整数;
所述肢体动作变化判断模块还用于:将i加上(mn-m),继续执行所述判断所述待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生的步骤;
所述肢体动作变化判断模块,还用于对所述待检测视频中的第i帧图像进行人体检测得到所述第i帧图像中每一个考生的人体检测结果图,对所述待检测视频中的第(i-1)帧图像进行人体检测得到所述第(i-1)帧图像中每一个考生的所述人体检测结果图;其中,所述人体检测结果图包括:包括所述考生露出桌面以上的人体上半身的最小外接矩形框;根据所述第i帧图像中所有所述考生的所述人体检测结果图和所述第(i-1)帧图像中所有所述考生的所述人体检测结果图,确定在所述第i帧图像和所述第(i-1)帧图像之间是否存在有肢体动作变化的考生;所述肢体动作变化判断模块,还用于针对所述第i帧图像中的每一个所述考生,计算所述第i帧图像和所述第(i-1)帧图像中同一个所述考生的所述人体检测结果图之间的相似度;在所述相似度大于第一预设阈值的情况下,确认所述考生有肢体动作变化;在所述相似度小于或等于所述第一预设阈值的情况下,确认所述考生没有肢体动作变化。
7.根据权利要求6所述的***检测装置,所述肢体动作变化判断模块还用于:
在确定所述待检测视频的第i帧图像和第(i-1)帧图像之间不存在有肢体动作变化的考生的情况下,将i加上1,继续执行所述判断所述待检测视频的第i帧图像和第(i-1)帧图像之间是否存在有肢体动作变化的考生的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011584152.2A CN112613436B (zh) | 2020-12-28 | 2020-12-28 | ***检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011584152.2A CN112613436B (zh) | 2020-12-28 | 2020-12-28 | ***检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613436A CN112613436A (zh) | 2021-04-06 |
CN112613436B true CN112613436B (zh) | 2023-08-04 |
Family
ID=75248412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011584152.2A Active CN112613436B (zh) | 2020-12-28 | 2020-12-28 | ***检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613436B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842271B (zh) * | 2022-06-01 | 2024-07-12 | 湖南大学 | 监考视频的分类方法、装置、计算机设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203363A (zh) * | 2016-07-15 | 2016-12-07 | 中国科学院自动化研究所 | 人体骨架运动序列行为识别方法 |
WO2017152425A1 (zh) * | 2016-03-11 | 2017-09-14 | 深圳市大疆创新科技有限公司 | 存储介质、网络测试防作弊的方法、***及设备 |
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 |
CN109815816A (zh) * | 2018-12-24 | 2019-05-28 | 山东山大鸥玛软件股份有限公司 | 一种基于深度学习的考生考场异常行为分析方法 |
CN110032992A (zh) * | 2019-04-25 | 2019-07-19 | 沈阳航空航天大学 | 一种基于姿态的***检测方法 |
CN110781762A (zh) * | 2019-09-30 | 2020-02-11 | 沈阳航空航天大学 | 一种基于姿态的***检测方法 |
CN111597911A (zh) * | 2020-04-22 | 2020-08-28 | 成都运达科技股份有限公司 | 一种基于图像特征快速提取关键帧的方法和*** |
CN112036299A (zh) * | 2020-08-31 | 2020-12-04 | 山东科技大学 | 标准考场环境下的***行为检测方法及*** |
CN112087603A (zh) * | 2020-08-31 | 2020-12-15 | 浙江蓝鸽科技有限公司 | 智慧考场监管方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11195057B2 (en) * | 2014-03-18 | 2021-12-07 | Z Advanced Computing, Inc. | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
-
2020
- 2020-12-28 CN CN202011584152.2A patent/CN112613436B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017152425A1 (zh) * | 2016-03-11 | 2017-09-14 | 深圳市大疆创新科技有限公司 | 存储介质、网络测试防作弊的方法、***及设备 |
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 |
CN106203363A (zh) * | 2016-07-15 | 2016-12-07 | 中国科学院自动化研究所 | 人体骨架运动序列行为识别方法 |
CN109815816A (zh) * | 2018-12-24 | 2019-05-28 | 山东山大鸥玛软件股份有限公司 | 一种基于深度学习的考生考场异常行为分析方法 |
CN110032992A (zh) * | 2019-04-25 | 2019-07-19 | 沈阳航空航天大学 | 一种基于姿态的***检测方法 |
CN110781762A (zh) * | 2019-09-30 | 2020-02-11 | 沈阳航空航天大学 | 一种基于姿态的***检测方法 |
CN111597911A (zh) * | 2020-04-22 | 2020-08-28 | 成都运达科技股份有限公司 | 一种基于图像特征快速提取关键帧的方法和*** |
CN112036299A (zh) * | 2020-08-31 | 2020-12-04 | 山东科技大学 | 标准考场环境下的***行为检测方法及*** |
CN112087603A (zh) * | 2020-08-31 | 2020-12-15 | 浙江蓝鸽科技有限公司 | 智慧考场监管方法 |
Non-Patent Citations (3)
Title |
---|
Learning skeleton representations for human action recognition;Alessia Saggese等;《Pattern Recognition Letters》;第118卷;23-31 * |
基于图像分析的考场视频监视***分析与研究;刘鸾;《中国硕士学位论文全文数据库(信息科技辑)》(第2014(10)期);I136-440 * |
基于视频行为分析的智能监考辅助***;李春梅等;《科技创新与应用》(第18期);8-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN112613436A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709409B (zh) | 人脸活体检测方法、装置、设备及介质 | |
CN109165552B (zh) | 一种基于人体关键点的姿态识别方法、***及存储器 | |
Liong et al. | Automatic micro-expression recognition from long video using a single spotted apex | |
CN109034069B (zh) | 用于生成信息的方法和装置 | |
US20140143183A1 (en) | Hierarchical model for human activity recognition | |
CN110569731A (zh) | 一种人脸识别方法、装置及电子设备 | |
CN112149615B (zh) | 人脸活体检测方法、装置、介质及电子设备 | |
CN108229375B (zh) | 用于检测人脸图像的方法和装置 | |
CN111310605B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN113378804A (zh) | 一种自助采样的检测方法、装置、终端设备和存储介质 | |
CN113869229A (zh) | 基于先验注意力机制引导的深度学习表情识别方法 | |
Pang et al. | A stochastic model of selective visual attention with a dynamic Bayesian network | |
CN113435355A (zh) | 多目标奶牛身份识别方法及*** | |
CN109492584A (zh) | 一种识别跟踪方法和电子设备 | |
CN112613436B (zh) | ***检测方法和装置 | |
CN112329663B (zh) | 一种基于人脸图像序列的微表情时刻检测方法及装置 | |
CN114565976A (zh) | 一种训练智能测试方法以及装置 | |
CN110096989B (zh) | 图像处理方法和装置 | |
Huang et al. | Visual attention learning and antiocclusion-based correlation filter for visual object tracking | |
CN110929583A (zh) | 一种高检测精度人脸识别方法 | |
CN106446837B (zh) | 一种基于运动历史图像的挥手检测方法 | |
CN115565097A (zh) | 交易场景人员行为是否合规检测方法及装置 | |
CN114359965A (zh) | 训练方法及训练装置 | |
Jain et al. | Detecting missed and anomalous action segments using approximate string matching algorithm | |
US20230230277A1 (en) | Object position estimation device, object position estimation method, and recording medium |
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 |