CN114708543A - 一种考场监控视频图像中考生定位方法 - Google Patents
一种考场监控视频图像中考生定位方法 Download PDFInfo
- Publication number
- CN114708543A CN114708543A CN202210629393.7A CN202210629393A CN114708543A CN 114708543 A CN114708543 A CN 114708543A CN 202210629393 A CN202210629393 A CN 202210629393A CN 114708543 A CN114708543 A CN 114708543A
- Authority
- CN
- China
- Prior art keywords
- image data
- examination room
- monitoring video
- video image
- room monitoring
- 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.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及图像处理领域,具体涉及一种考场监控视频图像中考生定位方法,主要包括,首先根据考场监控视频图像数据中考生的耳朵可见情况、对包含了不同考试场景、不同考生的大量考场监控视频图像数据进行基于考生头顶部头发区域的框选标记,建立考生头顶部头发区域数据集,在此基础上进行基于高虚警率的目标检测的初步筛选,最后建立基于SSD深度学习目标检测的模型,对考生头发区域定位,最终实现考生的定位,该方法提高了对考场监控视频图像中考生定位的准确性、可靠性及泛化能力。
Description
技术领域
本发明属于图像处理领域,具体涉及一种考场监控视频图像中考生定位方法。
背景技术
在世界范围内,考试一直作为重要的检验、选拔手段广泛使用,这是由于其在一定程度上能确保公平、公正。然而为了顺利通过考试,存在各种各样作弊手段,为了保证考试的公平、公正原则,考试监控***大量应用于***中。然而,考场拥有了视频监控***,却并不意味着能很好的解决作弊问题。
这是由于视频监控虽然能较为完整的记录考场信息,但是是否存在***行为,仍然需要相关部门投入大量的人力去对这些视频数据进行后期的处理和审查,其中很大比例的视频中是没有作弊行为的,但每一段视频都需要经过相关人员的仔细审查,由此产生了大量的工作量,由此产生了对考场监控视频中考生的行为进行自动识别的需求,而如何对考场监控视频中考生进行定位,则成为了一个必须解决的关键问题。
对于考场监控视频检测定位方法大致可以分为基于背景差分的方法、基于模板匹配的方法、基于图像特征的方法,这些方法存在检测范围有限,对于考场布局的依赖性较大等问题。
发明内容
本发明针对上述现有技术的不足,提出了一种考场监控视频图像中考生定位方法,包括以下步骤:
步骤1:对包含了不同考试场景、不同考生的大量考场监控视频图像数据进行基于考生头顶部头发区域的框选标记,然后建立考场监控视频图像数据的考生头顶部头发区域数据集;
步骤2:建立针对考场监控视频图像数据中考生头顶部头发区域定位的目标检测深度学习模型,首先对考场监控视频图像数据中的可能为头发的像素点进行筛选,得到预处理图像数据,然后在预处理图像数据上进行基于SSD的深度学习目标检测;
步骤3:将建立的考场监控视频图像数据的考生头顶部头发区域数据集按比例进行划分,分别生成训练数据集和测试数据集,对建立的针对考场监控视频图像数据中考生头顶部头发区域定位的目标检测深度学习模型进行训练和测试,得到最终目标检测模型;
进一步的,步骤1:对包含了不同考试场景、不同考生的大量考场监控视频图像数据进行基于考生头顶部头发区域的框选标记,具体方法为:对考场监控视频图像数据中的考生的头顶部头发区域进行基于考生耳朵显露情况及基于近似图像的方框标记。
进一步的,对考场监控视频图像数据中的考生的头顶部头发区域进行基于考生耳朵显露情况方框标记,耳朵显露情况分为:两个耳朵显露,一个耳朵显露,没有显露耳朵。
进一步的,对考场监控视频图像数据中的考生的头顶部头发区域进行基于近似图像的方框标记,具体为生成的边框的水平和垂直边都平行于图像数据边缘。
进一步的,视频图像数据中考生两个耳朵显露,则框选区域为:以边缘检测所得头发与额头交界的最低点为框选区域底部,以框选区域底部到边缘检测所得头发最顶部距离的倍为框选高度,以头发左右两侧与背景交界最长距离的倍为框选宽度,组成框选区域,变量和为加权系数。
进一步的,视频图像数据中考生一个耳朵显露,则框选区域为:以头发与额头交界的最高点和最低点之间的中间值点为框选区域底部,以框选区域底部到头发最顶部距离的倍为框选高度,以显露的一个耳朵与头发交界的边缘与另一侧头发与背景交界的边缘的最长距离的倍为框选宽度,组成框选区域,变量和为加权系数。
进一步的,视频图像数据中考生没有显露耳朵,以头发与额头交界的最高点为框选区域底部,以框选区域底部到头发最顶部的距离为框选高度,以额头在图像数据中显示的水平宽度为框选宽度,组成框选区域。
进一步的,步骤2:对考场监控视频图像数据中的可能为头发的像素点进行筛选,得到预处理图像数据,具体方法为:首先对图像数据进行灰度化处理,得到灰度图像数据;然后对灰度图像数据中的每个像素点的像素值按照进行取反,得到灰度取反图像数据,其中、为图像数据、中的横坐标为,纵坐标为的像素点的灰度值;对灰度取反图像数据进行高虚警率的CFAR目标检测,得到筛选后的图像数据,设置阈值,对筛选后的图像数据进行二值化处理,得到预处理图像数据。
进一步的,步骤2:在预处理图像数据上进行基于SSD的深度学习目标检测,具体为:将二值检测结果图像数据作为索引图像,将索引图像中非0像素值像素点在图像中的坐标映射到相应考场监控视频图像数据上,以映射的像素点作为锚框中心点,基于SSD目标检测框架,建立针对考场监控视频图像数据头发区域定位的目标检测模型。
进一步的,步骤4:将考场监控视频初始图像数据输入到最终目标检测模型中,然后得到对考场监控视频图像数据中的考生定位结果,具体为:将考场监控视频初始图像数据输入到最终目标检测模型中,得到头发区域框选结果,将每个框选区域向下扩展自身范围的倍,得到更新的区域框选结果,将该更新的区域框选结果定为考生定位结果。
本发明解决了以下技术问题:
1、提出一种根据考场监控视频图像数据中考生的耳朵可见情况,对考场监控视频图像数据进行基于考生头发区域的框选标记方法,提高了考生头发区域数据集的准确性和可靠性。
2、通过对考场监控视频图像数据中的可能为头发的像素点进行基于高虚警率的目标检测的初步筛选,有效的提高了考生头发区域检测的准确性。
3、对考场监控视频图像数据的二值检测结果作为索引图像,以索引图像为基础进行锚框选择,在提高了考生头发区域检测的准确性的同时又降低了目标检测模型的复杂度。
附图说明
图1为一种考场监控视频图像中考生定位方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,方法流程图如图1所示,包括以下步骤:
一种考场监控视频图像中考生定位方法,包括:
步骤1:对包含了不同考试场景、不同考生的大量考场监控视频图像数据进行基于考生头顶部头发区域的框选标记,然后建立考场监控视频图像数据的考生头顶部头发区域数据集;
步骤2:建立针对考场监控视频图像数据中考生头顶部头发区域定位的目标检测深度学习模型,首先对考场监控视频图像数据中的可能为头发的像素点进行筛选,得到预处理图像数据,然后在预处理图像数据上进行基于SSD的深度学习目标检测;
步骤3:将建立的考场监控视频图像数据的考生头顶部头发区域数据集按比例进行划分,分别生成训练数据集和测试数据集,对建立的针对考场监控视频图像数据中考生头顶部头发区域定位的目标检测深度学习模型进行训练和测试,得到最终目标检测模型;
进一步的,步骤1:对包含了不同考试场景、不同考生的大量考场监控视频图像数据进行基于考生头顶部头发区域的框选标记,具体方法为:对考场监控视频图像数据中的考生的头顶部头发区域进行基于考生耳朵显露情况及基于近似图像的方框标记。
进一步的,对考场监控视频图像数据中的考生的头顶部头发区域进行基于考生耳朵显露情况方框标记,耳朵显露情况分为:两个耳朵显露,一个耳朵显露,没有显露耳朵。
进一步的,对考场监控视频图像数据中的考生的头顶部头发区域进行基于近似图像的方框标记,具体为生成的边框的水平和垂直边都平行于图像数据边缘。
进一步的,视频图像数据中考生两个耳朵显露,则框选区域为:以边缘检测所得头发与额头交界的最低点为框选区域底部,以框选区域底部到边缘检测所得头发最顶部距离的倍为框选高度,以头发左右两侧与背景交界最长距离的倍为框选宽度,组成框选区域,变量和为加权系数。
进一步的,视频图像数据中考生一个耳朵显露,则框选区域为:以头发与额头交界的最高点和最低点之间的中间值点为框选区域底部,以框选区域底部到头发最顶部距离的倍为框选高度,以显露的一个耳朵与头发交界的边缘与另一侧头发与背景交界的边缘的最长距离的倍为框选宽度,组成框选区域,变量和为加权系数。
进一步的,视频图像数据中考生没有显露耳朵,以头发与额头交界的最高点为框选区域底部,以框选区域底部到头发最顶部的距离为框选高度,以额头在图像数据中显示的水平宽度为框选宽度,组成框选区域。
进一步的,步骤2:对考场监控视频图像数据中的可能为头发的像素点进行筛选,得到预处理图像数据,具体方法为:首先对图像数据进行灰度化处理,得到灰度图像数据;然后对灰度图像数据中的每个像素点的像素值按照进行取反,得到灰度取反图像数据,其中、为图像数据、中的横坐标为,纵坐标为的像素点的灰度值;对灰度取反图像数据进行高虚警率的CFAR目标检测,得到筛选后的图像数据,设置阈值,对筛选后的图像数据进行二值化处理,得到预处理图像数据。
进一步的,步骤2:在预处理图像数据上进行基于SSD的深度学习目标检测,具体为:将二值检测结果图像数据作为索引图像,将索引图像中非0像素值像素点在图像中的坐标映射到相应考场监控视频图像数据上,以映射的像素点作为锚框中心点,基于SSD目标检测框架,建立针对考场监控视频图像数据头发区域定位的目标检测模型。
进一步的,步骤4:将考场监控视频初始图像数据输入到最终目标检测模型中,然后得到对考场监控视频图像数据中的考生定位结果,具体为:将考场监控视频初始图像数据输入到最终目标检测模型中,得到头发区域框选结果,将每个框选区域向下扩展自身范围的倍,得到更新的区域框选结果,将该更新的区域框选结果定为考生定位结果。
显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的其他实施例,都属于本发明保护的范围。
Claims (10)
1.一种考场监控视频图像中考生定位方法,其特征在于:
步骤1:对包含了不同考试场景、不同考生的大量考场监控视频图像数据进行基于考生头顶部头发区域的框选标记,然后建立考场监控视频图像数据的考生头顶部头发区域数据集;
步骤2:建立针对考场监控视频图像数据中考生头顶部头发区域定位的目标检测深度学习模型,首先对考场监控视频图像数据中的可能为头发的像素点进行筛选,得到预处理图像数据,然后在预处理图像数据上进行基于SSD的深度学习目标检测;
步骤3:将建立的考场监控视频图像数据的考生头顶部头发区域数据集按比例进行划分,分别生成训练数据集和测试数据集,对建立的针对考场监控视频图像数据中考生头顶部头发区域定位的目标检测深度学习模型进行训练和测试,得到最终目标检测模型;
2.如权利要求1所述的一种考场监控视频图像中考生定位方法,其特征在于步骤1:对包含了不同考试场景、不同考生的大量考场监控视频图像数据进行基于考生头顶部头发区域的框选标记,具体方法为:对考场监控视频图像数据中的考生的头顶部头发区域进行基于考生耳朵显露情况及基于近似图像的方框标记。
3.如权利要求2所述的一种考场监控视频图像中考生定位方法,其特征在于对考场监控视频图像数据中的考生的头顶部头发区域进行基于考生耳朵显露情况方框标记,耳朵显露情况分为:两个耳朵显露,一个耳朵显露,没有显露耳朵。
4.如权利要求2所述的一种考场监控视频图像中考生定位方法,其特征在于对考场监控视频图像数据中的考生的头顶部头发区域进行基于近似图像的方框标记,具体为生成的边框的水平和垂直边都平行于图像数据边缘。
7.如权利要求3所述的一种考场监控视频图像中考生定位方法,其特征在于视频图像数据中考生没有显露耳朵,以头发与额头交界的最高点为框选区域底部,以框选区域底部到头发最顶部的距离为框选高度,以额头在图像数据中显示的水平宽度为框选宽度,组成框选区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210629393.7A CN114708543B (zh) | 2022-06-06 | 2022-06-06 | 一种考场监控视频图像中考生定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210629393.7A CN114708543B (zh) | 2022-06-06 | 2022-06-06 | 一种考场监控视频图像中考生定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708543A true CN114708543A (zh) | 2022-07-05 |
CN114708543B CN114708543B (zh) | 2022-08-30 |
Family
ID=82177605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210629393.7A Active CN114708543B (zh) | 2022-06-06 | 2022-06-06 | 一种考场监控视频图像中考生定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708543B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310806A (zh) * | 2023-02-28 | 2023-06-23 | 北京理工大学珠海学院 | 一种基于图像识别的智慧农业一体化管理***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5430809A (en) * | 1992-07-10 | 1995-07-04 | Sony Corporation | Human face tracking system |
CN105678213A (zh) * | 2015-12-20 | 2016-06-15 | 华南理工大学 | 基于视频特征统计的双模式蒙面人事件自动检测方法 |
CN106991360A (zh) * | 2016-01-20 | 2017-07-28 | 腾讯科技(深圳)有限公司 | 人脸识别方法及人脸识别*** |
CN107451555A (zh) * | 2017-07-27 | 2017-12-08 | 安徽慧视金瞳科技有限公司 | 一种基于梯度方向的头发分向判断方法 |
CN108260918A (zh) * | 2018-02-09 | 2018-07-10 | 武汉技兴科技有限公司 | 一种人体头发信息采集方法、装置及智能修剪装置 |
CN109711377A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 标准化考场监控的单帧图像中考生定位和计数方法 |
CN112686965A (zh) * | 2020-12-25 | 2021-04-20 | 百果园技术(新加坡)有限公司 | 一种肤色检测方法、装置、移动终端和存储介质 |
-
2022
- 2022-06-06 CN CN202210629393.7A patent/CN114708543B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5430809A (en) * | 1992-07-10 | 1995-07-04 | Sony Corporation | Human face tracking system |
CN105678213A (zh) * | 2015-12-20 | 2016-06-15 | 华南理工大学 | 基于视频特征统计的双模式蒙面人事件自动检测方法 |
CN106991360A (zh) * | 2016-01-20 | 2017-07-28 | 腾讯科技(深圳)有限公司 | 人脸识别方法及人脸识别*** |
CN107451555A (zh) * | 2017-07-27 | 2017-12-08 | 安徽慧视金瞳科技有限公司 | 一种基于梯度方向的头发分向判断方法 |
CN108260918A (zh) * | 2018-02-09 | 2018-07-10 | 武汉技兴科技有限公司 | 一种人体头发信息采集方法、装置及智能修剪装置 |
CN109711377A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 标准化考场监控的单帧图像中考生定位和计数方法 |
CN112686965A (zh) * | 2020-12-25 | 2021-04-20 | 百果园技术(新加坡)有限公司 | 一种肤色检测方法、装置、移动终端和存储介质 |
Non-Patent Citations (2)
Title |
---|
XIAOFEI PENG等: "Teaching Assistant and Class Attendance Analysis Using Surveillance Camera", 《IFTC 2018: DIGITAL TV AND MULTIMEDIA COMMUNICATION》 * |
王红梅: "基于视频的人体检测与计数技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310806A (zh) * | 2023-02-28 | 2023-06-23 | 北京理工大学珠海学院 | 一种基于图像识别的智慧农业一体化管理***及方法 |
CN116310806B (zh) * | 2023-02-28 | 2023-08-29 | 北京理工大学珠海学院 | 一种基于图像识别的智慧农业一体化管理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114708543B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | MTD-Net: Learning to detect deepfakes images by multi-scale texture difference | |
US11922626B2 (en) | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification | |
US11551433B2 (en) | Apparatus, method and computer program for analyzing image | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
WO2019104767A1 (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN108549886A (zh) | 一种人脸活体检测方法及装置 | |
US20170154222A1 (en) | System and Method for Identifying, Analyzing, and Reporting on Players in a Game from Video | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN110992377B (zh) | 图像分割方法、装置、计算机可读存储介质和设备 | |
CN110689000B (zh) | 一种基于生成复杂环境下车牌样本的车辆车牌识别方法 | |
WO2021068781A1 (zh) | 一种疲劳状态识别方法、装置和设备 | |
CN111709914B (zh) | 一种基于hvs特性的无参考图像质量评价方法 | |
Yuan et al. | A method for the evaluation of image quality according to the recognition effectiveness of objects in the optical remote sensing image using machine learning algorithm | |
CN111563408B (zh) | 多层次感知特征渐进自学习的高分辨率影像滑坡自动检测方法 | |
CN112381762A (zh) | 一种基于深度学习算法的ct肋骨骨折辅助诊断*** | |
CN114708543B (zh) | 一种考场监控视频图像中考生定位方法 | |
CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估*** | |
CN111539911B (zh) | 一种口呼吸面容识别方法、设备和存储介质 | |
CN114882306B (zh) | 地形图比例尺鉴别方法、装置、存储介质及电子设备 | |
CN113743378B (zh) | 一种基于视频的火情监测方法和装置 | |
Kovalev et al. | Biomedical image recognition in pulmonology and oncology with the use of deep learning | |
CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
CN116977931A (zh) | 一种基于深度学习的高空抛物识别方法 | |
CN107220659A (zh) | 基于共稀疏模型的高分辨sar图像分类方法 | |
CN104123569B (zh) | 一种基于有监督学习的视频人数信息统计方法 |
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 |