CN107491717B - 考试作弊检测方法和装置 - Google Patents
考试作弊检测方法和装置 Download PDFInfo
- Publication number
- CN107491717B CN107491717B CN201610418466.2A CN201610418466A CN107491717B CN 107491717 B CN107491717 B CN 107491717B CN 201610418466 A CN201610418466 A CN 201610418466A CN 107491717 B CN107491717 B CN 107491717B
- Authority
- CN
- China
- Prior art keywords
- examinee
- area
- local
- action
- determining
- 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
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提出一种考试作弊检测方法和装置,该考试作弊检测方法包括:获取考场的监控图像;在所述监控图像中检测出考生的局部动作;根据所述局部动作判断所述考生是否作弊,并在判断出所述考生作弊时,发出警报。该方法能够提高作弊检测效果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种考试作弊检测方法和装置。
背景技术
教育考试是目前国家进行资格认定、学位晋升等方面的必要手段,也是当前人才选拔的必经之路。考试过程中经常会存在一些考生为了可以取得较好的成绩而作弊。因此,如何在考试过程中,及时发现作弊的考生并制止其行为是教育考试中面临的亟待解决的问题。
为了监控考生是否作弊,现有方法一般是在考场安装监控探头,由专门的人员进行监控,同时考场中有监考人员进行现场监考;当监控人员发现监控视频中考生存在异常行为后,将该信息传给考场监考人员,由监考人员验证考生是否作弊。现有方法中,由于监控人员监控的考生较多,很难逐一关注每个考生的具体动作,经常会存在大量遗漏,而现场的监考人员也存在同样的问题,即使有作弊的考生,也很难及时发现,作弊检测效果较差。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种考试作弊检测方法,该方法可以提高作弊检测效果。
本发明的另一个目的在于提出一种考试作弊检测装置。
为达到上述目的,本发明第一方面实施例提出的考试作弊检测方法,包括:获取考场的监控图像;在所述监控图像中检测出考生的局部动作;根据所述局部动作判断所述考生是否作弊,并在判断出所述考生作弊时,发出警报。
本发明第一方面实施例提出的考试作弊检测方法,通过对监控图像进行处理,得到考生是否作弊的判断结果,可以自动化和智能化的实现考试作弊检测,相对于人工检测方式,可以提高检测效果。
为达到上述目的,本发明第二方面实施例提出的考试作弊检测装置,包括:获取模块,用于获取考场的监控图像;检测模块,用于在所述监控图像中检测出考生的局部动作;判断模块,用于根据所述局部动作判断所述考生是否作弊,并在判断出所述考生作弊时,发出警报。
本发明第二方面实施例提出的考试作弊检测装置,通过对监控图像进行处理,得到考生是否作弊的判断结果,可以自动化和智能化的实现考试作弊检测,相对于人工检测方式,可以提高检测效果。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一个实施例提出的考试作弊检测方法的流程示意图;
图2是本发明实施例中确定考生所在区域的流程示意图;
图3是本发明实施例中确定考生的各局部区域的流程示意图;
图4是本发明实施例中在局部区域提取局部动作的流程示意图;
图5是本发明实施例中根据局部动作判断考生是否存在短时作弊行为的流程示意图;
图6是本发明实施例中根据局部动作判断考生是否存在长时作弊行为的流程示意图;
图7是本发明一个实施例提出的考试作弊检测装置的结构示意图;
图8是本发明另一个实施例提出的考试作弊检测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本发明一个实施例提出的考试作弊检测方法的流程示意图。
参见图1,本实施例的方法包括:
S11:获取考场的监控图像。
例如,可以在考场中安装摄像头等监控设备,由监控设备拍摄考场的视频,并将拍摄的视频发送给监控装置,监控装置可以在接收的视频中按帧读取图像,从而获取到考场的监控图像。
S12:在所述监控图像中检测出考生的局部动作。
其中,可以先在监控图像中确定出每个考生的所在区域,再对应每个考生,在该考生的所在区域中确定出该考生的每个局部区域,在每个局部区域中进行动作提取,得到对应的局部区域的局部动作。
S13:根据所述局部动作判断所述考生是否作弊,并在判断出所述考生作弊时,发出警报。
其中,对应每个考生,获取该考生的局部动作后,可以根据局部动作判断该考生是否作弊,如果判断出该考生作弊时,监控装置可以向监控人员发出警报,发出警报时可以以文本、声音等形式展现给监控人员。
进一步的,监控装置在监控考生时,还可以获取考生的位置信息,例如,第几考场第几排第几列,从而在发出警报时,可以展现作弊考生的位置信息,如播放第几考场第几排第几列的考生存在作弊行为。可以理解的是,也可以预先将位置信息与考生的个人信息(如考号、身份证号等)关联,根据位置信息确定关联的个人信息,再展现存在作弊行为的考生的个人信息。
本实施例中,通过对监控图像进行处理,得到考生是否作弊的判断结果,可以自动化和智能化的实现考试作弊检测,相对于人工检测方式,可以提高检测效果。
一些实施例中,参见图2,在监控图像中,确定出考生所在区域的流程可以包括:
S21:根据对考场背景的建模结果,确定考场的基本组件所在的位置。
其中,基本组件是指考场中放置的固定物品,例如课桌、椅子、监考台等。
可以通过对考场背景进行建模,以确定考场的基本组件所在的位置,具体建模时,可以预先收集大量考场组件的图像,进行标注后,训练考场组件检测模型,根据所述模型检测到考场中各组件所在位置,具体过程与现有技术相同,在此不再详述。
S22:根据所述基本组件所在的位置,以及对预先收集的包含人物的图像头肩区域进行训练后得到的考生检测模型,确定考生的头肩区域。
其中,可以在训练阶段,收集大量包含人物的图像,截取图像中的头肩区域进行训练,从而得到上述的考生检测模型。
在检测阶段,根据上述的基本组件所在的位置,可以确定考生的疑似区域,例如,将两个课桌之间的区域作为考生的疑似区域,之后,再根据训练阶段得到的考生检测模型在上述的疑似区域进行检测,如果一个或一些疑似区域存在考生,则可以在相应的疑似区域内检测出考生的头肩区域。
S23:对所述头肩区域进行扩展,将扩展后的区域确定为考生所在区域。
其中,在确定出考生的头肩区域后,可以对头肩区域占据的像素点个数分别向上、左、右扩展1.1倍,而向下扩展到走道边缘处,得到扩展后的区域。其中,在向下扩展时,可以将向下扩展时遇到的第一个课桌或椅子所在的位置确定为走道边缘处。
另外,在确定出考生所在区域后,还可以确定考生所在区域在监控图像中的所属区域,例如,将监控图像分为四部分时,可以确定考生所在区域是属于监控图像的左上、左下、右上或右下,或者,将监控图像分为九部分时,可以确定考生所在区域是属于监控图像的左上、正上、右上、正左、中部、正右、左下、正下或者右下。
本实施例中,通过对考场背景进行建模以及对头肩区域进行检测和扩展,可以识别出考生所在区域,为后续处理提供基础。
一些实施例中,参见图3,在考生所在区域,确定出考生的各局部区域的流程可以包括:
S31:在考生所在区域,根据预先训练的人脸检测模型,确定考生的头部区域和面部朝向。
其中,一种局部区域是头部区域。
在确定头部区域时,可以预先收集大量包含面部正朝向和面部反朝向的人脸图像,将人脸所在区域作为头部区域,提取尺度不变特征变换(Scale-invariant featuretransform,SIFT)特征,进行人脸检测模型训练,可以得到训练好的人脸检测模型。因此,在检测时,可以根据训练得到的人脸检测模型对考生人脸进行检测,当检测到人脸时,则确定考生为面部正朝向,否则,考生为面部反朝向,从而确定考生的人脸区域,根据考生人脸所在区域直接确定出考生的头部区域。
S32:根据所述考生的头部区域和面部朝向,在所述考生所在区域确定所述考生的其余局部区域。
其中,其余局部区域可以包括:手部区域、腿部区域中的一项或多项。
具体确定时,首先可以根据考生所在区域与该区域中的头部区域,向下方做区域扩展,即可得到考生的身体信息,所述区域扩展方法与现有技术相同,如采用漫水填充算法进行区域扩展。再根据考生位置考生的面部朝向确定考生与摄像头的视角关系,对于不同的视角,分别利用几何信息或通过训练局部区域的形变模型确定局部区域;
如使用几何信息确定局部区域时,首先获取对应视角考生的可见局部区域,如图像中左上区域面部正朝向考生的可见局部区域为双手及双臂,面部逆朝向考生的可见局部区域为背部、单臂、单手、单腿,所述局部区域可以根据经验或实际考场摄像头的位置确定;然后根据局部区域在考生身体中的位置与局部区域的形状,确定所述局部区域相应的考生身体部位,如背部通常处于身体中央,贯穿较大面积区域,而双臂则处于身体上端,通常为细长状等;
如采用训练局部区域的形变模型确定局部区域时,需要预先采集大量样本数据,标注出考生身体部位所在局部区域,进行模型训练,利用训练的模型确定局部区域,当然,为了提高模型的准确度,也可以分别训练不同视角的模型来确定局部区域。
本实施例中,通过确定头部区域和面部朝向,以及根据头部区域和面部朝向确定其余的局部区域,可以在考生所在区域中确定出各局部区域,以便在后续流程中在各局部区域提取出局部动作。
一些实施例中,参见图4,在每个局部区域中,提取出对应的局部动作的流程可以包括:
S41:当局部区域是头部区域时,在所述头部区域是面部正朝向时,根据预先训练得到的人脸表情模型,在所述头部区域提取表情。
具体的,如果考生与摄像头之间的视角为面部正朝向,则需要提取考生的表情信息,具体提取时,直接提取视频图像中人脸表情,具体方法与现有技术相同,即预先收集大量人脸样本数据训练分类模型,利用所述分类模型对接收图像进行人脸表情的判定,从而得到人脸相应表情。
需要说明的是,如果考生与摄像头之间的视角为面部反朝向,则不需要提取考生的表情信息,面部反朝向考生的表情信息为空。
S42:根据预先训练得到的头部动作检测模型,在头部区域进行动作检测,得到头部动作。
其中,头部动作主要包括:左右转动动作和上下摆动动作。
所述左右转动动作或上下摆动动作可以使用左右转动的角度或上下摆动的角度表示,具体提取时,首先分别收集大量的考生头部转动图像及上下摆动图像;然后标注每张图像中考生左右转动角度范围及上下摆动范围,分别训练左右转动动作检测模型及上下摆动动作检测模型;最后利用所述模型检测接收图像中考生头部左右转动的角度范围,及上下摆动动作的角度范围。所述角度范围可以预先划分为多个跨度,然后根据划分的跨度标注训练数据中每张图像中考生头部左右转动角度范围及上下摆范围。例如可以将头部左右转动范围划分为8个跨度,即每旋转45度作为一个跨度;可以将头部上下摆动作角度范围划分4个跨度,每摆动30度作为一个跨度。
根据检测到得到的考生左右转动角度范围及上下摆动角度范围即可确定考生行为,如可以将考生行为分为正常阅卷行为、可疑行为、及警报行为,每种行为考生头部左右转动范围及上下摆动范围可以根据经验或实际应用预先确定,如根据左右转动角度范围确定考生行为的一种方法为:-45度~45度确定为正常阅卷的转动范围,-90度~-45度、45度~90度为可疑动作的转动范围,-180度~-90度、90度~180度为警报动作的转动范围。根据头部上下摆动角度范围确定考生行为的一种方法为,-30度~30度确定为正常阅卷的摆动范围,30度~60度为可疑动作的摆动范围,-60度~-30度为警报动作的摆动范围。
S43:在手部区域中,利用像素点的位置关系提取手部重心的坐标,根据所述手部重心的坐标确定手部动作。
考虑到摄像头经常无法清晰获取到每个考生的手部具体形状动作,并且手部细节动作通常与手掌运动直接相关,因此,本发明利用手部重心的移动轨迹代替具体手部动作,具体提取时,在确定好的手部区域中,利用像素点的位置关系提取手部的重心,在多帧监控图像中进行手部的连续跟踪,获得每个监控图像中手部重心的坐标,从而得到考生手部动作,所述跟踪方法如经典的meanshift方法,具体跟踪过程与现有技术相同,在此不再详述。
S44:在腿部区域,提取预设的关键点,并根据关键点的坐标确定腿部动作。
其中,可以根据图像中确定好的腿部区域,将腿部区域简化为三点模型,即胯部-膝盖-足跟三个关键点,将三点连线,通过每个关键点移动的位置关系表示腿部的运动,从而得到相应腿部动作。
通过上述的S41-S44的处理,可以提取出表情、头部动作、手部动作和腿部动作。另外,S41-S44并无时序限定关系。
进一步的,上述的手部动作和腿部动作,可以具体包括双手的手部动作和双腿的腿部动作。
需要说明的是:由于背部动作幅度较小,且容易受到衣物的形变导致误判,本实施例中不考虑提取背部动作;另外,手臂变化会带来手部动作的变化,已经提取了手部动作,在此,不再提取手臂动作。
另外,在上述流程中,在确定出考生所在区域后,可以确定考生所在区域在监控图像中的所属区域,相应的,在上述局部动作检测时,还可以结合上述的所属区域,例如,当考生所在区域属于监控图像的左上,且摄像头位于考场后方时,由于该区域存在较大概率看不到考生的左手,因此,可以直接将左手的局部动作设置为空。
进一步的,上述的监测图像可以来自一个或多个摄像头,例如,在考场的前端和后端各放置相应摄像头,同时进行检测,之后结合多个摄像头拍摄的监控图像进行上述处理,得到局部动作,并在后续根据局部动作识别考生是否作弊,从而有效提高作弊检测准确度。
本实施例中,通过上述的处理,可以提取出表情、头部动作、手部动作和腿部动作这些局部动作,之后可以根据局部动作判断考生是否作弊。
其中,作弊可以分为短时作弊和长时作弊。当检测到考生存在上述的任一种作弊行为时,可以确定考生存在作弊行为。
短时作弊指发生在短短几秒内的作弊行为,如扔纸条、抬头看前桌试题、回头瞟后桌试题等;而长时作弊主要指在较长时间段内发生,短时间内不容易发现的作弊行为,如低头看小抄等。具体检测时,根据从监控图像中提取的考生的局部动作可以构建考生的动作特征向量,即表情、头部动作、手部动作及腿部动作的特征向量,所述头部动作特征包括头部的左右转动特征和头部上下摆动特征,所述手部动作及腿部动作特征向量分别使用手部动作及腿部动作的坐标表示。对短时作弊检测,只考虑头部左右转动特征、手部动作特征及腿部动作特征;对于长时作弊检测需要考虑考生的表情、头部上下摆动特征、手部动作特征及腿部动作特征。
一些实施例中,参见图5,根据局部动作判断考生是否存在短时作弊行为的流程可以包括:
S51:获取多个连续的监控图像中,每个监控图像对应的需要检测的局部动作。
其中,多个连续的监控图像可以是以个数为维度,例如,选择预设个数(如50帧)的连续的监控图像作为多个连续的监控图像。或者,
多个连续的监控图像也可以是以时间为维度,例如,选择预设时间段(如5秒)内的连续的监控图像作为多个连续的监控图像。此时,选择的监控图像的帧数可以根据每秒采样帧率确定,例如,每秒采样10次,则上述的多个是5*10+1=51个。
在获取到多个连续的监控图像后,可以对每个监控图像进行上述处理,得到每个监控图像对应的局部动作。
另外,每个监控图像对应的局部动作可以组成一个动作特征向量,例如表示为:[表情、头部动作、手部动作、腿部动作],其中,表情可以用具体的表情表示,例如,紧张或轻松。头部动作可以用具体的左右转动角度和上下摆动角度表示。手部动作和腿部动作可以用手部重心坐标和腿部关键点坐标表示。
另外,如果对应某个监控图像,该监控图像中不能检测到某个或某些局部动作,则不能检测到的局部动作可以设置为空或者将相应特征置为0。
进一步的,在不同作弊行为的检测时,需要检测的局部动作可以不同。具体的,在本实施例中,需要检测的局部动作包括:头部左右转动动作、手部动作和腿部动作。
S52:比较不同的监控图像对应的局部动作,判断是否存在同一个需要检测的局部动作的变化量大于预设变化量,若是,执行S55,否则执行S53。
其中,判断变化量的情况可以称为快速行为判定,具体的,快速行为判定时对应的需要检测的局部动作包括:头部左右转动动作、手部动作和腿部动作,当上述三种动作中的任一种被判定为属于快速行为时,则可以直接确定出对应的考生存在短时作弊行为。
具体的,首先针对头部动作特征的变化进行判定,若考生头部的左右转动角度范围处于警报范围内的持续时间大于警报长度阈值,则判定为作弊行为,所述持续时间即头部动作特征处于警报范围内的长度,使用帧表示,如设定警报长度阈值为10帧;
然后针对手部动作特征进行判定,如果手部坐标连续发生较大变化,且手部动作起始点与结束点较为接近,则判定为作弊行为;具体判定时,如果图像中的手部坐标位置变化大于阈值,并且手部坐标剧变点与终止点的距离小于半臂长度,则判定为作弊行为。所述剧变点可以根据两帧之间手部坐标的变化量得到,将变化量的峰值点作为剧变点,两帧图像中手部坐标变化量最小点即为终止点。
最后针对腿部动作特征进行判定,具体判定时,如果腿部坐标连续发生较大变化,且腿部动作起始点与终止点较为接近,即判定腿部坐标剧变点与终止点距离是否小于半大腿长度,则判定为作弊行为,具体判定方法与手部变化类似,在此不再详述。
S53:根据预先建立的动作检测模型,确定每个需要检测的动作属于可疑行为的概率,并在任一种需要检测的动作属于可疑行为的概率大于预设概率时,确定考生为可疑行为考生。
具体的,可以分别针对头部左右转动特征、手部动作特征及腿部动作特征构建头部检测模型、手部检测模型及腿部检测模型,利用所述模型分别对考生的头部动作、手部动作或腿部动作进行检测,具体检测时,将考生的头部动作、手部动作坐标或腿部动作坐标作为检测模型的输入,输出为可疑行为的概率,如果所述概率大于预先设定的阈值,则认为当前动作为可疑行为;当其中一个检测模型判定考生行为为可疑行为时,该考生即为可疑行为考生;否则该考生为正常行为考生;
构建检测模型时,需要预先收集大量标注好的考生正常行为和可疑行为时的图像数据进行模型训练,每种检测模型的输入分别为考生头部左右转动角度范围、手部动作的坐标及腿部动作的坐标,模型的输出为正常行为和可疑行为,利用训练数据对模型参数进行训练,训练结束后,得到各检测模型;所述模型为模式识别中常见分类模型,如支持向量机、随机森林等,具体训练方法与现有技术相同,本发明不再详述。
S54:获取所述可疑行为考生的预测动作特征轨迹和真实动作特征轨迹,并根据所述预测动作特征轨迹和所述真实动作特征轨迹,对所述可疑行为考生进行二次判定,确定所述可疑行为考生是否存在短时作弊行为。
具体判定时,分别对考生的可疑行为和正常行为进行判定,判定之前需要预测考生当前行为后续的动作特征轨迹,根据预测得到的动作特征轨迹与当前行为后续的真实动作特征轨迹进行比较,如可以计算两个轨迹之间的距离(如欧式距离或余弦距离等),根据比较结果进行二次判定,具体判定方法如下所述:
对于可疑行为,如果所述距离小于阈值,则认为当前考生行为是作弊行为,发出警报声通知监考人员;否则,重新对考生当前行为进行判定,执行S53及其后续步骤;
对于正常行为,如果所述距离小于阈值,则认为当前考生行为是正常行为,继续对考生后续行为进行监测;否则,重新对考生当前行为进行判定,执行S53及其后续步骤。
所述动作特征轨迹的预测方法如下所述:
具体预测时,可以采用基于隐马尔可夫模型(HMM)的方法对考生动作特征轨迹进行预测;具体地,首先收集大量考场中考生正常行为和可疑行为的图像数据,提取每帧图像中考生的动作特征向量,构建HMM模型,对于头部动作特征可以直接确定状态空间,训练HMM,而对于手部动作特征和腿部动作特征需要先将其坐标划分为不同的动作变化区间转化为状态空间的随机过程来训练HMM。然后根据训练的HMM模型,分别对考生的正常动作特征轨迹和可疑动作特征轨迹进行预测,具体预测时,如果输入多帧可疑行为的动作特征向量,预测得到可疑行为的后续动作特征轨迹;如果输入多帧正常行为的动作特征向量,预测得到正常行为的后续动作特征轨迹。当然,也可以采用其它方法进行动作特征轨迹预测,如卡尔曼滤波方法。
S55:确定考生存在短时作弊行为。
本实施例中,通过上述处理,可以检测出存在短时作弊行为的考生。
一些实施例中,参见图6,长时作弊行为的检测流程包括:
S61:获取多个连续的监控图像中,每个监控图像对应的需要检测的局部动作。
获取多个连续的监控图像以及从每个监控图像中获取局部动作的流程可以如上所示。
进一步的,在本实施例中,需要检测的局部动作包括:表情、头部的上下摆动动作、手部动作和腿部动作。
S62:根据不同的监控图像对应的需要检测的局部动作,确定需要检测的局部动作的动作特征轨迹。
其中,在得到多个连续的监控图像中,每个监控图像对应的需要检测的局部动作后,可以将这些局部动作按照监控图像的连续顺序进行组合,从而得到需要检测的局部动作的动作特征轨迹。
S63:如果任一种需要检测的局部动作的动作特征轨迹表明考生存在重复性动作,则确定所述考生是可疑考生。
长时作弊检测时,使用的动作特征包括表情、头部的上下摆动特征、手部动作及腿部动作;具体检测时,根据已记录的考生动作特征轨迹进行重复性动作分析,具体检测方法如下所述:
根据记录的考生动作特征轨迹进行重复性动作分析,对于面部朝向摄像头的考生,需要对其表情进行连续分析,首先根据动作特征轨迹中的表情特征,可以得到考生的连续表情,如果考生在一段时间内多次出现表情紧张与表情中性的变化现象,则判定该考生为可疑考生;
然后针对头部上下摆动特征轨迹进行分析,如果该考生多次出现低头-正常、抬头-正常的动作,则判定该考生为可疑考生;
再针对手部动作特征轨迹或腿部动作特征轨迹进行分析,如果多次出现抬手-放手等异常动作或多次出现抬腿-放腿等异常动作,则判定该考生为可疑考生。
S64:结合所述可疑考生的多个局部动作,确定所述可疑考生是否存在长时作弊行为。
具体的,在确定出可疑考生后,可以结合多数据源进行判定。所述多数据源指作弊判定时,不局限于根据用户各局部区域的动作特征轨迹变化进行判定,还根据用户各局部区域所处的环境来判定。当考生为可疑考生时,检测考生其它局部区域的动作,根据其它局部区域的动作与局部区域所处的环境判定考生是否作弊,如果作弊,则发出警报通知监考人员;否则,继续监测。以检测考生的手部动作与手部所处环境为例说明检测过程,具体如下所述:
具体检测时,检测手部动作区域判定考生手部与身体或课桌的位置关系,若手部位于桌上,则通过图像处理的方法判定桌上是否存在类似书本或纸张的疑似作弊物件,具体图像处理方法与现有技术相同,在此不再详述;若手部位于桌下,则对手部动作进行分析,判定手部接触物体是否为除考生身体或课桌等背景以外物品,具体分析时,首先对手部动作视频图像做背景建模,具体模型如使用高斯混合模型,然后对视频图像逐帧提取前景,具体提取时,可以采用差值后的图像膨胀算法得到前景区域;随后从前景区域中提取手部连接位置,具体可根据手部坐标相连部分区域确定,如果手部连接区域为考生身体或课桌,则在背景建模中消除该区域,统计剩下的前景区域中与考生手部区域的面积比值,如果所述面积比值大于阈值,则认为考生是在作弊,与手部相连的前景区域即为考生作弊的物品。
本实施例中,通过上述处理,可以检测出存在长时作弊行为的考生。
图7是本发明一个实施例提出的考试作弊检测装置的结构示意图。
参见图7,本实施例的装置70包括:获取模块71、检测模块72和判断模块73。
获取模块71,用于获取考场的监控图像;
检测模块72,用于在所述监控图像中检测出考生的局部动作;
判断模块73,用于根据所述局部动作判断所述考生是否作弊,并在判断出所述考生作弊时,发出警报。
一些实施例中,参见图8,所述检测模块72包括:
第一确定单元721,用于在所述监控图像中,确定出考生所在区域;
第二确定单元722,用于在所述考生所在区域中,确定出所述考生的各局部区域;
提取单元723,用于在各局部区域中检测,提取出各局部区域中的局部动作。
一些实施例中,第一确定单元721具体用于:
根据对考场背景的建模结果,确定考场的基本组件所在的位置;
根据所述基本组件所在的位置,以及对预先收集的包含人物的图像头肩区域进行训练后得到的考生检测模型,确定考生的头肩区域;
对所述头肩区域进行扩展,将扩展后的区域确定为考生所在区域。
一些实施例中,第二确定单元722具体用于:
在考生所在区域,根据预先训练的人脸检测模型,确定考生的头部区域和面部朝向;
根据所述考生的头部区域和面部朝向,在所述考生所在区域确定所述考生的其余局部区域,所述其余局部区域包括如下项中的一项或多项:手部区域、腿部区域。
一些实施例中,所述局部动作包括如下项中的一项或多项:
表情、头部动作、手部动作、腿部动作。
一些实施例中,当需要检测的局部动作包括:表情、头部动作、手部动作和腿部动作时,提取单元723具体用于:
当局部区域是头部区域时,在所述头部区域是面部正朝向时,根据预先训练得到的人脸表情模型,在所述头部区域提取表情;
根据预先训练得到的头部动作检测模型,在头部区域进行动作检测,得到头部动作;
在手部区域中,利用像素点的位置关系提取手部重心的坐标,根据所述手部重心的坐标确定手部动作;
在腿部区域,提取预设的关键点,并根据关键点的坐标确定腿部动作。
一些实施例中,参见图8,判断模块73包括:
第一识别单元731,用于根据所述局部动作判断所述考生是否存在短时作弊行为;
第二识别单元732,用于根据所述局部动作判断所述考生是否存在长时作弊行为;
确定单元733,用于在存在短时作弊行为或长时作弊行为中的至少一种时,确定所述考生存在作弊行为。
一些实施例中,第一识别单元731具体用于:
获取多个连续的监控图像中,每个监控图像对应的需要检测的局部动作;
比较不同的监控图像对应的局部动作,判断是否存在同一个需要检测的局部动作的变化量大于预设变化量;
如果存在,确定考生存在短时作弊行为。
一些实施例中,第一识别单元731还用于:
如果不存在,根据预先建立的动作检测模型,确定每个需要检测的动作属于可疑行为的概率,并在任一种需要检测的动作属于可疑行为的概率大于预设概率时,确定考生为可疑行为考生;
获取所述可疑行为考生的预测动作特征轨迹和真实动作特征轨迹,并根据所述预测动作特征轨迹和所述真实动作特征轨迹,对所述可疑行为考生进行二次判定,确定所述可疑行为考生是否存在短时作弊行为。
一些实施例中,第一识别单元731用于根据所述预测动作特征轨迹和所述真实动作特征轨迹,对所述可疑行为考生进行二次判定,确定所述可疑行为考生是否存在短时作弊行为,包括:
计算所述预测动作特征轨迹和所述真实动作特征轨迹之间的距离,
如果所述距离小于预设距离,则确定所述考生存在短时作弊行为。
其中,距离例如是欧式距离或余弦距离等。
一些实施例中,第二识别单元732具体用于:
获取多个连续的监控图像中,每个监控图像对应的需要检测的局部动作;
根据不同的监控图像对应的需要检测的局部动作,确定需要检测的局部动作的动作特征轨迹;
如果任一种需要检测的局部动作的动作特征轨迹表明考生存在重复性动作,则确定所述考生是可疑考生;
结合所述可疑考生的多个局部动作,确定所述可疑考生是否存在长时作弊行为。
可以理解的是,本实施例的装置与方法实施例对应,具体内容可以参见方法实施例中的描述,在此不再详细说明。
本实施例中,通过对监控图像进行处理,得到考生是否作弊的判断结果,可以自动化和智能化的实现考试作弊检测,相对于人工检测方式,可以提高检测效果。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (15)
1.一种考试作弊检测方法,其特征在于,包括:
获取考场的监控图像;
在所述监控图像中检测出考生的局部动作;
根据所述局部动作判断所述考生是否作弊,并在判断出所述考生作弊时,发出警报,
其中,所述在所述监控图像中检测出考生的局部动作,包括:
在所述监控图像中,确定出考生所在区域;
在所述考生所在区域中,确定出所述考生的各局部区域;
在各局部区域中检测,提取出各局部区域中的局部动作,
其中,当所述局部动作包括:表情、头部动作、手部动作和腿部动作时,所述在各局部区域中检测,提取出各局部区域中的局部动作,包括:
当局部区域是头部区域时,在所述头部区域是面部正朝向时,根据预先训练得到的人脸表情模型,在所述头部区域提取表情;
根据预先训练得到的头部动作检测模型,在头部区域进行动作检测,得到头部动作;
在手部区域中,利用像素点的位置关系提取手部重心的坐标,根据所述手部重心的坐标确定手部动作;
在腿部区域,提取预设的关键点,并根据关键点的坐标确定腿部动作。
2.根据权利要求1所述的方法,其特征在于,所述在所述监控图像中,确定出考生所在区域,包括:
根据对考场背景的建模结果,确定考场的基本组件所在的位置;
根据所述基本组件所在的位置,以及对预先收集的包含人物的图像头肩区域进行训练后得到的考生检测模型,确定考生的头肩区域;
对所述头肩区域进行扩展,将扩展后的区域确定为考生所在区域。
3.根据权利要求1所述的方法,其特征在于,所述在所述考生所在区域中,确定出所述考生的各局部区域,包括:
在考生所在区域,根据预先训练的人脸检测模型,确定考生的头部区域和面部朝向;
根据所述考生的头部区域和面部朝向,在所述考生所在区域确定所述考生的其余局部区域,所述其余局部区域包括如下项中的一项或多项:手部区域、腿部区域。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述局部动作判断所述考生是否作弊,包括:
根据所述局部动作判断所述考生是否存在短时作弊行为或长时作弊行为中的至少一种;
如果存在,则判断出所述考生存在作弊行为。
5.根据权利要求4所述的方法,其特征在于,根据局部动作判断考生是否存在短时作弊行为,包括:
获取多个连续的监控图像中,每个监控图像对应的需要检测的局部动作;
比较不同的监控图像对应的局部动作,判断是否存在同一个需要检测的局部动作的变化量大于预设变化量;
如果存在,确定考生存在短时作弊行为。
6.根据权利要求5所述的方法,其特征在于,还包括:
如果不存在,根据预先建立的动作检测模型,确定每个需要检测的动作属于可疑行为的概率,并在任一种需要检测的动作属于可疑行为的概率大于预设概率时,确定考生为可疑行为考生;
获取所述可疑行为考生的预测动作特征轨迹和真实动作特征轨迹,并根据所述预测动作特征轨迹和所述真实动作特征轨迹,对所述可疑行为考生进行二次判定,确定所述可疑行为考生是否存在短时作弊行为。
7.根据权利要求6所述的方法,其特征在于,所述根据所述预测动作特征轨迹和所述真实动作特征轨迹,对所述可疑行为考生进行二次判定,确定所述可疑行为考生是否存在短时作弊行为,包括:
计算所述预测动作特征轨迹和所述真实动作特征轨迹之间的距离,
如果所述距离小于预设距离,则确定所述考生存在短时作弊行为。
8.根据权利要求1所述的方法,其特征在于,根据局部动作判断考生是否存在长时作弊行为,包括:
获取多个连续的监控图像中,每个监控图像对应的需要检测的局部动作;
根据不同的监控图像对应的需要检测的局部动作,确定需要检测的局部动作的动作特征轨迹;
如果任一种需要检测的局部动作的动作特征轨迹表明考生存在重复性动作,则确定所述考生是可疑考生;
结合所述可疑考生的多个局部动作,确定所述可疑考生是否存在长时作弊行为。
9.一种考试作弊检测装置,其特征在于,包括:
获取模块,用于获取考场的监控图像;
检测模块,用于在所述监控图像中检测出考生的局部动作;
判断模块,用于根据所述局部动作判断所述考生是否作弊,并在判断出所述考生作弊时,发出警报,
其中,所述检测模块包括:
第一确定单元,用于在所述监控图像中,确定出考生所在区域;
第二确定单元,用于在所述考生所在区域中,确定出所述考生的各局部区域;
提取单元,用于在各局部区域中检测,提取出各局部区域中的局部动作,
其中,当所述局部动作包括:表情、头部动作、手部动作和腿部动作时,所述提取单元具体用于:
当局部区域是头部区域时,在所述头部区域是面部正朝向时,根据预先训练得到的人脸表情模型,在所述头部区域提取表情;
根据预先训练得到的头部动作检测模型,在头部区域进行动作检测,得到头部动作;
在手部区域中,利用像素点的位置关系提取手部重心的坐标,根据所述手部重心的坐标确定手部动作;
在腿部区域,提取预设的关键点,并根据关键点的坐标确定腿部动作。
10.根据权利要求9所述的装置,其特征在于,所述第一确定单元具体用于:
根据对考场背景的建模结果,确定考场的基本组件所在的位置;
根据所述基本组件所在的位置,以及对预先收集的包含人物的图像头肩区域进行训练后得到的考生检测模型,确定考生的头肩区域;
对所述头肩区域进行扩展,将扩展后的区域确定为考生所在区域。
11.根据权利要求9所述的装置,其特征在于,所述第二确定单元具体用于:
在考生所在区域,根据预先训练的人脸检测模型,确定考生的头部区域和面部朝向;
根据所述考生的头部区域和面部朝向,在所述考生所在区域确定所述考生的其余局部区域,所述其余局部区域包括如下项中的一项或多项:手部区域、腿部区域。
12.根据权利要求9-11任一项所述的装置,其特征在于,所述判断模块包括:
第一识别单元,用于根据所述局部动作判断所述考生是否存在短时作弊行为;
第二识别单元,用于根据所述局部动作判断所述考生是否存在长时作弊行为;
确定单元,用于存在所述短时作弊行为或长时作弊行为中的至少一种时,确定所述考生存在作弊行为。
13.根据权利要求12所述的装置,其特征在于,所述第一识别单元具体用于:
获取多个连续的监控图像中,每个监控图像对应的需要检测的局部动作;
比较不同的监控图像对应的局部动作,判断是否存在同一个需要检测的局部动作的变化量大于预设变化量;
如果存在,确定考生存在短时作弊行为。
14.根据权利要求13所述的装置,其特征在于,所述第一识别单元还用于:
如果不存在,根据预先建立的动作检测模型,确定每个需要检测的动作属于可疑行为的概率,并在任一种需要检测的动作属于可疑行为的概率大于预设概率时,确定考生为可疑行为考生;
获取所述可疑行为考生的预测动作特征轨迹和真实动作特征轨迹,并根据所述预测动作特征轨迹和所述真实动作特征轨迹,对所述可疑行为考生进行二次判定,确定所述可疑行为考生是否存在短时作弊行为。
15.根据权利要求12所述的装置,其特征在于,所述第二识别单元具体用于:
获取多个连续的监控图像中,每个监控图像对应的需要检测的局部动作;
根据不同的监控图像对应的需要检测的局部动作,确定需要检测的局部动作的动作特征轨迹;
如果任一种需要检测的局部动作的动作特征轨迹表明考生存在重复性动作,则确定所述考生是可疑考生;
结合所述可疑考生的多个局部动作,确定所述可疑考生是否存在长时作弊行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610418466.2A CN107491717B (zh) | 2016-06-13 | 2016-06-13 | 考试作弊检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610418466.2A CN107491717B (zh) | 2016-06-13 | 2016-06-13 | 考试作弊检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107491717A CN107491717A (zh) | 2017-12-19 |
CN107491717B true CN107491717B (zh) | 2021-02-05 |
Family
ID=60643054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610418466.2A Active CN107491717B (zh) | 2016-06-13 | 2016-06-13 | 考试作弊检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107491717B (zh) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764047A (zh) * | 2018-04-27 | 2018-11-06 | 深圳市商汤科技有限公司 | 群体情绪行为分析方法和装置、电子设备、介质、产品 |
CN109034074A (zh) * | 2018-07-31 | 2018-12-18 | 安徽皖新金智教育科技有限公司 | 校园考试反馈系统及反馈方法 |
CN110895661A (zh) * | 2018-09-12 | 2020-03-20 | 杭州海康威视数字技术股份有限公司 | 一种行为识别方法、装置及设备 |
CN109784175A (zh) * | 2018-12-14 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 基于微表情识别的异常行为人识别方法、设备和存储介质 |
CN109726663A (zh) * | 2018-12-24 | 2019-05-07 | 广东德诚科教有限公司 | 在线考试监控方法、装置、计算机设备及存储介质 |
CN109829392A (zh) * | 2019-01-11 | 2019-05-31 | 平安科技(深圳)有限公司 | 考场作弊识别方法、系统、计算机设备和存储介质 |
CN109815872A (zh) * | 2019-01-16 | 2019-05-28 | 汉勤汇科技(武汉)有限公司 | 作弊区域检测方法、装置、设备及存储介质 |
CN109871822A (zh) * | 2019-03-05 | 2019-06-11 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN109934182A (zh) * | 2019-03-18 | 2019-06-25 | 北京旷视科技有限公司 | 对象行为分析方法、装置、电子设备及计算机存储介质 |
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 |
CN110516528A (zh) * | 2019-07-08 | 2019-11-29 | 杭州电子科技大学 | 一种基于运动背景下的动目标检测和跟踪方法 |
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 |
CN110516720A (zh) * | 2019-08-13 | 2019-11-29 | 北京三快在线科技有限公司 | 安全监控设备和安全监控方法 |
CN111353921A (zh) * | 2019-08-19 | 2020-06-30 | 深圳市鸿合创新信息技术有限责任公司 | 一种考试管理方法及系统、电子设备 |
CN110532994A (zh) * | 2019-09-04 | 2019-12-03 | 上海眼控科技股份有限公司 | 行为检测方法、装置、计算机设备和可读存储介质 |
CN110738109B (zh) * | 2019-09-10 | 2022-11-22 | 浙江大华技术股份有限公司 | 检测用户起立的方法、装置及计算机存储介质 |
CN110689465A (zh) * | 2019-10-22 | 2020-01-14 | 江苏齐龙电子科技有限公司 | 一种智能校园管理系统 |
CN113095968A (zh) * | 2019-12-23 | 2021-07-09 | 深圳云天励飞技术有限公司 | 一种作弊识别方法、装置及电子设备 |
CN111178216B (zh) * | 2019-12-23 | 2023-06-09 | 东北大学 | 一种基于姿态时空特征的考场异常行为识别方法 |
CN111145060A (zh) * | 2020-01-16 | 2020-05-12 | 南京思特齐科技有限公司 | 一种分布式考试防作弊系统 |
CN111274956A (zh) * | 2020-01-20 | 2020-06-12 | 北京明略软件系统有限公司 | 一种监测驾考的方法及装置 |
CN111539313A (zh) * | 2020-04-21 | 2020-08-14 | 成都佳发安泰教育科技股份有限公司 | 考试作弊行为检测方法及系统 |
CN111738209A (zh) * | 2020-07-17 | 2020-10-02 | 南京晓庄学院 | 一种基于考生姿态识别考场作弊行为预判系统 |
CN112036299B (zh) * | 2020-08-31 | 2022-12-13 | 山东科技大学 | 标准考场环境下的考试作弊行为检测方法及系统 |
CN112446295A (zh) * | 2020-10-30 | 2021-03-05 | 四川天翼网络服务有限公司 | 一种考试作弊行为分析方法及系统 |
CN112613436B (zh) * | 2020-12-28 | 2023-08-04 | 中国联合网络通信集团有限公司 | 考试作弊检测方法和装置 |
CN113361311A (zh) * | 2021-01-18 | 2021-09-07 | 安徽中屏科技有限公司 | 基于行为预判的考试监控系统和方法 |
CN113065490A (zh) * | 2021-04-12 | 2021-07-02 | 合肥越明交通电子科技有限公司 | 一种智慧驾考的检测方法与装置 |
CN113301309A (zh) * | 2021-05-25 | 2021-08-24 | 上海松鼠课堂人工智能科技有限公司 | 通过视频监控的学生考试作弊行为监测方法与系统 |
CN114882533A (zh) * | 2022-05-30 | 2022-08-09 | 北京百度网讯科技有限公司 | 一种考场异常行为检测方法、装置、设备以及存储介质 |
CN115273180B (zh) * | 2022-07-01 | 2023-08-15 | 南通大学 | 一种基于随机森林的线上考试监考方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10243759B4 (de) * | 2002-09-20 | 2011-08-11 | PROFIL Verbindungstechnik GmbH & Co. KG, 61381 | Verfahren zur Erzeugung einer elektrisch leitenden Verbindung zwischen einer elektrischen Anschlusseinrichtung wie ein Kabelschuh und einem Blechteil, Befestigungselement und Zusammenbauteil |
JP4267648B2 (ja) * | 2006-08-25 | 2009-05-27 | 株式会社東芝 | インターフェース装置及びその方法 |
JP4792069B2 (ja) * | 2008-09-03 | 2011-10-12 | 株式会社日立製作所 | 画像認識装置 |
CN102945362B (zh) * | 2012-10-18 | 2016-01-27 | 中国科学院计算技术研究所 | 基于异构数据融合的传感器协同手势识别方法及系统 |
CN103136510B (zh) * | 2013-01-17 | 2016-08-03 | 京东方科技集团股份有限公司 | 一种监考系统及方法 |
CN104408395A (zh) * | 2014-06-26 | 2015-03-11 | 青岛海信电器股份有限公司 | 一种手势识别方法和系统 |
CN205068841U (zh) * | 2015-11-03 | 2016-03-02 | 嘉兴职业技术学院 | 一种用于教学的图像分析设备 |
-
2016
- 2016-06-13 CN CN201610418466.2A patent/CN107491717B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107491717A (zh) | 2017-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491717B (zh) | 考试作弊检测方法和装置 | |
CN105426827B (zh) | 活体验证方法、装置和系统 | |
CN109740466A (zh) | 广告投放策略的获取方法、计算机可读存储介质 | |
CN110349674A (zh) | 基于不当行为观测分析的孤独症谱系障碍评估装置及系统 | |
CN109983505A (zh) | 人物动向记录装置、人物动向记录方法及程序 | |
KR20140037896A (ko) | 스포츠 모션 비디오 분석 방법 | |
KR20220028654A (ko) | 미러 디스플레이를 이용하여 태권도 동작 코칭 서비스를 제공하는 장치 및 방법 | |
WO2012117392A1 (en) | Device, system and method for determining compliance with an instruction by a figure in an image | |
JP2013232181A (ja) | 画像処理装置、画像処理方法 | |
CN106960473B (zh) | 一种行为感知系统及方法 | |
Raj et al. | Heuristic-based automatic online proctoring system | |
Mastorakis et al. | Fall detection without people: A simulation approach tackling video data scarcity | |
Zaletelj | Estimation of students' attention in the classroom from kinect features | |
CN110717461A (zh) | 一种疲劳状态识别方法、装置和设备 | |
CN103514429A (zh) | 检测对象的特定部位的方法及图像处理设备 | |
US9710708B1 (en) | Method and apparatus for autonomously recognizing at least one object in an image | |
Droghini et al. | Audio metric learning by using siamese autoencoders for one-shot human fall detection | |
CN111814733A (zh) | 基于头部姿态的专注度检测方法及装置 | |
Pampouchidou et al. | Video-based depression detection using local curvelet binary patterns in pairwise orthogonal planes | |
Raghavendra et al. | Robust 2D/3D face mask presentation attack detection scheme by exploring multiple features and comparison score level fusion | |
Hung et al. | Fall detection with two cameras based on occupied area | |
CN114038062A (zh) | 一种基于联合关键点表征的考生异常行为分析方法及系统 | |
Malekmohamadi et al. | Low-cost automatic ambient assisted living system | |
US20150377694A1 (en) | Systems and methods for remotely sensing and assessing collision impacts | |
Mastorakis | Human fall detection methodologies: from machine learning using acted data to fall modelling using myoskeletal simulation |
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 |