CN109711377A - 标准化考场监控的单帧图像中考生定位和计数方法 - Google Patents
标准化考场监控的单帧图像中考生定位和计数方法 Download PDFInfo
- Publication number
- CN109711377A CN109711377A CN201811649122.8A CN201811649122A CN109711377A CN 109711377 A CN109711377 A CN 109711377A CN 201811649122 A CN201811649122 A CN 201811649122A CN 109711377 A CN109711377 A CN 109711377A
- Authority
- CN
- China
- Prior art keywords
- examination hall
- training
- classification
- target
- ssd network
- 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
Landscapes
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种标准化考场监控的单帧图像中考生定位和计数方法,由利用标准化考场监控视频制作单帧的考场图像数据集、图像预处理、构建基于Keras深度学习框架下的SSD网络、采用考场图像数据集训练SSD网络、用训练好的SSD网络测试预处理后的测试集的图像步骤组成。与现有技术相比,具有网络结构简单、检测速度快和检测精度高等优点,旨在解决标准化考场监控环境下考生定位与计数的难题。
Description
技术领域
本发明属于图像处理及目标检测技术领域,具体地涉及到标准化考场监控视频中获得的单帧 图像中考生的识别、定位和人数统计。
背景技术
在近年的国家各类重要考试中,标准化考场已经发挥着重要作用。在标准化考 场的中央视频监控中,一名监控老师需要以人眼观察的方式同时监控9个考场的视 频信息。长时间、不间断的连续工作不可避免地会引起监视人员的“视觉疲劳”和 “顾此失彼”现象,极易导致考生异常情况漏报,因此将先进的计算机视觉技术融 入标准化考场监控大数据,智能地分析考生行为的需求越来越迫切。
对标准化考场中考生位置的准确检测是智能分析考生行为的前提和基础,而基于单帧场景的 考生行为涉及图像中的目标检测技术,包含目标识别与定位。目标识别指根据图像中提取的特征 判断目标是什么,而目标定位指在图像中进一步找出感兴趣目标的位置信息。考场监控视频单帧 图像的学生定位与计数是目标检测技术在标准化考场的一个重要应用,其过程涉及到很多图像处 理和图像分析技术,例如对图像中人的形体特征的提取、背景及噪声干扰的抑制、检测区域交并 比计算等方面。目前,国内外的图像目标检测方法主要有基于图像阈值的目标检测方法、基于帧 间差分和双线性插值的目标检测方法和基于边缘碎片模型的目标识别方法等。上述目标识别及定 位方法应用于标准化考场监控视频的单帧图像时,所存在的主要技术问题是目标识别率不高,定 位准确度低,甚至出现大量漏检或无法计算等问题。这导致现有方法在标准化考场监控的场景下 以学生异常行为检测为目的的应用微乎其微。
发明内容
本发明所要解决的技术问题在于克服现有技术的缺点,提供一种快速、高效的标准化考场监 控的单帧图像中学生定位和计数方法。
解决上述技术问题所采用的技术方案是由下述步骤组成:
(1)利用标准化考场监控视频制作单帧的考场图像数据集
将标准化考场监控视频按不同的考场划分,每个考场提取2帧图像,2帧图像的时间间隔为 10~100分钟,人工标注出每幅图像中考生所在位置及其类别标签,构成标注文件,图像与其对应 的标注文件构成考场图像数据集,将考场图像数据集按比例参数值随机划分为训练集和测试集;
(2)图像预处理
利用双线性插值法,将训练集和测试集中所有图像的像素均缩放为300×300;
(3)构建基于Keras深度学习框架下的SSD网络
构建Keras深度学习框架下SSD网络的步骤为:
(a)设置SSD网络参数
设置训练集与测试集的比例参数为0.7~0.9、分类数为21、训练集的训练时期为300~500、训 练批次尺寸为16、基础学习率参数为0.0003、学习率衰减因子为0.9;
(b)在Keras深度学习框架下,构建SSD网络作为图像特征提取和图像目标检测的网络;
(4)采用考场图像数据集训练SSD网络
通过训练考场图像数据集训练SSD网络的步骤为:
(a)预训练
采用VOC2007数据集对SSD网络进行预训练,获取预训练后的权重和偏置,将该权重和偏 置替代随机初始化的SSD网络的权重和偏置;
(b)设置SSD网络中的所有卷积层、池化层、全连接层训练属性值,参与训练则训练属性值为 1,不参与训练则训练属性值为0;
(c)采用步骤(2)预处理后的训练集训练SSD网络
将按步骤(2)预处理后的训练集,包括图像及其对应的标签文件,输入SSD网络,设定交 叉熵函数为损失函数,使用梯度下降法降低损失值来进行前向传播和反向传播,反复循环前向传 播和反向传播,并更新网络的权重值和偏置,直至达到设定的训练时期300~500次,得到训练好 的SSD网络;
(5)用训练好的SSD网络测试步骤(2)预处理后的测试集的图像
(a)设置测试参数
设置目标的类别置信度阈值为0.5~0.65;
(b)测试
将步骤(2)预处理后的测试集内的图像输入到训练好的SSD网络中进行测试,得到图像中 目标的初始检测结果即每个目标的位置坐标、21分类中的类别和所属类别的置信度;
(c)对SSD网络输出的分类结果进行2分类归类
对于SSD网络输出的初始检测结果中,分类类别为“人”的目标归为“人”类,分类类别属 于剩余20类的目标全部归为一类,记为“背景”类;
(d)对2分类后的检测结果筛选
一次筛选,删除属于“背景”类的目标的位置坐标信息、类别信息和所属类别的置信度信息, 保留属于“人”类的目标的位置坐标信息、类别信息和所属类别的置信度信息;二次筛选,在一 次筛选的结果中保留类别置信度大于置信度阈值的目标的位置坐标信息、类别信息和所属类别的 置信度信息,删除类别置信度低于阈值的目标的位置坐标信息、类别信息和所属类别的置信度信 息;
(e)输出计数结果和考生位置
统计图像中类别为“人”类且类别置信度大于置信度阈值的目标的数量,并输出数量,根据 目标的位置信息,输出考生定位结果图。
作为一种优选的技术方案,所述的步骤(1)中标准化考场监控视频为某高校近3年来标准化 考场监控视频,且每个考场监控视频中选取的2帧图像的时间间隔为30分钟。
作为一种优选的技术方案,所述的步骤(3)的步骤(a)中,训练集与测试集比例参数为0.9; 训练集训练时期为500次。
作为一种优选的技术方案,所述的步骤(4)的步骤(b)中,SSD网络的前7个卷积层和前 3个池化层,即卷积层1_1、卷积层1-2、卷积层2-1、卷积层2-2、卷积层3-1、卷积层3-2、卷积 层3-3,池化层1、池化层2、池化层3的训练属性值设为0。
作为一种优选的技术方案,所述的步骤(5)的步骤(a)中,目标的类别置信度阈值为0.56。
本发明利用考场监控视频获取单帧图像,并制作成考场图像数据集,包括训练集和测试集, 对数据集中图像大小进行预处理,构建基于Keras框架下的SSD网络,将预处理后的训练集输入 SSD网络进行训练,提取图像特征并利用损失函数优化网络,用预处理后的测试集测试网络并输 出考生定位图像和计数结果,与现有技术相比,具有网络结构简单、检测速度快和检测精度高等 优点,旨在解决标准化考场监控环境下考生定位与计数的难题。
附图说明
图1是本发明标准化考场监控的单帧图像中考生定位和计数方法的流程图。
图2是标准化考场监控单帧图像数据集中编号为8103的原图。
图3是SSD网络结构图。
图4是图2的考生定位效果图。
图5是标准化考场监控单帧图像数据集中编号为5301的原图。
图6是图5的考生定位效果图。
图7是标准化考场监控单帧图像数据集中编号为8404的原图。
图8是图5的考生定位效果图。
具体实施方式
下面结合附图和实例对本发明进行进一步的说明,但本发明不限于下述实例。
实施例1
从某考试标准化考场的监控视频中提取的一张编号为8103、像素为704×576的考场图像为 例,如图2。
在图1中,本实施例的标准化考场监控的单帧图像中考生定位和计数方法,由下述步骤组成:
(1)将某考试标准化考场的监控视频按不同的考场划分,每个考场提取2帧图像,2帧图像 的时间间隔为15分钟,共有600张图像,像素均为704x576,人工标注出每幅图像中考生所在位 置及其类别标签,构成标注文件,600张图像与其对应的标注文件构成考场图像数据集,按0.9的 比例参数值随机划分为训练集和测试集,则训练集包含540张考场图像,测试集包含60张考场图 像,其中包括编号为8103、像素为704×576的考场图像;
(2)图像预处理
利用双线性插值法,将训练集和测试集中所有图像的像素均缩放为300×300;
(3)构建基于Keras深度学习框架下的SSD网络,SSD(Single Shot MultiBoxDetector)网 络是2016年Liu W发表论文《Single Shot MultiBox Detector》并提出的网络,主要用于图像中的 车、猫、狗等目标的识别;
构建Keras深度学习框架下SSD网络的步骤为:
(a)设置SSD网络参数
设置训练集与测试集的比例参数为0.9、分类数为21、训练集的训练时期为500、训练批次尺 寸为16、基础学习率参数为0.0003、学习率衰减因子为0.9;
(b)在Keras深度学习框架下,构建SSD网络作为图像特征提取和图像目标检测的网络,如图 3所示,SSD网络共分为11个网络块,每个网络块包含不同数量和不同大小的卷积层、池化层和 全连接层,且根据层数均有相应的命名;
(4)采用考场图像数据集训练SSD网络
通过训练包含540张考场图像的训练集,得到优化的SSD网络,具体步骤为:
(a)预训练
利用VOC2007数据集对SSD网络进行预训练,获取预训练后的权重和偏置,将该权重和偏 置替代随机初始化的SSD网络的权重和偏置;
(b)设置SSD网络中的所有卷积层、池化层和全连接层的训练属性值,将SSD网络中的前7 个卷积层和前3个池化层,即卷积层1_1、卷积层1-2、卷积层2-1、卷积层2-2、卷积层3-1、卷 积层3-2、卷积层3-3,池化层1、池化层2、池化层3的训练属性值设为0;
(c)采用步骤(2)预处理后的训练集训练SSD网络
将按步骤(2)预处理后的训练集,包括540张图像及其对应的标签文件,输入SSD网络, 设定交叉熵函数为损失函数,使用梯度下降法降低损失值来进行前向传播和反向传播,反复循环 前向传播和反向传播,并更新网络的权值和偏置,直至达到设定的训练时期500次,得到训练好 的SSD网络;
(5)用训练好的SSD网络测试步骤(2)预处理后的测试集的图像
(a)设置测试参数
设置目标的类别置信度阈值为0.56;
(b)测试
将步骤(2)预处理后的测试集内编号为8103的图像输入到训练好的SSD网络中进行测试, 得到图像中目标的初始检测结果即每个目标的位置坐标、21分类中的类别和所属类别的置信度;
(c)对SSD网络输出的分类结果进行2分类归类
对于SSD网络输出的初始检测结果中,分类类别为“人”的目标归为“人”类,分类类别 属于剩余20类的目标全部归为一类,记为“背景”类;
(d)对2分类后的检测结果筛选
一次筛选,删除属于“背景”类的目标的位置坐标信息、类别信息和所属类别的置信度信息, 保留属于“人”类的目标的位置坐标信息、类别信息和所属类别的置信度信息;二次筛选,在一 次筛选的结果中保留类别置信度大于0.56的目标的位置坐标信息、类别信息和所属类别的置信度 信息,删除类别置信度低于0.56的目标的位置坐标信息、类别信息和所属类别的置信度信息;
(e)输出计数结果和考生位置
统计图像中类别为“人”类且类别置信度大于0.56的目标的数量为17,并输出;根据目标的 位置信息,输出考生定位结果图,如图4。
本发明可以有效的定位考生的位置和统计考生人数,与实际考试中考生人数和位置对比,本 发明的检测率达到0.94。
实施例2
在本实施例的步骤(1)中将考场图像数据集按0.8的比例参数值随机划分为训练集和测试集, 则训练集包含480张考场图像,测试集包含120张考场图像,其中包括编号为8103、像素为704 ×576的考场图像;步骤(3)的步骤(a)中训练集与测试集比例参数为0.8,训练集训练时期为 400;步骤(5)的步骤(a)中设置目标的类别置信度阈值为0.5。其他操作步骤及参数与实施例1 相同。
实施例3
在本实施例的步骤(1)中将考场图像数据集按0.7的比例参数值随机划分为训练集和测试集, 则训练集包含420张考场图像,测试集包含180张考场图像,其中包括编号为8103、像素为704 ×576的考场图像;步骤(3)的步骤(a)中训练集与测试集比例参数为0.7,训练集训练时期为 300;步骤(5)的步骤(a)中设置目标的类别置信度阈值为0.65。其他操作步骤及参数与实施例 1相同。
实施例4
从某考试标准化考场的监控视频中提取的一张编号为5301、像素为704×576的考场图像为 例,如图5。本实施例的标准化考场监控的单帧图像中考生定位和计数方法,由下述步骤组成:
(1)将某考试标准化考场的监控视频按不同的考场划分,每个考场提取2帧图像,2帧图像 的时间间隔为15分钟,共有600张图像,像素均为704×576,人工标注出每幅图像中考生所在位 置及其类别标签,构成标注文件,600张图像与其对应的标注文件构成考场图像数据集,按0.9的 比例参数值随机划分为训练集和测试集,则训练集包含540张考场图像,测试集包含60张考场图 像,其中包括编号为5301、像素为704×576的考场图像;
步骤(2)~(4)与实施例1相同;
(5)用训练好的SSD网络测试步骤(2)预处理后的测试集的图像
(a)设置测试参数
设置目标的类别置信度阈值为0.56;
(b)测试
将步骤(2)预处理后的测试集内编号为5301的图像输入到训练好的SSD网络中进行测试, 得到图像中目标的初始检测结果即每个目标的位置坐标、21分类中的类别和所属类别的置信度;
(c)对SSD网络输出的分类结果进行2分类归类
对于SSD网络输出的初始检测结果中,分类类别为“人”的目标归为“人”类,分类类别 属于剩余20类的目标全部归为一类,记为“背景”类;
(d)对2分类后的检测结果筛选
一次筛选,删除属于“背景”类的目标的位置坐标信息、类别信息和所属类别的置信度信息, 保留属于“人”类的目标的位置坐标信息、类别信息和所属类别的置信度信息;二次筛选,在一 次筛选的结果中保留类别置信度大于0.56的目标的位置坐标信息、类别信息和所属类别的置信度 信息,删除类别置信度低于0.56的目标的位置坐标信息、类别信息和所属类别的置信度信息;
(e)输出计数结果和考生位置
统计图像中类别为“人”类且类别置信度大于0.56的目标的数量为12,并输出;根据目标的 位置信息,输出考生定位结果图,如图6。
与实际考试中考生人数和位置对比,本发明的检测率达到0.92。
实施例5
从某考试标准化考场的监控视频中提取的一张编号为8404、像素为704×576的考场图像为 例,如图7,本实施例的标准化考场监控的单帧图像中考生定位和计数方法,由下述步骤组成:
(1)将某考试标准化考场的监控视频按不同的考场划分,每个考场提取2帧图像,2帧图像 的时间间隔为15分钟,共有600张图像,像素均为704x576,人工标注出每幅图像中考生所在位 置及其类别标签,构成标注文件,600张图像与其对应的标注文件构成考场图像数据集,按0.9的 比例参数值随机划分为训练集和测试集,则训练集包含540张考场图像,测试集包含60张考场图 像,其中包括编号为8404、像素为704×576的考场图像;
步骤(2)~(4)与实施例1相同;
(5)用训练好的SSD网络测试步骤(2)预处理后的测试集的图像
(a)设置测试参数
设置目标的类别置信度阈值为0.56;
(b)测试
将步骤(2)预处理后的测试集内编号为8404的图像输入到训练好的SSD网络中进行测试, 得到图像中目标的初始检测结果即每个目标的位置坐标、21分类中的类别和所属类别的置信度;
(c)对SSD网络输出的分类结果进行2分类归类
对于SSD网络输出的初始检测结果中,分类类别为“人”的目标归为“人”类,分类类别 属于剩余20类的目标全部归为一类,记为“背景”类;
(d)对2分类后的检测结果筛选
一次筛选,删除属于“背景”类的目标的位置坐标信息、类别信息和所属类别的置信度信息, 保留属于“人”类的目标的位置坐标信息、类别信息和所属类别的置信度信息;二次筛选,在一 次筛选的结果中保留类别置信度大于0.56的目标的位置坐标信息、类别信息和所属类别的置信度 信息,删除类别置信度低于0.56的目标的位置坐标信息、类别信息和所属类别的置信度信息;
(e)输出计数结果和考生位置
统计图像中类别为“人”类且类别置信度大于0.56的目标的数量为13,并输出;根据目标的 位置信息,输出考生定位结果图,如图8。
与实际考试中考生人数和位置对比,本发明的检测率达到0.76。
Claims (5)
1.一种标准化考场监控的单帧图像中考生定位和计数方法,其特征在于由下述步骤组成:
(1)利用标准化考场监控视频制作单帧的考场图像数据集
将标准化考场监控视频按不同的考场划分,每个考场提取2帧图像,2帧图像的时间间隔为10~100分钟,人工标注出每幅图像中考生所在位置及其类别标签,构成标注文件,图像与其对应的标注文件构成考场图像数据集,将考场图像数据集按比例参数值随机划分为训练集和测试集;
(2)图像预处理
利用双线性插值法,将训练集和测试集中所有图像的像素均缩放为300×300;
(3)构建基于Keras深度学习框架下的SSD网络
构建Keras深度学习框架下SSD网络的步骤为:
(a)设置SSD网络参数
设置训练集与测试集的比例参数为0.7~0.9、分类数为21、训练集的训练时期为300~500次、训练批次尺寸为16、基础学习率参数为0.0003、学习率衰减因子为0.9;
(b)在Keras深度学习框架下,构建SSD网络作为图像特征提取和图像目标检测的网络;
(4)采用考场图像数据集训练SSD网络
通过训练考场图像数据集训练SSD网络的步骤为:
(a)预训练
采用VOC2007数据集对SSD网络进行预训练,获取预训练后的权重和偏置,将该权重和偏置替代随机初始化的SSD网络的权重和偏置;
(b)设置SSD网络中的所有卷积层、池化层、全连接层训练属性值,参与训练则训练属性值为1,不参与训练则训练属性值为0;
(c)采用步骤(2)预处理后的训练集训练SSD网络
将按步骤(2)预处理后的训练集,包括图像及其对应的标签文件,输入SSD网络,设定交叉熵函数为损失函数,使用梯度下降法降低损失值来进行前向传播和反向传播,反复循环前向传播和反向传播,并更新网络的权重值和偏置,直至达到设定的训练时期300~500次,得到训练好的SSD网络;
(5)用训练好的SSD网络测试步骤(2)预处理后的测试集的图像
(a)设置测试参数
设置目标的类别置信度阈值为0.5~0.65;
(b)测试
将步骤(2)预处理后的测试集内的图像输入到训练好的SSD网络中进行测试,得到图像中目标的初始检测结果即每个目标的位置坐标、21分类中的类别和所属类别的置信度;
(c)对SSD网络输出的分类结果进行2分类归类
对于SSD网络输出的初始检测结果中,分类类别为“人”的目标归为“人”类,分类类别属于剩余20类的目标全部归为一类,记为“背景”类;
(d)对2分类后的检测结果筛选
一次筛选,删除属于“背景”类的目标的位置坐标信息、类别信息和所属类别的置信度信息,保留属于“人”类的目标的位置坐标信息、类别信息和所属类别的置信度信息;二次筛选,在一次筛选的结果中保留类别置信度大于置信度阈值的目标的位置坐标信息、类别信息和所属类别的置信度信息,删除类别置信度低于阈值的目标的位置坐标信息、类别信息和所属类别的置信度信息;
(e)输出计数结果和考生位置
统计图像中类别为“人”类且类别置信度大于置信度阈值的目标的数量,并输出数量,根据目标的位置信息,输出考生定位结果图。
2.根据权利要求1所述的标准化考场监控的单帧图像中考生定位和计数方法,其特征在于:所述的步骤(1)中标准化考场监控视频为某高校近3年来标准化考场监控视频,且每个考场监控视频中选取的2帧图像的时间间隔为30分钟。
3.根据权利要求1所述的标准化考场监控的单帧图像中考生定位和计数方法,其特征在于:所述的步骤(3)的步骤(a)中,训练集与测试集比例参数为0.9;训练集训练时期为500次。
4.根据权利要求1所述的标准化考场监控的单帧图像中考生定位和计数方法,其特征在于:所述的步骤(4)的步骤(b)中,SSD网络的前7个卷积层和前3个池化层,即卷积层1_1、卷积层1-2、卷积层2-1、卷积层2-2、卷积层3-1、卷积层3-2、卷积层3-3,池化层1、池化层2、池化层3的训练属性值设为0。
5.根据权利要求1所述的标准化考场监控的单帧图像中考生定位和计数方法,其特征在于:所述的步骤(5)的步骤(a)中,目标的类别置信度阈值为0.56。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811649122.8A CN109711377B (zh) | 2018-12-30 | 2018-12-30 | 标准化考场监控的单帧图像中考生定位和计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811649122.8A CN109711377B (zh) | 2018-12-30 | 2018-12-30 | 标准化考场监控的单帧图像中考生定位和计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109711377A true CN109711377A (zh) | 2019-05-03 |
CN109711377B CN109711377B (zh) | 2023-04-18 |
Family
ID=66260620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811649122.8A Active CN109711377B (zh) | 2018-12-30 | 2018-12-30 | 标准化考场监控的单帧图像中考生定位和计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711377B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175531A (zh) * | 2019-05-05 | 2019-08-27 | 沈阳航空航天大学 | 一种基于姿态的考生位置定位方法 |
CN110378232A (zh) * | 2019-06-20 | 2019-10-25 | 陕西师范大学 | 改进的ssd双网络的考场考生位置快速检测方法 |
CN110688970A (zh) * | 2019-09-30 | 2020-01-14 | 广州海昇计算机科技有限公司 | 一种作弊行为检测并预警的方法及系统 |
CN111259844A (zh) * | 2020-01-21 | 2020-06-09 | 陕西师范大学 | 标准化考场考生实时监控方法 |
CN111340141A (zh) * | 2020-04-20 | 2020-06-26 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于深度学习的作物幼苗与杂草检测方法及系统 |
CN111814704A (zh) * | 2020-07-14 | 2020-10-23 | 陕西师范大学 | 基于级联注意力与点监督机制的全卷积考场目标检测方法 |
CN113569656A (zh) * | 2021-07-02 | 2021-10-29 | 广州大学 | 一种基于深度学习的考场监控方法 |
CN114708543A (zh) * | 2022-06-06 | 2022-07-05 | 成都信息工程大学 | 一种考场监控视频图像中考生定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030036047A1 (en) * | 2001-08-15 | 2003-02-20 | Kabushiki Kaisha Nihon Toukei Jim Center | Scoring method and scoring system |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
CN106682694A (zh) * | 2016-12-27 | 2017-05-17 | 复旦大学 | 一种基于深度学习的敏感图像识别方法 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
CN107886064A (zh) * | 2017-11-06 | 2018-04-06 | 安徽大学 | 一种基于卷积神经网络的人脸识别场景适应的方法 |
-
2018
- 2018-12-30 CN CN201811649122.8A patent/CN109711377B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030036047A1 (en) * | 2001-08-15 | 2003-02-20 | Kabushiki Kaisha Nihon Toukei Jim Center | Scoring method and scoring system |
CN106651830A (zh) * | 2016-09-28 | 2017-05-10 | 华南理工大学 | 一种基于并行卷积神经网络的图像质量测试方法 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
CN106682694A (zh) * | 2016-12-27 | 2017-05-17 | 复旦大学 | 一种基于深度学习的敏感图像识别方法 |
CN107886064A (zh) * | 2017-11-06 | 2018-04-06 | 安徽大学 | 一种基于卷积神经网络的人脸识别场景适应的方法 |
Non-Patent Citations (3)
Title |
---|
T. C. BUCK.ET AL: "Fiber Bragg grating (FBG) sensor systems for monitoring of dynamic structural loads", 《INTERNATIONAL MULTI-CONFERENCE ON SYSTEMS, SIGNALS & DEVICES》 * |
熊永华等: "云视频监控系统的能耗优化研究", 《软件学报》 * |
高烨等: "基于猫群优化算法的图像多阈值分割方法", 《中国体视学与图像分析》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175531A (zh) * | 2019-05-05 | 2019-08-27 | 沈阳航空航天大学 | 一种基于姿态的考生位置定位方法 |
CN110378232A (zh) * | 2019-06-20 | 2019-10-25 | 陕西师范大学 | 改进的ssd双网络的考场考生位置快速检测方法 |
CN110378232B (zh) * | 2019-06-20 | 2022-12-27 | 陕西师范大学 | 改进的ssd双网络的考场考生位置快速检测方法 |
CN110688970A (zh) * | 2019-09-30 | 2020-01-14 | 广州海昇计算机科技有限公司 | 一种作弊行为检测并预警的方法及系统 |
CN111259844A (zh) * | 2020-01-21 | 2020-06-09 | 陕西师范大学 | 标准化考场考生实时监控方法 |
CN111259844B (zh) * | 2020-01-21 | 2023-02-24 | 陕西师范大学 | 标准化考场考生实时监控方法 |
CN111340141A (zh) * | 2020-04-20 | 2020-06-26 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于深度学习的作物幼苗与杂草检测方法及系统 |
CN111814704A (zh) * | 2020-07-14 | 2020-10-23 | 陕西师范大学 | 基于级联注意力与点监督机制的全卷积考场目标检测方法 |
CN113569656A (zh) * | 2021-07-02 | 2021-10-29 | 广州大学 | 一种基于深度学习的考场监控方法 |
CN113569656B (zh) * | 2021-07-02 | 2023-08-29 | 广州大学 | 一种基于深度学习的考场监控方法 |
CN114708543A (zh) * | 2022-06-06 | 2022-07-05 | 成都信息工程大学 | 一种考场监控视频图像中考生定位方法 |
CN114708543B (zh) * | 2022-06-06 | 2022-08-30 | 成都信息工程大学 | 一种考场监控视频图像中考生定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109711377B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711377A (zh) | 标准化考场监控的单帧图像中考生定位和计数方法 | |
CN105653444B (zh) | 基于互联网日志数据的软件缺陷故障识别方法和系统 | |
CN106897738B (zh) | 一种基于半监督学习的行人检测方法 | |
CN109034036B (zh) | 一种视频分析方法、教学质量评估方法及系统、计算机可读存储介质 | |
CN108830332A (zh) | 一种视觉车辆检测方法及系统 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN103324937A (zh) | 标注目标的方法和装置 | |
CN109784326A (zh) | 一种基于深度学习的车辆底盘检测方法 | |
CN109064454A (zh) | 产品缺陷检测方法及系统 | |
CN110378232B (zh) | 改进的ssd双网络的考场考生位置快速检测方法 | |
CN105608446A (zh) | 一种视频流异常事件的检测方法及装置 | |
CN108171175B (zh) | 一种深度学习样本增强系统及其运行方法 | |
CN112131927B (zh) | 基于妊娠后期姿态转化特性的母猪分娩时间预测系统 | |
CN106570109A (zh) | 一种通过文本分析自动生成题库知识点的方法 | |
Rong et al. | Pest Identification and Counting of Yellow Plate in Field Based on Improved Mask R‐CNN | |
CN106709438A (zh) | 一种基于视频会议的人数统计方法 | |
CN108090515A (zh) | 一种基于数据融合的环境等级评估方法 | |
CN106651906A (zh) | 基于改进混合高斯模型的高压断路器运动特性测试方法 | |
CN111259844B (zh) | 标准化考场考生实时监控方法 | |
CN106326839A (zh) | 一种基于出操视频流的人数统计方法 | |
CN109523514A (zh) | 对逆合成孔径雷达isar的批量成像质量评估方法 | |
CN113011835A (zh) | 一种校园健康数据管理方法及系统 | |
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 | |
CN109376738A (zh) | 基于车辆vin码起止符类型的篡改检测方法 | |
CN106951924B (zh) | 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统 |
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 |