CN110032992B - 一种基于姿态的考试作弊检测方法 - Google Patents
一种基于姿态的考试作弊检测方法 Download PDFInfo
- Publication number
- CN110032992B CN110032992B CN201910336784.8A CN201910336784A CN110032992B CN 110032992 B CN110032992 B CN 110032992B CN 201910336784 A CN201910336784 A CN 201910336784A CN 110032992 B CN110032992 B CN 110032992B
- Authority
- CN
- China
- Prior art keywords
- gesture
- cheating
- elbow
- hand
- joint
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 6
- 210000002310 elbow joint Anatomy 0.000 claims description 22
- 210000003857 wrist joint Anatomy 0.000 claims description 22
- 210000000323 shoulder joint Anatomy 0.000 claims description 11
- 210000000707 wrist Anatomy 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 210000000245 forearm Anatomy 0.000 claims description 4
- 210000001503 joint Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001154 acute effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 210000003739 neck Anatomy 0.000 claims description 2
- 210000000988 bone and bone Anatomy 0.000 claims 1
- 238000011426 transformation method Methods 0.000 claims 1
- 230000009471 action Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000006399 behavior Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 210000004247 hand Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 210000002478 hand joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于姿态的考试作弊检测方法，通过姿态估计的方法，获取视频中人体姿态序列，使用滑动窗口的方法，检测窗口内姿态的特征和变化，分析姿态状态，结合作弊特征的特点，判断是否为疑似作弊动作，对作弊动作进一步截取手部图像，通过图像检测的方法判断手部是否有纸条或者手机等作弊工具。本发明使用姿态估计算法获取的考生姿态，通过对人体骨架序列的运动学分析以识别考生状态，可靠性更高，不受考场环境影响，且从人体姿态运动数据检测作弊行为，同时从空间和时间上的姿态数据变化判定是否有作弊嫌疑，检测方法更符合人的思维，更准确，直观，具体。
Description
技术领域
本发明属于计算机视觉的技术领域，具体地涉及一种基于姿态的考试作弊检测方法。
背景技术
基于事件的视频监控在我国可以说是个较新的领域，但对智能事件监控产品的研发和需求关注的单位已有不少，并有越来越多的实体加入这个行列，相关的视频(视觉)/图像处理与分析技术的研究逐步受到学者、政府和商家的关注和重视。
目前，在高考，研究生考试、自考和学业水平测试等各类考试后，需要大量的人力观看考试视频，以分析考试中的考风问题，如考生考试作弊，监考老师不作为等。因此需要一个考试视频大数据分析方法，能够分析考生和监考老师的行为，进而分析考试中存在的问题，而考生姿态序列变化，则是解决这个问题的关键依据之一。
如今针对类似问题提出的大多数解决方案都是基于图像信息，光流的分析，如丁苗苗的基于考场监控视频的智能监考方法研究等，但此类方法对图像本身质量有一定要求，且检测效率低下，并不实用。
发明内容
本发明的技术任务是针对以上现有技术的不足，而提供一种基于姿态的考试作弊检测方法，本发明所述方法兼顾检测效率和广泛的适用场景，同时对考生的异常动作检测也很敏感。
本发明解决其技术问题所采用的技术方案是：一种基于姿态的考试作弊检测方法，其步骤如下：
(1)姿态关节点数据获取：使用滑动窗口读取姿态坐标信息；
(2)手臂姿态检测：在每个滑动窗口内检测姿态手臂特征信息，确定作弊特征，结合姿态手臂特征判定考生是否有作弊嫌疑，过滤正常的考生姿态，减少数据处理量；
(3)作弊证据抓取：出现疑似作弊姿态后，利用腕部和肘部关节点精确截取手部图像，并将截取的手部图像输入到神经网络得出分类结果，若确认为作弊姿态，则截取当前视频。
进一步地，所述步骤(1)中的的姿态信息是由姿态估计得到的整个视频的骨骼姿态数据，按视频帧及考生位置生成的多个姿态数据序列。
进一步地，所述步骤(2)中的检测姿态手臂特征信息具体包括：
a.手臂肩部、肘部角度检测：获取颈部关节、肩关节、肘关节、腕关节坐标，计算颈关节点、肩关节点连线和肘关节点、肩关节点连线所形成的夹角β，及腕关节点、肘关节点连线和肩关节点、肘关节点连线所形成的夹角α；
b.手部移动幅度检测：取长度为3的滑动窗口，计算滑窗内第三帧和第一帧腕部关节点变化距离。
进一步地，所述步骤(2)中作弊特征判定方法为：当左臂肩部夹角β大于105度，肘部角度α大于120度则将该姿态列入作弊嫌疑，进一步判定其手部移动距离，若大于20像素点，则判定为疑似作弊姿态。
进一步地，步骤(3)作弊证据抓取具体包括以下步骤：
a.手部置位坐标变换：由于只有腕部关节点坐标信息，没有手部确切位置，所以通过肘部关节点和腕部节点坐标计算，取手腕关节肘关节连线找到中心点M；
b.手部图像截取：以M为圆心旋转图像，再将坐标点进行坐标变换；
c.手部图像检测：对手部图像检测，识别是否有作弊工具，将截取的图像尺寸统一，并输入到lenet神经网络进行分类，共有手机，纸条，正常三个分类结果，当结果为手机或者纸条，确认为作弊姿态，截取当前视频。
本发明的优点：
1.本发明使用姿态估计产生的姿态数据对考生行为进行检测，对每个考生的姿态序列进行分析，姿态的变化能直观的表现考生的动作趋势，有助于对考生作弊行为的整体分析，方便对考生姿态分类。传统的作弊识别方法中，多数是基于图像RGB信息，特征抽象不具体，而对姿态检测则很好的弥补了这一缺陷。在检测出疑似作弊动作后，再对意思动作的手部图像进行检测，把手部图像输入神经网络，识别手部是否有手机，纸条等作弊工具，检测结果更精确可信；
2.本发明使用姿态估计算法获取的考生姿态，通过对人体骨架序列的运动学分析以识别考生状态，可靠性更高，不受考场环境影响。且从人体姿态运动数据检测作弊行为，同时从空间和时间上的姿态数据变化判定是否有作弊嫌疑，检测方法更符合人的思维，更准确，直观，具体。将姿态数据与图像信息结合，检测并抓取考生手部作弊行为，能得到确切的作弊图像作为证据。本发明所述方法不仅适用于考试场景，大多数基于事件的监控场景都可以使用本发明进行事件分析。
附图说明
图1是本发明流程结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
一种考生姿态分割与平滑方法，流程如图1所示，具体包括如下步骤：
步骤1：设置长度为3帧的滑动窗口，读取滑窗内姿态的关节点数据；
步骤2：计算滑窗内第一帧和第三帧腕部关节点移动距离，用欧式距离计算
若Hand_disj＞20，则姿态标记位设为真，表示该姿态有手部大幅度移动迹象，并记录此时的帧号j'；
步骤3：在腕部关节坐标和肘部关节坐标都不为零时，计算姿态肘部的角度，取手部、肘部和肩部关节点坐标用向量法计算，使用
θj∈(0，π)，将弧度转化为角度得肘部角
同样取颈部，肩部和肘部关节点坐标用上述公式计算得肩部角βj。
步骤4：对步骤二、步骤三计算结果进行判定，设定当满足αj＞120并且βj＞105时，当前姿态已有掏兜动作的初步特征，进行下一步验证。
步骤5：通过步骤四后，对腕部关节点的移动进行校验，若姿态标记位值为真，且腕部大幅移动的记录帧号j'＞j-100，则判定该姿态是疑似掏兜动作。
步骤6：推导除手部的近似位置，手部位置可近似看作与腕肘连线的中点关于腕部对称，先由肘和腕关节坐标计算小臂的斜率，
步骤7：计算第j帧时小臂与x轴所形成的锐角夹角λ，
步骤8：由kj的值判断肘和腕位置关系，若kj＞0，则直接进入下一步；若kj＜0,表示肘部关节点比腕部关节点靠右，此时λ＝λ+180，并进入下一步。
步骤9：计算肘和腕部中点，
步骤10：为更方便截取手部图像，以M为中心，将图像旋转λ度，截取手部图像，将肘部和腕部坐标进行坐标变换，
式中，x1,y1为腕部坐标，x2,y2为肘部坐标，x,y为中点M坐标。
步骤11：将截取得图像初始化，尺寸统一为32*32，输入神经网络中，进行前向传播，网络共包含三个类别，分别为手机，纸条，正常，取Softmax分类值最大的数对应的类别为判断结果，当结果为手机或纸条时，截取当前帧图像，并保存以当前帧为中心的10秒视频。
以上技术方案阐述了本发明的技术思路，不能以此限定本发明的保护范围，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上技术方案所作的任何改动及修饰，均属于本发明技术方案的保护范围。
Claims (6)
1.一种基于姿态的考试作弊检测方法，其特征在于，包括如下步骤：
(1)姿态关节点数据获取：使用滑动窗口读取姿态坐标信息；
(2)手臂姿态检测：在每个滑动窗口内检测姿态手臂特征信息，确定作弊特征，结合姿态手臂特征判定考生是否有作弊嫌疑，过滤正常的考生姿态，减少数据处理量；
(3)作弊证据抓取：出现疑似作弊姿态后，利用腕部和肘部关节点精确截取手部图像，并将截取的手部图像输入到神经网络得出分类结果，若确认为作弊姿态，则截取当前视频；其中，作弊证据抓取具体包括以下步骤：
a.手部置位坐标变换：由于只有腕部关节点坐标信息，没有手部确切位置，所以通过肘部关节点和腕部节点坐标计算，取手腕关节肘关节连线找到中心点M；
b.手部图像截取：以M为圆心旋转图像，再将坐标点进行坐标变换；
c.手部图像检测：对手部图像检测，识别是否有作弊工具，将截取的图像尺寸统一，并输入到lenet神经网络进行分类，共有手机，纸条，正常三个分类结果，当结果为手机或者纸条，确认为作弊姿态，截取当前视频；
具体的坐标变换方法为：
S1：除手部的近似位置，手部位置可近似看作与腕肘连线的中点关于腕部对称，先由肘和腕关节坐标计算小臂的斜率，
S2：计算第j帧时小臂与x轴所形成的锐角夹角λ，
S3：由kj的值判断肘和腕位置关系，若kj＞0，则直接进入下一步；若kj＜0,表示肘部关节点比腕部关节点靠右，此时λ＝λ+180，并进入下一步；
S4：计算肘和腕部中点，
S5：为更方便截取手部图像，以M为中心，将图像旋转λ度，截取手部图像，将肘部和腕部坐标进行坐标变换，
式中，x1,y1为腕部坐标，x2,y2为肘部坐标，x,y为中点M坐标。
2.根据权利要求1所述的一种基于姿态的考试作弊检测方法，其特征在于，所述步骤(1)中的的姿态信息是由姿态估计得到的整个视频的骨骼姿态数据，按视频帧及考生位置生成的多个姿态数据序列。
3.根据权利要求1所述的一种基于姿态的考试作弊检测方法，其特征在于，所述步骤(2)中的检测姿态手臂特征信息具体包括：
a.获取颈部关节、肩关节、肘关节、腕关节坐标，计算颈关节点、肩关节点连线和肘关节点、肩关节点连线所形成的夹角β，及腕关节点、肘关节点连线和肩关节点、肘关节点连线所形成的夹角α；
b.手部移动幅度检测：取长度为3的滑动窗口，计算滑窗内第三帧和第一帧腕部关节点变化距离。
4.根据权利要求3所述的一种基于姿态的考试作弊检测方法，其特征在于，当左臂肩部夹角β大于105度，肘部角度α大于120度则将该姿态列入作弊嫌疑，进一步判定其手部移动距离，若大于20像素点，则判定为疑似作弊姿态。
5.根据权利要求3所述的一种基于姿态的考试作弊检测方法，其特征在于，第j帧肘部角度αj及肩部夹角βj的计算方法为：
取手部、肘部和肩部关节点坐标用向量法计算，使用
θj∈(0，π)，将弧度转化为角度得肘部角
同样取颈部，肩部和肘部关节点坐标用上述公式计算得肩部角βj。
6.根据权利要求3所述的一种基于姿态的考试作弊检测方法，其特征在于，第j帧手部移动距离Hand_disj的计算方法为：
计算滑窗内第一帧和第三帧腕部关节点移动距离，用欧式距离计算：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910336784.8A CN110032992B (zh) | 2019-04-25 | 2019-04-25 | 一种基于姿态的考试作弊检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910336784.8A CN110032992B (zh) | 2019-04-25 | 2019-04-25 | 一种基于姿态的考试作弊检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110032992A CN110032992A (zh) | 2019-07-19 |
| CN110032992B true CN110032992B (zh) | 2023-05-23 |
Family
ID=67240137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910336784.8A Active CN110032992B (zh) | 2019-04-25 | 2019-04-25 | 一种基于姿态的考试作弊检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110032992B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110781763B (zh) * | 2019-09-30 | 2022-06-17 | 沈阳图为科技有限公司 | 一种基于姿态的人体张望动作检测方法 |
| CN110751062B (zh) * | 2019-09-30 | 2022-04-05 | 沈阳图为科技有限公司 | 一种基于姿态投票的考生姿态序列生成方法 |
| CN110781762B (zh) * | 2019-09-30 | 2022-03-18 | 沈阳图为科技有限公司 | 一种基于姿态的考试作弊检测方法 |
| CN110837784B (zh) * | 2019-10-23 | 2023-06-20 | 中山大学 | 一种基于人体头部特征的考场偷窥作弊检测系统 |
| CN111611896B (zh) * | 2020-05-15 | 2023-07-21 | 广西民族师范学院 | 一种考试防作弊的管理系统 |
| CN111709396A (zh) * | 2020-07-08 | 2020-09-25 | 六盘水达安驾驶培训有限公司 | 一种基于人体姿态的驾驶技能科目二、三考试辅助评判方法 |
| CN112115870A (zh) * | 2020-09-21 | 2020-12-22 | 南京润北智能环境研究院有限公司 | 一种基于YOLOv3的考试作弊小抄识别方法 |
| CN112149553A (zh) * | 2020-09-21 | 2020-12-29 | 西安工程大学 | 一种考试作弊行为识别方法 |
| CN112380951B (zh) * | 2020-11-10 | 2023-04-07 | 浙江大华技术股份有限公司 | 一种识别异常行为的方法、装置、计算机设备及存储介质 |
| CN112381002B (zh) * | 2020-11-16 | 2023-08-15 | 深圳技术大学 | 人体风险姿态识别方法及系统 |
| 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 |
| CN112883832A (zh) * | 2021-01-29 | 2021-06-01 | 北京市商汤科技开发有限公司 | 应试人员行为管理方法、装置、电子设备及存储介质 |
| CN113095675B (zh) * | 2021-04-12 | 2022-03-29 | 华东师范大学 | 一种网络考试中依靠标识点监控考生动作模式的方法 |
| CN113197542B (zh) * | 2021-04-30 | 2024-01-30 | 武汉特斯雷信息技术有限公司 | 一种在线自助视力检测系统、移动终端及存储介质 |
| CN114187661A (zh) * | 2021-12-08 | 2022-03-15 | 全美测评技术(北京)有限公司 | 一种考生违规行为检测方法 |
| 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 |
| CN118135649B (zh) * | 2024-01-29 | 2024-10-01 | 网才科技(广州)集团股份有限公司 | 一种基于动态拓扑的集体异常行为分析方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103926999A (zh) * | 2013-01-16 | 2014-07-16 | 株式会社理光 | 手掌开合手势识别方法和装置、人机交互方法和设备 |
| CN105959624A (zh) * | 2016-05-03 | 2016-09-21 | 方筠捷 | 考场监控数据处理方法及其实现的自动监考系统 |
| CN108509936A (zh) * | 2018-04-11 | 2018-09-07 | 四川文理学院 | 机器人控制方法、装置及监考机器人 |
| CN108830150A (zh) * | 2018-05-07 | 2018-11-16 | 山东师范大学 | 一种基于三维人体姿态估计方法及装置 |
| CN109508656A (zh) * | 2018-10-29 | 2019-03-22 | 重庆中科云丛科技有限公司 | 一种舞蹈评级自动判别方法、系统及计算机可读存储介质 |
| CN109508661A (zh) * | 2018-10-31 | 2019-03-22 | 上海交通大学 | 一种基于物体检测和姿态估计的举手者检测方法 |
-
2019
- 2019-04-25 CN CN201910336784.8A patent/CN110032992B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103926999A (zh) * | 2013-01-16 | 2014-07-16 | 株式会社理光 | 手掌开合手势识别方法和装置、人机交互方法和设备 |
| CN105959624A (zh) * | 2016-05-03 | 2016-09-21 | 方筠捷 | 考场监控数据处理方法及其实现的自动监考系统 |
| CN108509936A (zh) * | 2018-04-11 | 2018-09-07 | 四川文理学院 | 机器人控制方法、装置及监考机器人 |
| CN108830150A (zh) * | 2018-05-07 | 2018-11-16 | 山东师范大学 | 一种基于三维人体姿态估计方法及装置 |
| CN109508656A (zh) * | 2018-10-29 | 2019-03-22 | 重庆中科云丛科技有限公司 | 一种舞蹈评级自动判别方法、系统及计算机可读存储介质 |
| CN109508661A (zh) * | 2018-10-31 | 2019-03-22 | 上海交通大学 | 一种基于物体检测和姿态估计的举手者检测方法 |
Non-Patent Citations (7)
| Title |
|---|
| 一种改进的DTW算法的动作感知研究;何剑彬等;《计算机时代》;20180815(第08期);第55-57页 * |
| 基于人体姿态估计的用户偏好分析系统;刘慧娟等;《天津科技》;20190415(第04期);第1-2节，图2-4 * |
| 基于卡尔曼滤波的考生异常行为检测与识别;张银霞等;《齐齐哈尔大学学报(自然科学版)》;20171115(第06期);第19-22页 * |
| 基于多维度体感信息的在线考试异常行为监测;范子健等;《计算机工程与科学》;20180215(第02期);第134-139页 * |
| 基于计算机视觉的运动员错误动作识别模型构建及仿真;高亮;《微型电脑应用》;20180620(第06期);第245-249页 * |
| 考场异常行为检测算法;戴金波等;《吉林大学学报(工学版)》;20120915;第1-3节，图1-4 * |
| 考生异常行为识别技术研究;李凌;《淮北职业技术学院学报》;20170615(第03期);第133-135页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110032992A (zh) | 2019-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110032992B (zh) | 一种基于姿态的考试作弊检测方法 | |
| CN109948469B (zh) | 基于深度学习的巡检机器人仪表自动检测识别方法 | |
| Ahmed et al. | Vision based hand gesture recognition using dynamic time warping for Indian sign language | |
| CN111161320B (zh) | 一种目标跟踪方法、目标跟踪装置及计算机可读介质 | |
| CN107103613B (zh) | 一种三维手势姿态估计方法 | |
| WO2013015528A1 (en) | Apparatus, method, and medium detecting object pose | |
| WO2018028546A1 (zh) | 一种关键点的定位方法及终端、计算机存储介质 | |
| CN111914635B (zh) | 人体测温方法、装置、系统和电子设备 | |
| CN105760836A (zh) | 基于深度学习的多角度人脸对齐方法、系统及拍摄终端 | |
| CN110969045B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
| CN110163112B (zh) | 一种考生姿态分割与平滑方法 | |
| CN112541403A (zh) | 一种利用红外摄像头的室内人员跌倒检测方法 | |
| Ziaeefard et al. | Hierarchical human action recognition by normalized-polar histogram | |
| Han et al. | Multiple human association between top and horizontal views by matching subjects' spatial distributions | |
| CN109145752A (zh) | 用于评估对象检测和跟踪算法的方法、装置、设备和介质 | |
| CN114332927A (zh) | 课堂举手行为检测方法、系统、计算机设备和存储介质 | |
| Zhong et al. | DynaTM-SLAM: Fast filtering of dynamic feature points and object-based localization in dynamic indoor environments | |
| US20220300774A1 (en) | Methods, apparatuses, devices and storage media for detecting correlated objects involved in image | |
| CN113536926A (zh) | 基于距离向量和多角度自适应网络的人体动作识别方法 | |
| CN117788444A (zh) | Smt贴片偏移检测方法、装置及视觉检测系统 | |
| CN111507289A (zh) | 视频匹配方法、计算机设备和存储介质 | |
| CN113807191B (zh) | 一种非侵入式可视化测试脚本自动录制方法 | |
| CN113327236B (zh) | 新型冠状病毒抗体快速检测试剂的识别方法及系统 | |
| CN111860100B (zh) | 行人数量的确定方法、装置、电子设备及可读存储介质 | |
| CN112989083B (zh) | 人员身份分析方法、装置、设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201104 Address after: Room d09-629, international software park, No. 863-9, shangshengou village, Hunnan District, Shenyang City, Liaoning Province Applicant after: Shenyang Tuwei Technology Co.,Ltd. Address before: 110136, Liaoning, Shenyang, Shenbei New Area moral South Avenue No. 37 Applicant before: SHENYANG AEROSPACE University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |