CN111274956A - 一种监测驾考的方法及装置 - Google Patents
一种监测驾考的方法及装置 Download PDFInfo
- Publication number
- CN111274956A CN111274956A CN202010064103.XA CN202010064103A CN111274956A CN 111274956 A CN111274956 A CN 111274956A CN 202010064103 A CN202010064103 A CN 202010064103A CN 111274956 A CN111274956 A CN 111274956A
- Authority
- CN
- China
- Prior art keywords
- driving test
- monitoring
- video data
- characteristic
- preset
- 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.)
- Withdrawn
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 282
- 238000012544 monitoring process Methods 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000006399 behavior Effects 0.000 claims abstract description 144
- 238000013507 mapping Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000001815 facial effect Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 3
- 238000012950 reanalysis Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 69
- 230000009471 action Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000209202 Bromus secalinus Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 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
- 238000012797 qualification Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/235—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on user input or interaction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明提供了一种监测驾考的方法及装置，其中，方法包括：从摄像头传输的驾考视频数据中，依据预先设置的监测部位与疑似特征行为的映射关系库，获取所述驾考视频数据中包含的监测部位，以及，该监测部位对应的特征行为；确定获取的监测部位对应的特征行为与所述映射关系库中该监测部位映射的疑似特征行为相匹配，调整所述摄像头，以使所述摄像头聚焦该监测部位对应的目标驾考人员；获取预定帧数的所述目标驾考人员的驾考视频数据中包含的监测部位对应的监测特征行为；统计与所述映射关系库中疑似特征行为相匹配的监测特征行为数，若所述监测特征行为数不少于预定阈值，依据预先设置的策略对所述目标驾考人员进行处理。可以提高驾考的监测效率。
Description
技术领域
本发明涉及监控技术领域，具体而言，涉及一种监测驾考的方法及装置。
背景技术
随着我国经济的迅速发展，家庭的车辆拥有量越来越多，使得每年约新增三千万驾驶人员。面对日益严峻的道路交通安全形势，为了有效提升驾驶人员的驾驶技能，因而，避免或减少驾驶技能交叉的驾驶人员在驾考中由于作弊而获取驾驶执照，对于驾驶人员的驾考进行有效监测显得尤为必要。
目前，在驾考监测中，通常采用人工监测方式，结合考场巡查方式，在确定驾驶人员存在作弊行为时，进行现场视频录像以存储证据，但该监测驾考的方法，需要投入大量的人力，例如，每个考点最少需要配置2到3名监考人员，且监考人员由于视线的盲角，对驾驶人员的监测存在遗漏，使得驾考的监测效率较低，监测的准确性不高。
发明内容
有鉴于此，本发明的目的在于提供监测驾考的方法及装置，以提高驾考的监测效率。
第一方面，本发明实施例提供了监测驾考的方法，包括：
从摄像头传输的驾考视频数据中，依据预先设置的监测部位与疑似特征行为的映射关系库，获取所述驾考视频数据中包含的监测部位，以及，该监测部位对应的特征行为；
确定获取的监测部位对应的特征行为与所述映射关系库中该监测部位映射的疑似特征行为相匹配，调整所述摄像头，以使所述摄像头聚焦该监测部位对应的目标驾考人员；
获取预定帧数的所述目标驾考人员的驾考视频数据中包含的监测部位对应的监测特征行为；
统计与所述映射关系库中疑似特征行为相匹配的监测特征行为数，若所述监测特征行为数不少于预定阈值，依据预先设置的策略对所述目标驾考人员进行处理。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，构建所述映射关系库，包括：
从认定为作弊的各驾考作弊视频数据中，获取预设的监测部位对应的特征行为；
针对每一监测部位，对各驾考作弊视频数据中该监测部位对应的特征行为进行处理，得到该监测部位对应的疑似特征行为；
依据各监测部位分别对应的疑似特征行为，构建监测部位与疑似特征行为的映射关系库。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述统计与所述映射关系库中疑似特征行为相匹配的监测特征行为数，包括：
对于每一帧所述目标驾考人员的驾考视频数据，获取该帧驾考视频数据中包含的各监测部位，针对每一监测部位，若该监测部位对应的监测特征行为与所述映射关系库中该监测部位映射的疑似特征行为相匹配，进行计数，直至计数完所有帧驾考视频数据。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述依据预先设置的策略对所述目标驾考人员进行处理，包括：
将所述预定帧数的所述目标驾考人员的驾考视频数据发送至预先设置的驾考审核人员，以使所述驾考审核人员依据接收的驾考视频数据，确定所述目标驾考人员是否作弊。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述方法还包括：
确定所述目标驾考人员作弊后，对所述目标驾考人员进行作弊处理，存储所述预定帧数的所述目标驾考人员的驾考视频数据。
结合第一方面的第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，在对所述目标驾考人员进行作弊处理后，所述方法还包括：
调整所述摄像头至初始设置状态。
结合第一方面、第一方面的第一种可能的实施方式至第五种可能的实施方式中的任一种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，在所述依据预先设置的监测部位与疑似特征行为的映射关系库，获取所述驾考视频数据中包含的监测部位之前，所述方法还包括：
从所述驾考视频数据中，确定包含的驾考人员；
针对每一驾考人员，确定该驾考人员的当前位置，以及，提取该驾考人员的脸部特征；
查询预设设置的驾考人员分布图，获取所述当前位置对应的驾考人员的脸部特征；
针对所述当前位置，判断获取的脸部特征与提取的脸部特征是否匹配，若不匹配，输出警示信息。
第二方面，本发明实施例还提供了一种监测驾考的装置，包括：
特征行为获取模块，用于从摄像头传输的驾考视频数据中，依据预先设置的监测部位与疑似特征行为的映射关系库，获取所述驾考视频数据中包含的监测部位，以及，该监测部位对应的特征行为；
匹配模块，用于确定获取的监测部位对应的特征行为与所述映射关系库中该监测部位映射的疑似特征行为相匹配，调整所述摄像头，以使所述摄像头聚焦该监测部位对应的目标驾考人员；
视频数据再分析模块，用于获取预定帧数的所述目标驾考人员的驾考视频数据中包含的监测部位对应的监测特征行为；
驾考分析模块，用于统计与所述映射关系库中疑似特征行为相匹配的监测特征行为数，若所述监测特征行为数不少于预定阈值，依据预先设置的策略对所述目标驾考人员进行处理。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的监测驾考的的方法及装置，通过从摄像头传输的驾考视频数据中，依据预先设置的监测部位与疑似特征行为的映射关系库，获取所述驾考视频数据中包含的监测部位，以及，该监测部位对应的特征行为；确定获取的监测部位对应的特征行为与所述映射关系库中该监测部位映射的疑似特征行为相匹配，调整所述摄像头，以使所述摄像头聚焦该监测部位对应的目标驾考人员；获取预定帧数的所述目标驾考人员的驾考视频数据中包含的监测部位对应的监测特征行为；统计与所述映射关系库中疑似特征行为相匹配的监测特征行为数，若所述监测特征行为数不少于预定阈值，依据预先设置的策略对所述目标驾考人员进行处理。这样，通过摄像头获取驾考视频数据，结合监测部位与疑似特征行为的映射关系库进行疑似作弊人员的快速、精准识别，有效减少了考点或考场需要配置的监考人员或巡视员，有效提升了驾考的监测效率以及监测的准确性。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的监测驾考的方法流程示意图；
图2示出了本发明实施例所提供的监测驾考的装置结构示意图；
图3为本申请实施例提供的一种计算机设备300的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种监测驾考的方法及装置，下面通过实施例进行描述。
图1示出了本发明实施例所提供的监测驾考的方法流程示意图。如图1所示，该方法包括：
步骤101，从摄像头传输的驾考视频数据中，依据预先设置的监测部位与疑似特征行为的映射关系库，获取所述驾考视频数据中包含的监测部位，以及，该监测部位对应的特征行为；
本发明实施例中，在驾考人员所在的驾考空间内，布设高清可调控摄像头，该清可调控摄像头可以依据接收的远程控制指令执行相应动作，例如，可以依据偏转指令使摄像头的拍摄角度执行相应的偏转，依据数据传输指令，将拍摄存储的驾考视频数据进行传输。
本发明实施例中，作为一可选实施例，布设的高清可调控摄像头的数量以及位置可依据实际需要进行设置，例如，对于交通法规驾考，高清可调控摄像头可布设在考室四周、考室中心、考室四侧中心等，对于道路驾考，可布设在驾考人员正前方及正前方两侧。这样，利用高清摄像头，使用形态学和物体识别的算法，可以获取当前驾考的实时视频数据(驾考视频数据)。
本发明实施例中，作为一可选实施例，预先构建针对驾考人员作弊的映射关系库，在映射关系库中，存储驾考人员在作弊时经常用到的部位(监测部位)以及该部位在作弊时对应的动作(特征行为)。作为一可选实施例，构建所述映射关系库，包括：
A11,从认定为作弊的各驾考作弊视频数据中，获取预设的监测部位对应的特征行为；
本发明实施例中，作为一可选实施例，预设的监测部位是驾考作弊时用到的部位，包括但不限于：嘴、胳膊、头部、身体等。其中，嘴对应的特征行为，包括但不限于：嘴张合度，胳膊对应的特征行为，包括但不限于：胳膊所处高度，头部对应的特征行为，包括但不限于：头部活动幅度(上下、左右)，身体对应的特征行为，包括但不限于：身体倾斜度、身体距离座椅的距离等。
A12,针对每一监测部位，对各驾考作弊视频数据中该监测部位对应的特征行为进行处理，得到该监测部位对应的疑似特征行为；
本发明实施例中，作为一可选实施例，可以对监测部位对应的特征行为进行数值化后平均处理，依据平均处理得到的平均值与方差，确定疑似特征行为。例如，以头部活动幅度为例，统计作弊的驾考人员向左偏移幅值的平均值，结合该向左偏移的方差，得到作弊时头部向左偏移的幅值范围，例如，确定头部向左偏移20度至120度为头部对应的疑似特征行为之一。
A13,依据各监测部位分别对应的疑似特征行为，构建监测部位与疑似特征行为的映射关系库。
本发明实施例中，作为另一可选实施例，在映射关系库中，还可以对疑似特征行为进行作弊风险等级分级，例如，对于头部对应的疑似特征行为向左偏移20度至120度的情形，定义向左(向右)偏移20度至40度之间为作弊低风险等级，向左(向右)偏移40度至60度之间为作弊中风险等级，以及，向左(向右)偏移60度至120度之间为作弊高风险等级。作为一可选实施例，可以只对处于作弊中风险等级或作弊高风险等级的驾考人员进行后续处理。当然，实际应用中，对于作弊风险等级分级，也可以结合各监测部位对应的特征行为，例如，对于作弊高风险等级，要求满足：头部向左(向右)偏移60度至120度之间，且身侧幅度在70度至80度之间，且身体倾斜度在10度至20度之间，本发明实施例对此不作限定。
本发明实施例中，在驾考中，还可以对驾考人员进行身份认证，以避免冒名顶替驾考，因而，作为一可选实施例，在所述依据预先设置的监测部位与疑似特征行为的映射关系库，获取所述驾考视频数据中包含的监测部位之前，该方法还包括：
A21，从所述驾考视频数据中，确定包含的驾考人员；
本发明实施例中，对于道路驾考，驾考视频数据中包含的驾考人员一般为一人，对于交通法规驾考，驾考视频数据中包含的驾考人员为多人。作为一可选实施例，可通过驾考视频数据中的头部特征识别，识别出驾考视频数据包含的驾考人员。
A22，针对每一驾考人员，确定该驾考人员的当前位置，以及，提取该驾考人员的脸部特征；
本发明实施例中，依据脸部特征对驾考人员进行身份认证。
A23，查询预设设置的驾考人员分布图，获取所述当前位置对应的驾考人员的脸部特征；
本发明实施例中，对于交通法规驾考，预先为每一驾考人员分配相应的座位(位置)，依据分配的座位绘制驾考人员分布图。
A24，针对所述当前位置，判断获取的脸部特征与提取的脸部特征是否匹配，若不匹配，输出警示信息。
本发明实施例中，通过比对同一位置处，驾考人员分布图中该位置对应的脸部特征，以及，驾考视频数据中该位置对应的脸部特征，可以对驾考人员进行认证。
步骤102，确定获取的监测部位对应的特征行为与所述映射关系库中该监测部位映射的疑似特征行为相匹配，调整所述摄像头，以使所述摄像头聚焦该监测部位对应的目标驾考人员；
本发明实施例中，作为一可选实施例，对于同一驾考人员的驾考视频数据，该驾考视频数据中会包含一个或多个监测部位，只要其中任意一个监测部位对应的特征行为符合该监测部位对应或映射的疑似特征行为，即认为该驾考人员为疑似作弊人员。例如，若获取的监测部位为头部，对应的特征行为为头部向左偏移60度，位于映射关系库中头部对应的疑似特征行为(向左偏移20度至120度)范围内，则可确认该驾考人员为疑似作弊人员，可以对该驾考人员作进一步确认。
步骤103，获取预定帧数的所述目标驾考人员的驾考视频数据中包含的监测部位对应的监测特征行为；
本发明实施例中，作为一可选实施例，使摄像头连续拍摄该驾考人员的驾考视频数据，通过分析驾考视频数据中的每一帧图像，得到每一帧图像包含的监测部位对应的监测特征行为。
步骤104，统计与所述映射关系库中疑似特征行为相匹配的监测特征行为数，若所述监测特征行为数不少于预定阈值，依据预先设置的策略对所述目标驾考人员进行处理。
本发明实施例中，作为一可选实施例，使摄像头连续拍摄该驾考人员的驾考视频数据，通过分析驾考视频数据中的每一帧图像，得到每一帧图像包含的监测部位对应的监测特征行为。
本发明实施例中，作为一可选实施例，统计与所述映射关系库中疑似特征行为相匹配的监测特征行为数，包括：
对于每一帧所述目标驾考人员的驾考视频数据，获取该帧驾考视频数据中包含的各监测部位，针对每一监测部位，若该监测部位对应的监测特征行为与所述映射关系库中该监测部位映射的疑似特征行为相匹配，进行计数，直至计数完所有帧驾考视频数据。
本发明实施例中，预定阈值可依据实际需要设置。
本发明实施例中，作为一可选实施例，依据预先设置的策略对所述目标驾考人员进行处理，包括：
通知巡视员对所述目标驾考人员进行警示。
本发明实施例中，在确认目标驾考人员疑似作弊后，向巡视员的终端设备发送该目标驾考人员的位置信息，以使巡视员依据位置信息对该目标驾考人员进行警示，使其放弃作弊的行为。
本发明实施例中，本发明实施例中，作为再一可选实施例，该方法还包括：
若通知巡视员对所述驾考人员进行警示的次数超过预设次数阈值，确定所述驾考人员为作弊人员。
本发明实施例中，若对同一驾考人员的警示次数超过预先设置的次数阈值，例如，两次或三次，则确定该驾考人员在作弊，对该驾考人员进行处理，例如，取消该驾考人员驾考资格等。
本发明实施例中，为了提升监测的准确性，作为另一可选实施例，依据预先设置的策略对所述驾考人员进行处理，包括：
将所述预定帧数的所述目标驾考人员的驾考视频数据发送至预先设置的驾考审核人员，以使所述驾考审核人员依据接收的驾考视频数据，确定所述目标驾考人员是否作弊。
本发明实施例中，作为一可选实施例，驾考审核人员可以是专业的驾考图像分析人员，也可以是现场监考人员或巡视员。通过将驾考视频数据推送至驾考审核人员进行再次研判、审核、确认，从而可以提升监考的准确性，并便于驾考审核人员及时进行快速处置。
本发明实施例中，作为一可选实施例，该方法还包括：
确定所述目标驾考人员作弊后，对所述目标驾考人员进行作弊处理，存储所述预定帧数的所述目标驾考人员的驾考视频数据。
本发明实施例中，确定目标驾考人员作弊后，可以对该目标驾考人员进行警告，或者，直接将该目标驾考人员请出考场，同时，通过存储作弊人员的驾考视频数据以留存证据。
本发明实施例中，作为另一可选实施例，在对所述目标驾考人员进行作弊处理后，该方法还包括：
调整所述摄像头至初始设置状态。
本发明实施例中，通过将摄像头调整至初始设置状态，从而可以重新对全部驾考人员进行监测。
本发明实施例中，作为再一可选实施例，在确定目标驾考人员作弊后，该方法还包括：
将获取的预定帧数的所述目标驾考人员的驾考视频数据中包含的监测部位对应的监测特征行为输出至映射关系库，以使映射关系库依据接收的监测部位对应的监测特征行为，对该监测部位映射的疑似特征行为进行更新。
本发明实施例的监测驾考的方法，从摄像头传输的驾考视频数据中，依据预先设置的监测部位与疑似特征行为的映射关系库，获取所述驾考视频数据中包含的监测部位，以及，该监测部位对应的特征行为；确定获取的监测部位对应的特征行为与所述映射关系库中该监测部位映射的疑似特征行为相匹配，调整所述摄像头，以使所述摄像头聚焦该监测部位对应的目标驾考人员；获取预定帧数的所述目标驾考人员的驾考视频数据中包含的监测部位对应的监测特征行为；统计与所述映射关系库中疑似特征行为相匹配的监测特征行为数，若所述监测特征行为数不少于预定阈值，依据预先设置的策略对所述目标驾考人员进行处理。这样，通过摄像头获取驾考视频数据，结合监测部位与疑似特征行为的映射关系库进行疑似作弊人员的快速、精准识别、分析和研判，发现疑似作弊动作或疑似作弊行为，有效减少了考点或考场需要配置的监考人员或巡视员，大大释放有效现场监考人力，有效提升了驾考的监测效率以及监测的准确性，且由于摄像头能够实现考点的全范围覆盖，不存在视线的盲角，能够全面监测驾考人员，进一步提升了监测的准确性，能够精准打击考场或考点作弊现象，实现驾考的公正公平。
图2示出了本发明实施例所提供的监测驾考的装置结构示意图。如图2所示，该监测驾考的装置包括：
特征行为获取模块201，用于从摄像头传输的驾考视频数据中，依据预先设置的监测部位与疑似特征行为的映射关系库，获取所述驾考视频数据中包含的监测部位，以及，该监测部位对应的特征行为；
本发明实施例中，作为一可选实施例，构建所述映射关系库，包括：
从认定为作弊的各驾考作弊视频数据中，获取预设的监测部位对应的特征行为；
针对每一监测部位，对各驾考作弊视频数据中该监测部位对应的特征行为进行处理，得到该监测部位对应的疑似特征行为；
依据各监测部位分别对应的疑似特征行为，构建监测部位与疑似特征行为的映射关系库。
本发明实施例中，预设的监测部位包括但不限于：嘴、胳膊、头部、身体等。其中，嘴对应的特征行为，包括但不限于：嘴张合度，胳膊对应的特征行为，包括但不限于：胳膊所处高度，头部对应的特征行为，包括但不限于：头部上下、左右活动幅度，身体对应的特征行为，包括但不限于：身体倾斜度、身体距离座椅的距离等。
本发明实施例中，作为另一可选实施例，在映射关系库中，还可以对疑似特征行为进行作弊风险等级分级。
匹配模块202，用于确定获取的监测部位对应的特征行为与所述映射关系库中该监测部位映射的疑似特征行为相匹配，调整所述摄像头，以使所述摄像头聚焦该监测部位对应的目标驾考人员；
本发明实施例中，作为一可选实施例，对于同一驾考人员的驾考视频数据，该驾考视频数据中会包含一个或多个监测部位，只要其中任意一个监测部位对应的特征行为符合该监测部位对应或映射的疑似特征行为，即认为该驾考人员为疑似作弊人员。
视频数据再分析模块203，用于获取预定帧数的所述目标驾考人员的驾考视频数据中包含的监测部位对应的监测特征行为；
本发明实施例中，作为一可选实施例，使摄像头连续拍摄该驾考人员的驾考视频数据，通过分析驾考视频数据中的每一帧图像，得到每一帧图像包含的监测部位对应的监测特征行为。
驾考分析模块204，用于统计与所述映射关系库中疑似特征行为相匹配的监测特征行为数，若所述监测特征行为数不少于预定阈值，依据预先设置的策略对所述目标驾考人员进行处理。
本发明实施例中，作为一可选实施例，所述统计与所述映射关系库中疑似特征行为相匹配的监测特征行为数，包括：
对于每一帧所述目标驾考人员的驾考视频数据，获取该帧驾考视频数据中包含的各监测部位，针对每一监测部位，若该监测部位对应的监测特征行为与所述映射关系库中该监测部位映射的疑似特征行为相匹配，进行计数，直至计数完所有帧驾考视频数据。
本发明实施例中，作为一可选实施例，所述依据预先设置的策略对所述目标驾考人员进行处理，包括：
将所述预定帧数的所述目标驾考人员的驾考视频数据发送至预先设置的驾考审核人员，以使所述驾考审核人员依据接收的驾考视频数据，确定所述目标驾考人员是否作弊。
本发明实施例中，作为一可选实施例，驾考审核人员可以是专业的驾考图像分析人员，也可以是现场监考人员或巡视员。通过将驾考视频数据推送至驾考审核人员进行再次研判、审核、确认，从而可以提升监考的准确性，并便于驾考审核人员及时进行快速处置。
本发明实施例中，作为一可选实施例，驾考分析模块204还用于：
确定所述目标驾考人员作弊后，对所述目标驾考人员进行作弊处理，存储所述预定帧数的所述目标驾考人员的驾考视频数据。
本发明实施例中，作为另一可选实施例，驾考分析模块204还用于：
在对所述目标驾考人员进行作弊处理后，调整所述摄像头至初始设置状态。
本发明实施例中，作为一可选实施例，依据预先设置的策略对所述目标驾考人员进行处理，包括：
通知巡视员对所述目标驾考人员进行警示。
本发明实施例中，作为一可选实施例，驾考分析模块204还用于：
若通知巡视员对所述驾考人员进行警示的次数超过预设次数阈值，确定所述驾考人员为作弊人员。
本发明实施例中，作为一可选实施例，该装置还包括：
认证模块(图中未示出)，用于从所述驾考视频数据中，确定包含的驾考人员；针对每一驾考人员，确定该驾考人员的当前位置，以及，提取该驾考人员的脸部特征；查询预设设置的驾考人员分布图，获取所述当前位置对应的驾考人员的脸部特征；针对所述当前位置，判断获取的脸部特征与提取的脸部特征是否匹配，若不匹配，输出警示信息。
如图3所示，本申请一实施例提供了一种计算机设备300，用于执行图1中的监测驾考的方法，该设备包括存储器301、处理器302及存储在该存储器301上并可在该处理器302上运行的计算机程序，其中，上述处理器302执行上述计算机程序时实现上述监测驾考的方法的步骤。
具体地，上述存储器301和处理器302能够为通用的存储器和处理器，这里不做具体限定，当处理器302运行存储器301存储的计算机程序时，能够执行上述监测驾考的方法。
对应于图1中的监测驾考的方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述监测驾考的方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述监测驾考的方法。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，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单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种监测驾考的方法，其特征在于，包括：
从摄像头传输的驾考视频数据中，依据预先设置的监测部位与疑似特征行为的映射关系库，获取所述驾考视频数据中包含的监测部位，以及，该监测部位对应的特征行为；
确定获取的监测部位对应的特征行为与所述映射关系库中该监测部位映射的疑似特征行为相匹配，调整所述摄像头，以使所述摄像头聚焦该监测部位对应的目标驾考人员；
获取预定帧数的所述目标驾考人员的驾考视频数据中包含的监测部位对应的监测特征行为；
统计与所述映射关系库中疑似特征行为相匹配的监测特征行为数，若所述监测特征行为数不少于预定阈值，依据预先设置的策略对所述目标驾考人员进行处理。
2.根据权利要求1所述的方法，其特征在于，构建所述映射关系库，包括：
从认定为作弊的各驾考作弊视频数据中，获取预设的监测部位对应的特征行为；
针对每一监测部位，对各驾考作弊视频数据中该监测部位对应的特征行为进行处理，得到该监测部位对应的疑似特征行为；
依据各监测部位分别对应的疑似特征行为，构建监测部位与疑似特征行为的映射关系库。
3.根据权利要求1所述的方法，其特征在于，所述统计与所述映射关系库中疑似特征行为相匹配的监测特征行为数，包括：
对于每一帧所述目标驾考人员的驾考视频数据，获取该帧驾考视频数据中包含的各监测部位，针对每一监测部位，若该监测部位对应的监测特征行为与所述映射关系库中该监测部位映射的疑似特征行为相匹配，进行计数，直至计数完所有帧驾考视频数据。
4.根据权利要求1所述的方法，其特征在于，所述依据预先设置的策略对所述目标驾考人员进行处理，包括：
将所述预定帧数的所述目标驾考人员的驾考视频数据发送至预先设置的驾考审核人员，以使所述驾考审核人员依据接收的驾考视频数据，确定所述目标驾考人员是否作弊。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
确定所述目标驾考人员作弊后，对所述目标驾考人员进行作弊处理，存储所述预定帧数的所述目标驾考人员的驾考视频数据。
6.根据权利要求5所述的方法，其特征在于，在对所述目标驾考人员进行作弊处理后，所述方法还包括：
调整所述摄像头至初始设置状态。
7.根据权利要求1至6任一项所述的方法，其特征在于，在所述依据预先设置的监测部位与疑似特征行为的映射关系库，获取所述驾考视频数据中包含的监测部位之前，所述方法还包括：
从所述驾考视频数据中，确定包含的驾考人员；
针对每一驾考人员，确定该驾考人员的当前位置，以及，提取该驾考人员的脸部特征；
查询预设设置的驾考人员分布图，获取所述当前位置对应的驾考人员的脸部特征；
针对所述当前位置，判断获取的脸部特征与提取的脸部特征是否匹配，若不匹配，输出警示信息。
8.一种监测驾考的装置，其特征在于，包括：
特征行为获取模块，用于从摄像头传输的驾考视频数据中，依据预先设置的监测部位与疑似特征行为的映射关系库，获取所述驾考视频数据中包含的监测部位，以及，该监测部位对应的特征行为；
匹配模块，用于确定获取的监测部位对应的特征行为与所述映射关系库中该监测部位映射的疑似特征行为相匹配，调整所述摄像头，以使所述摄像头聚焦该监测部位对应的目标驾考人员；
视频数据再分析模块，用于获取预定帧数的所述目标驾考人员的驾考视频数据中包含的监测部位对应的监测特征行为；
驾考分析模块，用于统计与所述映射关系库中疑似特征行为相匹配的监测特征行为数，若所述监测特征行为数不少于预定阈值，依据预先设置的策略对所述目标驾考人员进行处理。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的监测驾考的方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至7任一所述的监测驾考的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010064103.XA CN111274956A (zh) | 2020-01-20 | 2020-01-20 | 一种监测驾考的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010064103.XA CN111274956A (zh) | 2020-01-20 | 2020-01-20 | 一种监测驾考的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111274956A true CN111274956A (zh) | 2020-06-12 |
Family
ID=70996846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010064103.XA Withdrawn CN111274956A (zh) | 2020-01-20 | 2020-01-20 | 一种监测驾考的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111274956A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113901895A (zh) * | 2021-09-18 | 2022-01-07 | 武汉未来幻影科技有限公司 | 一种车辆的开门动作识别方法、装置以及处理设备 |
| CN115063892A (zh) * | 2022-08-19 | 2022-09-16 | 北京竞业达数字系统科技有限公司 | 一种考场异常行为检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014064186A (ja) * | 2012-09-21 | 2014-04-10 | Hitachi Kokusai Electric Inc | 試験会場用監視カメラシステム |
| 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、系统及设备 |
| CN107292783A (zh) * | 2017-06-26 | 2017-10-24 | 深圳市斯维尔科技股份有限公司 | 在线考试监考方法、装置、终端及计算机可读存储介质 |
| CN107491717A (zh) * | 2016-06-13 | 2017-12-19 | 科大讯飞股份有限公司 | 考试作弊检测方法和装置 |
| CN108334846A (zh) * | 2018-02-06 | 2018-07-27 | 高强 | 一种智能考场监考方法及系统 |
| CN109711292A (zh) * | 2018-12-13 | 2019-05-03 | 深圳市赛特雷德科技有限公司 | 一种智能监考方法及装置 |
| 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 |
-
2020
- 2020-01-20 CN CN202010064103.XA patent/CN111274956A/zh not_active Withdrawn
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014064186A (ja) * | 2012-09-21 | 2014-04-10 | Hitachi Kokusai Electric Inc | 試験会場用監視カメラシステム |
| 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、系统及设备 |
| CN107491717A (zh) * | 2016-06-13 | 2017-12-19 | 科大讯飞股份有限公司 | 考试作弊检测方法和装置 |
| CN107292783A (zh) * | 2017-06-26 | 2017-10-24 | 深圳市斯维尔科技股份有限公司 | 在线考试监考方法、装置、终端及计算机可读存储介质 |
| CN108334846A (zh) * | 2018-02-06 | 2018-07-27 | 高强 | 一种智能考场监考方法及系统 |
| CN109711292A (zh) * | 2018-12-13 | 2019-05-03 | 深圳市赛特雷德科技有限公司 | 一种智能监考方法及装置 |
| 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 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113901895A (zh) * | 2021-09-18 | 2022-01-07 | 武汉未来幻影科技有限公司 | 一种车辆的开门动作识别方法、装置以及处理设备 |
| CN113901895B (zh) * | 2021-09-18 | 2022-09-27 | 武汉未来幻影科技有限公司 | 一种车辆的开门动作识别方法、装置以及处理设备 |
| CN115063892A (zh) * | 2022-08-19 | 2022-09-16 | 北京竞业达数字系统科技有限公司 | 一种考场异常行为检测方法及系统 |
| CN115063892B (zh) * | 2022-08-19 | 2022-11-11 | 北京竞业达数字系统科技有限公司 | 一种考场异常行为检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111274956A (zh) | 一种监测驾考的方法及装置 | |
| CN108334846A (zh) | 一种智能考场监考方法及系统 | |
| CN110889376A (zh) | 一种基于深度学习的安全帽佩戴检测系统及方法 | |
| US9679216B2 (en) | Morphological automatic triangle orientation detection | |
| US11715333B2 (en) | Human monitoring system incorporating calibration methodology | |
| CN111382672A (zh) | 在线考试的作弊监测方法和装置 | |
| CN116206258A (zh) | 一种基于考生行为检测统计的远程考场监控系统及方法 | |
| CN109389040B (zh) | 一种作业现场人员安全着装的检查方法及装置 | |
| DE102016000210A1 (de) | Dartspiel-Automat mit Kontroll- und Simulationsfunktionen | |
| CN109559342B (zh) | 动物体长的测量方法和装置 | |
| DE60221529T2 (de) | System und verfahren zur messung der relativen position eines objektes bezüglich eines bezugspunktes | |
| Fan et al. | Gesture based misbehavior detection in online examination | |
| CN113822151A (zh) | 用于监测市场内部人员聚集密度的方法和系统 | |
| CN111860512B (zh) | 一种车辆识别方法、装置、电子设备及计算机可读存储介质 | |
| WO2015017883A1 (en) | Driving infringement flagging system | |
| CN111811667A (zh) | 温度检测方法、装置、电子设备及可读存储介质 | |
| WO2020144210A1 (de) | Verfahren und system zum golftraining | |
| CN116070909A (zh) | 识别代驾风险的方法、装置、设备和存储介质 | |
| CN114998778A (zh) | 一种穿戴合规检测方法、检测装置和计算机可读存储介质 | |
| CN114550064A (zh) | 标准化考场视频监控数据分析系统 | |
| CN110909704A (zh) | 一种活体检测方法、装置、电子设备及存储介质 | |
| CN113674309B (zh) | 对象追踪的方法、装置、管理平台以及存储介质 | |
| CN111553203A (zh) | 一种考试舞弊行为的监测方法和装置 | |
| CN111329499B (zh) | 一种驾驶干扰度的测试方法、系统、装置及设备 | |
| CN114782851A (zh) | Ar设备的控制系统和方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200612 |