CN115063892B - 一种考场异常行为检测方法及系统 - Google Patents
一种考场异常行为检测方法及系统 Download PDFInfo
- Publication number
- CN115063892B CN115063892B CN202210997005.0A CN202210997005A CN115063892B CN 115063892 B CN115063892 B CN 115063892B CN 202210997005 A CN202210997005 A CN 202210997005A CN 115063892 B CN115063892 B CN 115063892B
- Authority
- CN
- China
- Prior art keywords
- abnormal behavior
- examination room
- information
- personnel
- abnormal
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种考场异常行为检测方法及系统,涉及图像数据处理领域,其中,所述方法包括:获取考场人员信息;根据考场异常行为场景,构建考场异常行为特征库;基于目标检测法对考场人员信息进行姿态跟踪,获得姿态信息数据集;并将其与考场异常行为特征库进行特征匹配,获得异常行为特征匹配度集合;对异常行为特征匹配度集合中超过预设异常特征值的人员和行为进行统计判定,获得异常行为人员信息;根据监考员行为特征对监考员位置进行更新;利用跟踪法和监考员位置对异常行为人员信息进行排除修正,获得考场异常行为检测结果。达到了提高考场异常行为检测的准确性及全面性,进而提高考场异常行为检测的质量等技术效果。
Description
技术领域
本发明涉及图像数据处理领域,具体地,涉及一种考场异常行为检测方法及系统。
背景技术
通过考场视频数据、现场监考老师等传统方式对考生进行异常行为检测时,工作强度大,且容易发生漏检、误检等情况。随着考生数量的急剧增加,现代考试竞争更加激烈,考试的公平性更加重要。研究设计一种优化考场异常行为检测的方法具有重要的实际意义。
现有技术中,存在针对考场异常行为检测的准确性不足、全面性不高,进而造成考场异常行为检测的效果不佳的技术问题。
发明内容
本申请提供了一种考场异常行为检测方法及系统。解决了现有技术中针对考场异常行为检测的准确性不足、全面性不高,进而造成考场异常行为检测的效果不佳的技术问题。
鉴于上述问题,本申请提供了一种考场异常行为检测方法及系统。
第一方面,本申请提供了一种考场异常行为检测方法,其中,所述考场异常行为检测方法应用于一种考场异常行为检测系统,所述系统包括一图像采集装置,所述考场异常行为检测方法包括:通过所述图像采集装置获取考场人员信息;获取考场异常行为场景,根据所述考场异常行为场景,构建考场异常行为特征库;基于目标检测法对所述考场人员信息中的各考场人员进行姿态跟踪,获得姿态信息数据集;将所述姿态信息数据集和所述考场异常行为特征库进行特征匹配,获得异常行为特征匹配度集合;对所述异常行为特征匹配度集合中超过预设异常特征值的人员和行为进行统计判定,获得异常行为人员信息;获得监考员行为特征,根据所述监考员行为特征对监考员位置进行更新;利用跟踪法和所述监考员位置,对所述异常行为人员信息进行排除修正,获得考场异常行为检测结果。
第二方面,本申请还提供了一种考场异常行为检测系统,其中,所述考场异常行为检测系统包括:信息采集模块,所述信息采集模块用于通过所述图像采集装置获取考场人员信息;构建模块,所述构建模块用于获取考场异常行为场景,根据所述考场异常行为场景,构建考场异常行为特征库;姿态跟踪模块,所述姿态跟踪模块用于基于目标检测法对所述考场人员信息中的各考场人员进行姿态跟踪,获得姿态信息数据集;特征匹配模块,所述特征匹配模块用于将所述姿态信息数据集和所述考场异常行为特征库进行特征匹配,获得异常行为特征匹配度集合;统计判定模块,所述统计判定模块用于对所述异常行为特征匹配度集合中超过预设异常特征值的人员和行为进行统计判定,获得异常行为人员信息;更新模块,所述更新模块用于获得监考员行为特征,根据所述监考员行为特征对监考员位置进行更新;排除修正模块,所述排除修正模块用于利用跟踪法和所述监考员位置,对所述异常行为人员信息进行排除修正,获得考场异常行为检测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过图像采集装置获取考场人员信息;根据考场异常行为场景,构建考场异常行为特征库;基于目标检测法对所述考场人员信息中的各考场人员进行姿态跟踪,获得姿态信息数据集;结合考场异常行为特征库进行特征匹配,获得异常行为特征匹配度集合;对所述异常行为特征匹配度集合中超过预设异常特征值的人员和行为进行统计判定,获得异常行为人员信息;根据所述监考员行为特征对监考员位置进行更新;利用跟踪法和所述监考员位置,对所述异常行为人员信息进行排除修正,获得考场异常行为检测结果。达到了提高考场异常行为检测的准确性及全面性,进而提高考场异常行为检测的质量;同时,推动考场异常行为检测的科学化进程;增强考场异常行为检测的智能性;为考试的公平性提供有力保障的技术效果。
附图说明
图1为本申请一种考场异常行为检测方法的流程示意图;
图2为本申请一种考场异常行为检测方法中获得考场人员匹配信息的流程示意图;
图3为本申请一种考场异常行为检测方法中对考场异常行为检测结果进行联动处理的流程示意图;
图4为本申请一种考场异常行为检测系统的结构示意图。
附图标记说明:信息采集模块11,构建模块12,姿态跟踪模块13,特征匹配模块14,统计判定模块15,更新模块16,排除修正模块17。
具体实施方式
本申请通过提供一种考场异常行为检测方法及系统。解决了现有技术中针对考场异常行为检测的准确性不足、全面性不高,进而造成考场异常行为检测的效果不佳的技术问题。达到了提高考场异常行为检测的准确性及全面性,进而提高考场异常行为检测的质量;同时,推动考场异常行为检测的科学化进程;增强考场异常行为检测的智能性;为考试的公平性提供有力保障的技术效果。
实施例一
请参阅附图1,本申请提供一种考场异常行为检测方法,其中,所述方法应用于一种考场异常行为检测系统,所述系统包括一图像采集装置,所述方法具体包括如下步骤:
步骤S100:通过所述图像采集装置获取考场人员信息;
进一步的,本申请步骤S100还包括:
步骤S110:通过所述图像采集装置获取考场人员图像信息;
步骤S120:对所述考场人员图像信息进行人脸识别,获得考场人员人脸信息;
具体而言,利用图像采集装置对考场人员进行图像采集,获得考场人员图像信息,并对其进行人脸识别,获得考场人员人脸信息。其中,所述图像采集装置包含于所述一种考场异常行为检测系统。所述图像采集装置可为现有技术中任意类型的能够采集获取图像信息的摄像装置或它们的结合。所述考场人员图像信息包括使用所述一种考场异常行为检测系统进行智能化异常行为检测的考场的多个考生及多个监考员的图像数据信息。所述考场人员人脸信息包括考场人员图像信息中的人脸图像数据信息。
达到了通过图像采集装置获取考场人员图像信息,并对其进行人脸识别,确定可靠的考场人员人脸信息,进而提高后续获得的考场人员匹配信息的准确性的技术效果。
步骤S130:构建考场人员数据库,将所述考场人员人脸信息和所述考场人员数据库进行匹配,获得考场人员匹配信息;
进一步的,如附图2所示,本申请步骤S130还包括:
步骤S131:对所述考场人员人脸信息进行面部特征点提取,获得考场人员面部特征属性;
步骤S132:基于面部构成信息对所述考场人员面部特征属性进行区域分割,获得面部区域特征;
步骤S133:将所述面部区域特征和所述考场人员数据库进行匹配,获得考场人员匹配信息;
步骤S134:如果所述考场人员匹配信息存在异常,发出人员异常预警指令。
具体而言,由所述一种考场异常行为检测系统对已获得的考场人员人脸信息进行面部特征点提取,获取考场人员面部特征属性,并根据面部构成信息对其进行区域分割,获得面部区域特征。进一步,由所述一种考场异常行为检测系统通过大数据采集获得考场人员数据库,并将其与面部区域特征进行匹配,获得考场人员匹配信息。当考场人员匹配信息存在异常时,即某个面部区域特征与考场人员数据库不存在对应关系,此时,可能存在替考现象,也可能有考生走错考场,获取人员异常预警指令。
其中,所述面部特征点包括眼睛、鼻子、眉毛、嘴巴,以及面部的疤痕、痣等。所述考场人员面部特征属性包括考场人员人脸信息对应的眼睛大小、鼻子形状、眉毛长度及粗细、嘴巴大小及形状,以及面部的疤痕及痣的位置、形状等数据信息。所述面部构成信息包括眼睛、鼻子等五官构成信息。所述面部区域特征包括按照面部构成信息对考场人员面部特征属性进行区域分割后获得的数据信息。例如,所述面部区域特征包括眼睛区域特征。该眼睛区域特征包括考场人员的左眼长度、右眼长度、两眼中心间距、眼角间距等数据信息。所述考场人员数据库包括使用所述一种考场异常行为检测系统进行智能化异常行为检测的考场的多个考生及多个监考员的身份证图像数据信息。例如,在考生A报名参加考试时,将考生A的身份证图像数据信息上传至考场人员数据库,则获得考场人员数据库包括考生A的身份证图像数据信息。所述考场人员匹配信息包括面部区域特征、考场人员数据库,以及面部区域特征与考场人员数据库之间的对应关系。所述人员异常预警指令是用于表征考场人员匹配信息存在异常,面部区域特征与考场人员数据库不匹配的数据信息。
达到了通过对考场人员人脸信息进行面部特征点提取、区域分割,获得准确的面部区域特征,并将其与考场人员数据库进行匹配,获得考场人员匹配信息,为后续确定考场人员信息提供数据支持;同时,在考场人员匹配信息存在异常时,发出人员异常预警指令,提高考场异常行为检测的全面性、及时性的技术效果。
步骤S140:基于所述考场人员匹配信息进行人员编号,获得考场人员编号信息;
进一步的,本申请步骤S140还包括:
步骤S141:所述考场人员匹配信息包括考生信息和监考员信息;
步骤S142:根据所述考生信息和监考员信息,确定考场人员划分层级;
步骤S143:基于所述考场人员数据库,获得考生考号信息和监考员等级信息;
步骤S144:根据所述考场人员划分层级、所述考生考号信息和监考员等级信息,确定考场人员编号规则;
步骤S145:基于所述考场人员编号规则进行人员编号,获得所述考场人员编号信息。
步骤S150:基于所述考场人员编号信息,确定所述考场人员信息。
具体而言,按照考生信息、监考员信息对考场人员进行划分,获得考场人员划分层级。进一步,对考场人员数据库进行信息提取,获取考生考号信息、监考员等级信息,结合考场人员划分层级,获得考场人员编号规则。继而,按照考场人员编号规则对考场人员进行人员编号,获得所述考场人员编号信息,进而确定考场人员信息。
其中,考生信息、监考员信息包括于考场人员匹配信息。所述考生信息包括多个考生的面部区域特征、考场人员数据库中多个考生的身份证图像数据信息,以及二者之间的对应关系。所述监考员信息包括多个监考员的面部区域特征、考场人员数据库中多个监考员的身份证图像数据信息,以及二者之间的对应关系。所述考场人员划分层级包括考生层级、监考员层级。考生层级对应考生信息,监考员层级对应监考员信息。所述考场人员数据库还包括考生考号信息和监考员等级信息。所述考生考号信息为考生报名成功时自动生成的数字编号信息。所述监考员等级信息包括多个监考员对应的主监考员、副监考员。所述考场人员编号规则包括考场人员划分层级、考生考号信息、监考员等级信息。所述考场人员编号信息包括按照考场人员编号规则对考场人员进行人员编号后,获得的编号数据信息。所述考场人员信息包括考场人员编号信息。达到了确定考场人员信息,为后续按照考场人员信息进行姿态跟踪夯实基础的技术效果。
步骤S200:获取考场异常行为场景,根据所述考场异常行为场景,构建考场异常行为特征库;
步骤S300:基于目标检测法对所述考场人员信息中的各考场人员进行姿态跟踪,获得姿态信息数据集;
具体而言,由所述一种考场异常行为检测系统对考场异常行为场景进行采集,获得考场异常行为场景,进而确定考场异常行为特征库。进一步,按照目标检测法对考场人员信息中各考场人员进行姿态跟踪,获得姿态信息数据集。
其中,所述考场异常行为场景包括私下传递试卷、左顾右盼、交头接耳、考前抢答、考场喧哗等考场异常行为场景信息。所述考场异常行为特征库包括多个考场异常行为场景对应的多个考场异常行为信息。所述目标检测法是指依次将考场人员信息中每个考场人员作为检测目标,对其进行姿态跟踪。所述姿态信息数据集包括考场人员信息中每个考场人员的头部位置变化信息、手部位置变化信息、身体位置变化信息等数据信息。达到了获得考场异常行为特征库和姿态信息数据集,为后续获得异常行为特征匹配度集合提供数据支持的技术效果。
步骤S400:将所述姿态信息数据集和所述考场异常行为特征库进行特征匹配,获得异常行为特征匹配度集合;
进一步的,本申请步骤S400还包括:
步骤S410:对所述姿态信息数据集进行无监督学习分类,生成连续姿态信息集合;
步骤S420:将所述连续姿态信息集合和所述考场异常行为特征库进行特征匹配,获得异常行为特征信息;
具体而言,通过对姿态信息数据集进行无监督学习分类,获得连续姿态信息集合,并将其与考场异常行为特征库进行匹配,获取异常行为特征信息。其中,所述无监督学习分类包括对姿态信息数据集中多个数据信息进行姿态连续性判断,将姿态信息数据集中具有姿态连续性的数据信息归为一类。所述连续姿态信息集合包括姿态信息数据集中多个连续的头部位置变化信息、多个连续的手部位置变化信息等数据信息。所述异常行为特征信息包括连续姿态信息集合中,与考场异常行为特征库具有对应关系的头部位置变化信息、手部位置变化信息等数据信息。
达到了通过对姿态信息数据集进行无监督学习分类、特征匹配,确定可信的异常行为特征信息,从而提高后续获得的异常行为特征匹配度集合的精准性的技术效果。
步骤S430:构建异常行为程度评估模型,所述异常行为程度评估模型包括头部异常行为评估半模型和身体异常行为评估半模型;
进一步的,本申请步骤S430还包括:
步骤S431:获得历史异常行为特征信息,并将所述异常行为特征信息作为模型训练集;
步骤S432:基于所述模型训练集进行深度网络模型监督训练,获得所述头部异常行为评估半模型;
步骤S433:根据所述模型训练集进行深度网络模型监督训练,获得所述身体异常行为评估半模型;
步骤S434:将所述头部异常行为评估半模型和所述身体异常行为评估半模型进行合并,生成所述异常行为程度评估模型。
步骤S440:将所述异常行为特征信息输入所述异常行为程度评估模型中,输出所述异常行为特征匹配度集合。
具体而言,由所述一种考场异常行为检测系统通过历史数据查询等方式,获得历史异常行为特征信息,并将其设置为模型训练集。进一步,通过对模型训练集进行深度网络模型监督训练,获得头部异常行为评估半模型、身体异常行为评估半模型。示例性地,可按照头部异常行为、身体异常行为将模型训练集划分为头部模型训练集、身体模型训练集,分别对头部模型训练集、身体模型训练集进行深度网络模型监督训练,即将头部模型训练集、身体模型训练集进行不断的自我训练学习,直至头部异常行为评估半模型、身体异常行为评估半模型的输出信息达到收敛状态时,监督训练过程结束,获得头部异常行为评估半模型、身体异常行为评估半模型。
进一步,将头部异常行为评估半模型、身体异常行为评估半模型进行合并后,即可获得异常行为程度评估模型。进而,将异常行为特征信息作为输入信息,输入异常行为程度评估模型,获得异常行为特征匹配度集合。其中,所述模型训练集包括历史异常行为特征信息。所述头部异常行为评估半模型具有对输入的异常行为特征信息中头部异常行为进行智能化异常特征值评估,输出异常行为特征信息中头部异常行为的异常特征值等功能。所述身体异常行为评估半模型具有对输入的异常行为特征信息中身体异常行为进行智能化异常特征值评估,输出异常行为特征信息中身体异常行为的异常特征值等功能。所述异常行为程度评估模型包括头部异常行为评估半模型和身体异常行为评估半模型。所述异常行为特征匹配度集合包括异常行为特征信息对应的异常特征值。异常特征值越大,对应的异常行为特征信息的异常程度越高。达到了利用异常行为程度评估模型对异常行为特征信息进行智能分析,获得精确的异常行为特征匹配度集合,进而提高考场异常行为检测的精确度的技术效果。
步骤S500:对所述异常行为特征匹配度集合中超过预设异常特征值的人员和行为进行统计判定,获得异常行为人员信息;
步骤S600:获得监考员行为特征,根据所述监考员行为特征对监考员位置进行更新;
步骤S700:利用跟踪法和所述监考员位置,对所述异常行为人员信息进行排除修正,获得考场异常行为检测结果。
具体而言,对异常行为特征匹配度集合中每个异常特征值是否超过预设异常特征值进行判断,如果异常特征值超过预设异常特征值,对该异常特征值对应的人员和行为进行统计,获取异常行为人员信息。进一步,按照监考员行为特征更新监考员位置,结合跟踪法对异常行为人员信息进行排除修正后,获得考场异常行为检测结果。
其中,所述预设异常特征值可由所述一种考场异常行为检测系统进行自适应设置确定。所述异常行为人员信息包括超过预设异常特征值的异常特征值对应的考场人员信息、考场人员行为信息等数据信息。所述监考员行为特征包括预先设置的监考员行为特征信息。例如,所述监考员行为特征包括监考员宣读考试守则、监考员分发试卷,以及监考员一人在考场前、一人在考场后等。所述监考员位置包括多个监考员的多个实时位置信息。所述跟踪法是指按照监考员位置对异常行为人员信息进行逐个排除修正。所述考场异常行为检测结果包括排除修正之后的异常行为人员信息。示例性地,在按照监考员位置对异常行为人员信息进行逐个排除修正时,发现异常行为人员信息包括监考员信息及监考员行为信息,则将异常行为人员信息进行监考员信息及监考员行为信息的删除之后,获得考场异常行为检测结果。达到了获得准确的考场异常行为检测结果,提高考场异常行为检测的质量的技术效果。
进一步的,如附图3所示,本申请步骤S700之后,还包括:
步骤S810:对所述考场异常行为检测结果进行影响评价,获得异常行为影响系数;
步骤S820:基于所述考场异常行为检测结果进行分类,获得异常行为类型;
步骤S830:将所述异常行为影响系数和所述异常行为类型输入异常行为措施分析模型,获得异常行为解决措施方案;
步骤S840:基于所述异常行为解决措施方案,对所述考场异常行为检测结果进行联动处理。
具体而言,由所述一种考场异常行为检测系统对已获得的考场异常行为检测结果进行影响评价,获取异常行为影响系数。通过对考场异常行为检测结果进行分类,获得异常行为类型。进一步,将异常行为影响系数、异常行为类型作为输入信息,输入异常行为措施分析模型,获得异常行为解决措施方案,并根据其对考场异常行为检测结果进行处理。
其中,所述异常行为影响系数是用于表征考场异常行为检测结果的影响性高低的参数信息。考场异常行为检测结果中超过预设异常特征值的异常特征值对应的考场人员越多,异常行为影响系数越大。所述异常行为类型包括考场异常行为检测结果对应的类型信息。例如,所述异常行为类型包括头部异常类型、身体异常类型等。所述异常行为措施分析模型包括多个头部异常类型、多个身体异常类型,以及二者对应的多个异常行为解决措施方案。所述异常行为措施分析模型具有对输入的异常行为影响系数、异常行为类型进行智能化异常行为解决措施方案的匹配等功能。所述异常行为解决措施方案包括对输入的考场异常行为检测结果进行处理的具体方法等。例如,所述异常行为解决措施方案可以为将考场异常行为检测结果发送至监考员,由监考员对考场异常行为检测结果对应的考生进行及时警告等。达到了通过异常行为措施分析模型获得异常行为解决措施方案,并根据其对考场异常行为检测结果进行处理,提高考场异常行为检测的实用性,实现考场异常行为检测的意义,保障考试的公平性的技术效果。
综上所述,本申请所提供的一种考场异常行为检测方法具有如下技术效果:
1.通过图像采集装置获取考场人员信息;根据考场异常行为场景,构建考场异常行为特征库;基于目标检测法对所述考场人员信息中的各考场人员进行姿态跟踪,获得姿态信息数据集;结合考场异常行为特征库进行特征匹配,获得异常行为特征匹配度集合;对所述异常行为特征匹配度集合中超过预设异常特征值的人员和行为进行统计判定,获得异常行为人员信息;根据所述监考员行为特征对监考员位置进行更新;利用跟踪法和所述监考员位置,对所述异常行为人员信息进行排除修正,获得考场异常行为检测结果。达到了提高考场异常行为检测的准确性及全面性,进而提高考场异常行为检测的质量;同时,推动考场异常行为检测的科学化进程;增强考场异常行为检测的智能性;为考试的公平性提供有力保障的技术效果。
2.通过对考场人员人脸信息进行面部特征点提取、区域分割,获得准确的面部区域特征,并将其与考场人员数据库进行匹配,获得考场人员匹配信息,为后续确定考场人员信息提供数据支持;同时,在考场人员匹配信息存在异常时,发出人员异常预警指令,提高考场异常行为检测的全面性、及时性。
实施例二
基于与前述实施例中一种考场异常行为检测方法,同样发明构思,本发明还提供了一种考场异常行为检测系统,请参阅附图4,所述系统包括:
信息采集模块11,所述信息采集模块11用于通过所述图像采集装置获取考场人员信息;
构建模块12,所述构建模块12用于获取考场异常行为场景,根据所述考场异常行为场景,构建考场异常行为特征库;
姿态跟踪模块13,所述姿态跟踪模块13用于基于目标检测法对所述考场人员信息中的各考场人员进行姿态跟踪,获得姿态信息数据集;
特征匹配模块14,所述特征匹配模块14用于将所述姿态信息数据集和所述考场异常行为特征库进行特征匹配,获得异常行为特征匹配度集合;
统计判定模块15,所述统计判定模块15用于对所述异常行为特征匹配度集合中超过预设异常特征值的人员和行为进行统计判定,获得异常行为人员信息;
更新模块16,所述更新模块16用于获得监考员行为特征,根据所述监考员行为特征对监考员位置进行更新;
排除修正模块17,所述排除修正模块17用于利用跟踪法和所述监考员位置,对所述异常行为人员信息进行排除修正,获得考场异常行为检测结果。
进一步的,所述系统还包括:
考场人员图像信息确定模块,所述考场人员图像信息确定模块用于通过所述图像采集装置获取考场人员图像信息;
考场人员人脸信息确定模块,所述考场人员人脸信息确定模块用于对所述考场人员图像信息进行人脸识别,获得考场人员人脸信息;
考场人员匹配信息确定模块,所述考场人员匹配信息确定模块用于构建考场人员数据库,将所述考场人员人脸信息和所述考场人员数据库进行匹配,获得考场人员匹配信息;
人员编号模块,所述人员编号模块用于基于所述考场人员匹配信息进行人员编号,获得考场人员编号信息;
考场人员信息确定模块,所述考场人员信息确定模块用于基于所述考场人员编号信息,确定所述考场人员信息。
进一步的,所述系统还包括:
考场人员匹配信息组成模块,所述考场人员匹配信息组成模块用于所述考场人员匹配信息包括考生信息和监考员信息;
考场人员划分层级确定模块,所述考场人员划分层级确定模块用于根据所述考生信息和监考员信息,确定考场人员划分层级;
考场人员数据库组成模块,所述考场人员数据库组成模块用于基于所述考场人员数据库,获得考生考号信息和监考员等级信息;
考场人员编号规则确定模块,所述考场人员编号规则确定模块用于根据所述考场人员划分层级、所述考生考号信息和监考员等级信息,确定考场人员编号规则;
考场人员编号信息获得模块,所述考场人员编号信息获得模块用于基于所述考场人员编号规则进行人员编号,获得所述考场人员编号信息。
进一步的,所述系统还包括:
考场人员面部特征属性确定模块,所述考场人员面部特征属性确定模块用于对所述考场人员人脸信息进行面部特征点提取,获得考场人员面部特征属性;
面部区域特征确定模块,所述面部区域特征确定模块用于基于面部构成信息对所述考场人员面部特征属性进行区域分割,获得面部区域特征;
考场人员匹配信息获得模块,所述考场人员匹配信息获得模块用于将所述面部区域特征和所述考场人员数据库进行匹配,获得考场人员匹配信息;
异常预警指令确定模块,所述异常预警指令确定模块用于如果所述考场人员匹配信息存在异常,发出人员异常预警指令。
进一步的,所述系统还包括:
连续姿态信息集合生成模块,所述连续姿态信息集合生成模块用于对所述姿态信息数据集进行无监督学习分类,生成连续姿态信息集合;
异常行为特征信息确定模块,所述异常行为特征信息确定模块用于将所述连续姿态信息集合和所述考场异常行为特征库进行特征匹配,获得异常行为特征信息;
异常行为程度评估模型构建模块,所述异常行为程度评估模型构建模块用于构建异常行为程度评估模型,所述异常行为程度评估模型包括头部异常行为评估半模型和身体异常行为评估半模型;
异常行为特征匹配度集合确定模块,所述异常行为特征匹配度集合确定模块用于将所述异常行为特征信息输入所述异常行为程度评估模型中,输出所述异常行为特征匹配度集合。
进一步的,所述系统还包括:
模型训练集确定模块,所述模型训练集确定模块用于获得历史异常行为特征信息,并将所述异常行为特征信息作为模型训练集;
第一监督训练模块,所述第一监督训练模块用于基于所述模型训练集进行深度网络模型监督训练,获得所述头部异常行为评估半模型;
第二监督训练模块,所述第二监督训练模块用于根据所述模型训练集进行深度网络模型监督训练,获得所述身体异常行为评估半模型;
合并生成模块,所述合并生成模块用于将所述头部异常行为评估半模型和所述身体异常行为评估半模型进行合并,生成所述异常行为程度评估模型。
进一步的,所述系统还包括:
异常行为影响系数确定模块,所述异常行为影响系数确定模块用于对所述考场异常行为检测结果进行影响评价,获得异常行为影响系数;
异常行为类型确定模块,所述异常行为类型确定模块用于基于所述考场异常行为检测结果进行分类,获得异常行为类型;
异常行为解决措施方案确定模块,所述异常行为解决措施方案确定模块用于将所述异常行为影响系数和所述异常行为类型输入异常行为措施分析模型,获得异常行为解决措施方案;
联动处理模块,所述联动处理模块用于基于所述异常行为解决措施方案,对所述考场异常行为检测结果进行联动处理。
本申请提供了一种考场异常行为检测方法,其中,所述方法应用于一种考场异常行为检测系统,所述方法包括:通过图像采集装置获取考场人员信息;根据考场异常行为场景,构建考场异常行为特征库;基于目标检测法对所述考场人员信息中的各考场人员进行姿态跟踪,获得姿态信息数据集;结合考场异常行为特征库进行特征匹配,获得异常行为特征匹配度集合;对所述异常行为特征匹配度集合中超过预设异常特征值的人员和行为进行统计判定,获得异常行为人员信息;根据所述监考员行为特征对监考员位置进行更新;利用跟踪法和所述监考员位置,对所述异常行为人员信息进行排除修正,获得考场异常行为检测结果。解决了现有技术中针对考场异常行为检测的准确性不足、全面性不高,进而造成考场异常行为检测的效果不佳的技术问题。达到了提高考场异常行为检测的准确性及全面性,进而提高考场异常行为检测的质量;同时,推动考场异常行为检测的科学化进程;增强考场异常行为检测的智能性;为考试的公平性提供有力保障的技术效果。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本说明书和附图仅仅是本申请的示例性说明,如果本发明的修改和变型属于本发明及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种考场异常行为检测方法,其特征在于,所述考场异常行为检测方法应用于一考场异常行为检测系统,所述考场异常行为检测系统包括一图像采集装置,所述考场异常行为检测方法包括:
通过所述图像采集装置获取考场人员信息;
获取考场异常行为场景,根据所述考场异常行为场景,构建考场异常行为特征库;
基于目标检测法对所述考场人员信息中的各考场人员进行姿态跟踪,获得姿态信息数据集;
将所述姿态信息数据集和所述考场异常行为特征库进行特征匹配,获得异常行为特征匹配度集合;
对所述异常行为特征匹配度集合中超过预设异常特征值的人员和行为进行统计判定,获得异常行为人员信息;
获得监考员行为特征,根据所述监考员行为特征对监考员位置进行更新;
利用跟踪法和所述监考员位置,对所述异常行为人员信息进行排除修正,获得考场异常行为检测结果。
2.如权利要求1所述的考场异常行为检测方法,其特征在于,通过所述图像采集装置获取考场人员信息,包括:
通过所述图像采集装置获取考场人员图像信息;
对所述考场人员图像信息进行人脸识别,获得考场人员人脸信息;
构建考场人员数据库,将所述考场人员人脸信息和所述考场人员数据库进行匹配,获得考场人员匹配信息;
基于所述考场人员匹配信息进行人员编号,获得考场人员编号信息;
基于所述考场人员编号信息,确定所述考场人员信息。
3.如权利要求2所述的考场异常行为检测方法,其特征在于,所述基于所述考场人员匹配信息进行人员编号,获得考场人员编号信息,包括:
所述考场人员匹配信息包括考生信息和监考员信息;
根据所述考生信息和监考员信息,确定考场人员划分层级;
基于所述考场人员数据库,获得考生考号信息和监考员等级信息;
根据所述考场人员划分层级、所述考生考号信息和监考员等级信息,确定考场人员编号规则;
基于所述考场人员编号规则进行人员编号,获得所述考场人员编号信息。
4.如权利要求2所述的考场异常行为检测方法,其特征在于,所述将所述考场人员人脸信息和所述考场人员数据库进行匹配,获得考场人员匹配信息,包括:
对所述考场人员人脸信息进行面部特征点提取,获得考场人员面部特征属性;
基于面部构成信息对所述考场人员面部特征属性进行区域分割,获得面部区域特征;
将所述面部区域特征和所述考场人员数据库进行匹配,获得考场人员匹配信息;
如果所述考场人员匹配信息存在异常,发出人员异常预警指令。
5.如权利要求1所述的考场异常行为检测方法,其特征在于,所述获得异常行为特征匹配度集合,包括:
对所述姿态信息数据集进行无监督学习分类,生成连续姿态信息集合;
将所述连续姿态信息集合和所述考场异常行为特征库进行特征匹配,获得异常行为特征信息;
构建异常行为程度评估模型,所述异常行为程度评估模型包括头部异常行为评估半模型和身体异常行为评估半模型;
将所述异常行为特征信息输入所述异常行为程度评估模型中,输出所述异常行为特征匹配度集合。
6.如权利要求5所述的考场异常行为检测方法,其特征在于,所述构建异常行为程度评估模型,包括:
获得历史异常行为特征信息,并将所述异常行为特征信息作为模型训练集;
基于所述模型训练集进行深度网络模型监督训练,获得所述头部异常行为评估半模型;
根据所述模型训练集进行深度网络模型监督训练,获得所述身体异常行为评估半模型;
将所述头部异常行为评估半模型和所述身体异常行为评估半模型进行合并,生成所述异常行为程度评估模型。
7.如权利要求1所述的考场异常行为检测方法,其特征在于,所述方法包括:
对所述考场异常行为检测结果进行影响评价,获得异常行为影响系数;
基于所述考场异常行为检测结果进行分类,获得异常行为类型;
将所述异常行为影响系数和所述异常行为类型输入异常行为措施分析模型,获得异常行为解决措施方案;
基于所述异常行为解决措施方案,对所述考场异常行为检测结果进行联动处理。
8.一种考场异常行为检测系统,其特征在于,所述考场异常行为检测系统包括一图像采集装置,所述考场异常行为检测系统包括:
信息采集模块,所述信息采集模块用于通过所述图像采集装置获取考场人员信息;
构建模块,所述构建模块用于获取考场异常行为场景,根据所述考场异常行为场景,构建考场异常行为特征库;
姿态跟踪模块,所述姿态跟踪模块用于基于目标检测法对所述考场人员信息中的各考场人员进行姿态跟踪,获得姿态信息数据集;
特征匹配模块,所述特征匹配模块用于将所述姿态信息数据集和所述考场异常行为特征库进行特征匹配,获得异常行为特征匹配度集合;
统计判定模块,所述统计判定模块用于对所述异常行为特征匹配度集合中超过预设异常特征值的人员和行为进行统计判定,获得异常行为人员信息;
更新模块,所述更新模块用于获得监考员行为特征,根据所述监考员行为特征对监考员位置进行更新;
排除修正模块,所述排除修正模块用于利用跟踪法和所述监考员位置,对所述异常行为人员信息进行排除修正,获得考场异常行为检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210997005.0A CN115063892B (zh) | 2022-08-19 | 2022-08-19 | 一种考场异常行为检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210997005.0A CN115063892B (zh) | 2022-08-19 | 2022-08-19 | 一种考场异常行为检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063892A CN115063892A (zh) | 2022-09-16 |
CN115063892B true CN115063892B (zh) | 2022-11-11 |
Family
ID=83208541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210997005.0A Active CN115063892B (zh) | 2022-08-19 | 2022-08-19 | 一种考场异常行为检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063892B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008046678A (ja) * | 2006-08-10 | 2008-02-28 | Matsushita Electric Works Ltd | 異常監視装置 |
CN109271886A (zh) * | 2018-08-29 | 2019-01-25 | 武汉大学 | 一种教育考试监控视频的人体行为分析方法及系统 |
CN109460727A (zh) * | 2018-10-31 | 2019-03-12 | 中国矿业大学 | 一种基于人体行为识别的考场监控系统及方法 |
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 |
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 |
CN112084994A (zh) * | 2020-09-21 | 2020-12-15 | 哈尔滨二进制信息技术有限公司 | 一种在线监考远程视频作弊研判系统及方法 |
CN113393347A (zh) * | 2021-06-07 | 2021-09-14 | 武汉华工智云科技有限公司 | 一种在线考试防作弊的方法和装置 |
CN113452959A (zh) * | 2021-04-08 | 2021-09-28 | 安徽工业经济职业技术学院 | 一种基于大数据的考点区域环境监控方法及系统 |
CN113627335A (zh) * | 2021-08-10 | 2021-11-09 | 浙江大华技术股份有限公司 | 考生行为的监控方法、装置、存储介质和电子装置 |
-
2022
- 2022-08-19 CN CN202210997005.0A patent/CN115063892B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008046678A (ja) * | 2006-08-10 | 2008-02-28 | Matsushita Electric Works Ltd | 異常監視装置 |
CN109271886A (zh) * | 2018-08-29 | 2019-01-25 | 武汉大学 | 一种教育考试监控视频的人体行为分析方法及系统 |
CN109460727A (zh) * | 2018-10-31 | 2019-03-12 | 中国矿业大学 | 一种基于人体行为识别的考场监控系统及方法 |
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 |
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 |
CN112084994A (zh) * | 2020-09-21 | 2020-12-15 | 哈尔滨二进制信息技术有限公司 | 一种在线监考远程视频作弊研判系统及方法 |
CN113452959A (zh) * | 2021-04-08 | 2021-09-28 | 安徽工业经济职业技术学院 | 一种基于大数据的考点区域环境监控方法及系统 |
CN113393347A (zh) * | 2021-06-07 | 2021-09-14 | 武汉华工智云科技有限公司 | 一种在线考试防作弊的方法和装置 |
CN113627335A (zh) * | 2021-08-10 | 2021-11-09 | 浙江大华技术股份有限公司 | 考生行为的监控方法、装置、存储介质和电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115063892A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190540B (zh) | 活检区域预测方法、图像识别方法、装置和存储介质 | |
CN109543526B (zh) | 基于深度差异性特征的真假面瘫识别系统 | |
CN109558810B (zh) | 基于部位分割与融合目标人物识别方法 | |
CN110688901A (zh) | 一种人脸识别方法及装置 | |
CN109298785A (zh) | 一种监测设备的人机联控系统及方法 | |
CN109948476B (zh) | 一种基于计算机视觉的人脸皮肤检测系统及其实现方法 | |
CN109215763A (zh) | 一种基于人脸图像的情感健康监控方法及系统 | |
CN109299690B (zh) | 一种可提高视频实时人脸识别精度的方法 | |
CN111126307B (zh) | 联合稀疏表示神经网络的小样本人脸识别方法 | |
CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及系统 | |
CN111666845B (zh) | 基于关键帧采样的小样本深度学习多模态手语识别方法 | |
CN105335691A (zh) | 笑脸识别鼓励系统 | |
CN112287753A (zh) | 一种基于机器学习提升人脸识别精度的系统及其算法 | |
CN111862413A (zh) | 实现抗疫情非接触多维身份快速识别的方法及其系统 | |
CN112150692A (zh) | 一种基于人工智能的门禁控制方法及系统 | |
KR20020022295A (ko) | 3차원 정보를 이용한 얼굴 인식 장치 및 방법 | |
CN110991301A (zh) | 一种人脸识别的方法 | |
CN109344758B (zh) | 基于改进局部二值模式的人脸识别方法 | |
CN115063892B (zh) | 一种考场异常行为检测方法及系统 | |
CN115937971B (zh) | 一种举手投票识别方法及装置 | |
JP2004303150A (ja) | 顔識別装置、顔識別方法及び顔識別プログラム | |
CN112464871A (zh) | 一种基于深度学习的中医舌部图像处理方法及系统 | |
CN115273150A (zh) | 基于人体姿态估计的安全帽佩戴的新型识别方法及系统 | |
US20230230277A1 (en) | Object position estimation device, object position estimation method, and recording medium | |
JPH09259271A (ja) | 人物照合装置 |
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 |