CN115359421A - 基于全程视频监控的游泳考试监管控制系统 - Google Patents

基于全程视频监控的游泳考试监管控制系统 Download PDF

Info

Publication number
CN115359421A
CN115359421A CN202210986024.3A CN202210986024A CN115359421A CN 115359421 A CN115359421 A CN 115359421A CN 202210986024 A CN202210986024 A CN 202210986024A CN 115359421 A CN115359421 A CN 115359421A
Authority
CN
China
Prior art keywords
examinee
examination
information
module
foul
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.)
Pending
Application number
CN202210986024.3A
Other languages
English (en)
Inventor
喻明璇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Digital Intelligence Magic Shenzhen Cloud Computing Technology Co ltd
Original Assignee
Digital Intelligence Magic Shenzhen Cloud Computing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Digital Intelligence Magic Shenzhen Cloud Computing Technology Co ltd filed Critical Digital Intelligence Magic Shenzhen Cloud Computing Technology Co ltd
Priority to CN202210986024.3A priority Critical patent/CN115359421A/zh
Publication of CN115359421A publication Critical patent/CN115359421A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • 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
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Technology (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)

Abstract

本发明游泳考试监管技术领域，具体公开了基于全程视频监控的游泳考试监管控制系统，所述系统包括：信息录入模块，用于录入考生的面部信息、体型信息、身份信息及考试项目；泳道识别模块，用于根据考生的面部信息识别获取各泳道考生的身份信息，及将各泳道考生的身份信息与预置泳道排序信息进行比对，判断各泳道上的考生身份是否正确；犯规动作识别模块，用于根据考生的体型信息及考试项目选择对应的犯规识别模型，按照对应的犯规识别模型对考试过程进行识别；成绩统计模块，用于记录考试成绩并将考试成绩及犯规信息发送至对应考生的终端上；本发明能够保证考试过程的有序性，提高犯规动作识别的准确性。

Description

基于全程视频监控的游泳考试监管控制系统
技术领域
本发明涉及游泳考试监管技术领域，具体为基于全程视频监控的游泳考试监管控制系统。
背景技术
随着对于学生素质教育的不断重视，游泳作为一项运动，其不仅能锻炼身体，还能够在危险的时候自救，因此越来越多的城市将游泳项目纳入到中考体育考试的范畴，而为了保证比赛条件的统一性，一般会通过固定的考点来进行游泳考试。
现有的游泳考场中，会设置多个摄像头来实现对考试全程的监控，通过摄像头获取的影像信息来实现对考生考试过程的监管，但具体的考生泳道分配及身份核实确定还是主要通过人工来确定，通过人工对考生的一一核对，进而完成大量考生的游泳考试过程；而对于考生考试过程的监控一般采用智能识别算法模型实现，通过对考试游泳过程中的影像获取及对获取的影像信息分析，进而能够对考生的动作进行判断，判断考生是否存在动作违规的问题。
而在实际的游泳考试过程中，由于游泳考试的时间较为集中，因此在考试期间会有大量的考生参与，因而考试现场难免出现考试秩序混乱的问题，而对于用于游泳考试的场馆而言，考试秩序的混乱，一方面会影响考试进行的效率，另一方面会对统计的成绩正确性造成影响；另外，现有的识别系统一般采用固定的识别模型实现，而对于不同体型的考试，其运动姿态存在较大的差别，采集图片中的考生轮廓信息也存在较大的差异，因此通过固定的识别模型进行识别很容易存在误判、漏判的问题，进而不能准确的判断出考生用于过程中是否存在违规的问题。
发明内容
本发明的目的在于提供基于全程视频监控的游泳考试监管控制系统，解决以下技术问题：
如何保证游泳考场考试的有序性及对考生违规动作识别的精准性。
本发明的目的可以通过以下技术方案实现：
基于全程视频监控的游泳考试监管控制系统，所述系统包括：
信息录入模块，用于录入考生的面部信息、体型信息、身份信息及考试项目；
泳道识别模块，用于根据考生的面部信息识别获取各泳道考生的身份信息，及将各泳道考生的身份信息与预置泳道排序信息进行比对，判断各泳道上的考生身份是否正确；
犯规动作识别模块，用于根据考生的体型信息及考试项目选择对应的犯规识别模型，按照对应的犯规识别模型对考试过程进行识别；
成绩统计模块，用于记录考试成绩并将考试成绩及犯规信息发送至对应考生的终端上。
于一实施例中，所述体型信息包括身高；
所述犯规识别模型建立的过程为：
S1、将考生的身高划分为若干个身高区间，基于大数据对每个身高区间下不同泳姿的标准动作图像及犯规动作图像进行获取；
S2、对不同身高区间下不同泳姿的标准动作图像及犯规动作图像进行处理，将处理后的标准动作图像作为正样本，将处理后的犯规动作图像作为负样本；
S3、构建卷积神经网络，通过正样本及负样本对卷积神经网络进行训练，得到不同身高区间下不同泳姿对应的犯规识别模型。
于一实施例中，所述系统还包括发令模块；
所述发令模块用于判断考生是否做好出发准备、发出出发指令及判断考生是否抢跳。
于一实施例中，所述发令模块的工作过程为：
S100、获取泳道起跳处所有考生的实时影像信息；
S200、发出准备指令后，根据实时影像信息识别出考生的当前动作，当所有考生的当前动作满足预设标准时，发出出发指令；
S300、根据发出出发指令时间点各考生的位置判断考生是否抢跳。
于一实施例中，所述系统还包括评价模块；
所述评价模块用于对考生的考试过程分段计时，并根据分段计时数据及总成绩对考生进行评价。
于一实施例中，所述评价的过程包括：
SS100、获取考试项目并对该考试项目设定若干个成绩区间；
SS200、对每个成绩区间设定若干个对应的检查条目A1、A2、…、An，对设定每个检测条目的标准成绩AS1、AS2、…、ASn；
SS300、根据考生的实际成绩判断其所处的成绩区间，将考生检查条目的成绩分别与该区间及上一成绩区间的各检测条目的标准成绩进行比对，根据对比结果对考生进行评价。
于一实施例中，步骤SS300中对比的过程为：
若Si≤BSi，则判断检查条目Ai为优秀；
若BSi≤Si＜ASi，则判断检查条目Ai为及格；
若Si＜BSi，则判断检查条目Ai为不及格；
其中，n为检测的条目数，i∈[1，n]，Si为第i个检测条目的成绩，ASi为第i个检测条目在该成绩区间的标准成绩，BSi为第i个检测条目在上一成绩区间的标准成绩。
于一实施例中，步骤SS300中评价的过程为：
预先对检查条目A1、A2、…、An设定难度值D1、D2、…、Dn；
通过公式
Figure BDA0003801009400000041
计算出考试在当前成绩区间的难度值Eva，通过难度值Eva对考试进行评价；
其中，δi为第i个检测条目对应的实现系数，若Ai为不及格，则δi＝0，若Ai为及格，则δi＝0.5，若Ai为优秀，则δi＝1。
于一实施例中，所述系统还包括干扰检测模块；
所述干扰检测模块用于判断泳池内是否存在干扰物影响比赛，所述发令模块基于所述干扰检测模块判断的结果启动。
于一实施例中，所述干扰检测模块的工作过程为：
获取开始考试前特定时间段的泳池监控图像信息；
将获取的监控图像信息与预设的标准图像信息进行识别特征比对：
若存在异常特征，则判断存在干扰；
否则，判断无干扰，并向发令模块发送启动指令。
本发明的有益效果：
(1)本发明通过采集人脸信息与泳道对应考生的人脸信息进行比对，判断其是否为对应考生，一方面能够保证考生与泳道的对应性，保证考试过程的有序性，另一方面则实现了人员身份的识别，避免了替考问题的发生；本发明根据考生的体型信息来选择对应的犯规识别模型来对考生的动作实现识别，能够提高识别的准确性。
(2)本发明通过判断考生是否做好出发准备进而在考生做好准备时发出出发指令，同时还能判断考生在开始时是否抢跳，进而实现了考生考试开始阶段的自动化化过程。
(3)本发明通过对考生动作对应成绩进行分段计时，结合总成绩对其评价，能够判断出考生的劣势所在，进而能够对考生提供准确的信息使其准对性的改善。
(4)本发明通过在即将考试前对泳池内部的干扰物进行检测，进而能够判断出当前泳池的环境是否存在影响考试过程的因素，进而在排除干扰因素后启动发令模块，保证考试过程在正常的进行。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明一个实施例中的游泳考试监管控制系统概要框结构图；
图2是本发明系统中犯规识别模型建立过程的流程图；
图3是本发明系统中发令模块工作过程的流程图；
图4是本发明系统中评价模块进行评价的流程图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，在一个实施例中，提供了基于全程视频监控的游泳考试监管控制系统，所述系统包括：
信息录入模块，用于录入考生的面部信息、体型信息、身份信息及考试项目；
泳道识别模块，用于根据考生的面部信息识别获取各泳道考生的身份信息，及将各泳道考生的身份信息与预置泳道排序信息进行比对，判断各泳道上的考生身份是否正确；
犯规动作识别模块，用于根据考生的体型信息及考试项目选择对应的犯规识别模型，按照对应的犯规识别模型对考试过程进行识别；
成绩统计模块，用于记录考试成绩并将考试成绩及犯规信息发送至对应考生的终端上。
通过上述技术方案，首先针对每个考生，通过信息录入模块录入其各项信息，包括面部信息、体型信息、身份信息及考试项目，考试管理部门根据其考试项目安排其考试时间点及对应泳道，因此每个泳道识别模块在对应考试时间点都对应有唯一的考生信息，此时通过人脸识别信息能够对泳道起点处的考生进行人脸识别，通过采集人脸信息与泳道对应考生的人脸信息进行比对，进而能够判断其是否为对应考生，此种方式一方面能够保证考生与泳道的对应性，保证考试过程的有序性，另一方面则实现了人员身份的识别，避免了替考问题的发生。
本实施例中犯规动作识别模块还根据考生的体型信息来选择对应的犯规识别模型来对考生的动作实现识别，由于犯规识别模型针对该类型体型身材的人员建立，因此其对该类型身材的识别准确度会更高，在具体的实施过程中，可针对每个泳道设置独立的摄像头，对不同泳道摄像头采集的画面采用不同的犯规识别模型进行识别，也可通过单个摄像头识别多个泳道的影像，通过对影像的切分实现对不同泳道的单独识别。
作为本发明的一种实施方式，所述体型信息包括身高；
请参阅图2所示，所述犯规识别模型建立的过程为：
S1、将考生的身高划分为若干个身高区间，基于大数据对每个身高区间下不同泳姿的标准动作图像及犯规动作图像进行获取；
S2、对不同身高区间下不同泳姿的标准动作图像及犯规动作图像进行处理，将处理后的标准动作图像作为正样本，将处理后的犯规动作图像作为负样本；
S3、构建卷积神经网络，通过正样本及负样本对卷积神经网络进行训练，得到不同身高区间下不同泳姿对应的犯规识别模型。
通过上述技术方案，提供了一种犯规识别模型的建立过程，由于不同考生的身高区间存在较大的差异，因此本实施例中的模型根据考生身高多出的身高区间进行划分，具体的，先通过大数据采集每个身高区间下不同泳姿的标准动作图像及犯规动作图像，此内容可对从各种比赛视频、游泳教学视频中选取，其次通过对标准动作图像及犯规动作图像进行处理，并作为正、负样本来训练卷积神经网络，进而能够获得该身高区间下的犯规识别模型。
上述技术方案中，对标准动作图像及犯规动作图像处理的过程及卷积神经网络的建立均通过机器学习领域样本处理的常规方式，在此不作详述。
作为本发明的一种实施方式，所述系统还包括发令模块；
所述发令模块用于判断考生是否做好出发准备、发出出发指令及判断考生是否抢跳。
通过上述技术方案，通过发令模块来实现自动发令的功能，具体的，通过判断考生是否做好出发准备进而在考生做好准备时发出出发指令，同时还能判断考生在开始时是否抢跳，进而实现了考生考试开始阶段的自动化化过程，另外，将自动发出出发指令与计时器相连接，在起跳阶段同时计时，进而能够保证成绩记录的准确性。
作为本发明的一种实施方式，请参阅图3所示，所述发令模块的工作过程为：
S100、获取泳道起跳处所有考生的实时影像信息；
S200、发出准备指令后，根据实时影像信息识别出考生的当前动作，当所有考生的当前动作满足预设标准时，发出出发指令；
S300、根据发出出发指令时间点各考生的位置判断考生是否抢跳。
通过上述技术方案，提供了发令模块具体的工作过程，首先采集泳道起跳处的实时影像信息，再发出准备指令，此时通过识别考生的动作来判断考生是否做好了准备，进而当所有考生的当前动作满足预设标准时，发出出发指令，实现出发指令的自动发出，其中，预设标准为在特定时间内所有考生的动作幅度小于特定的范围，另外，在发出出发指令时间点后时，通过对各考生位置点的识别，进而能够判断出各考生是否存在抢跳的问题。
作为本发明的一种实施方式，所述系统还包括评价模块；
所述评价模块用于对考生的考试过程分段计时，并根据分段计时数据及总成绩对考生进行评价。
通过上述技术方案，在对考生考试状态及成绩实时监控及获取的同时，还能通过评价模块对考生的考试进行评价，具体的，对考生动作对应成绩进行分段计时，结合总成绩对其评价，能够判断出考生的劣势所在，进而能够对考生提供准确的信息使其准对性的改善。
作为本发明的一种实施方式，请参阅图4所示，所述评价的过程包括：
SS100、获取考试项目并对该考试项目设定若干个成绩区间；
SS200、对每个成绩区间设定若干个对应的检查条目A1、A2、…、An，对设定每个检测条目的标准成绩AS1、AS2、…、ASn；
SS300、根据考生的实际成绩判断其所处的成绩区间，将考生检查条目的成绩分别与该区间及上一成绩区间的各检测条目的标准成绩进行比对，根据对比结果对考生进行评价。
通过上述技术方案，提供了一种具体评价的方式，首先根据考生考试的项目设定若干个成绩区间，此种设定基于该项目的常规成绩范围，其次针对该项目设定若干个对应的检查条目A1、A2、…、An，例如起跳时间、潜泳时间、转身时间等，对每个检测条目设定对应的标准成绩，此标准成绩基于该项目在成绩区间下的平均水平，因此通过将考生某检测条目实际成绩与该区间及上一成绩区间的检测条目的标准成绩进行比对，能够判断出该监测条目成绩处于的优劣状态，进而能够更加准确的判断考生当前需要提高的方向。
作为本发明的一种实施方式，步骤SS300中对比的过程为：
若Si≤BSi，则判断检查条目Ai为优秀；
若BSi≤Si＜ASi，则判断检查条目Ai为及格；
若Si＜BSi，则判断检查条目Ai为不及格；
其中，n为检测的条目数，i∈[1，n]，Si为第i个检测条目的成绩，ASi为第i个检测条目在该成绩区间的标准成绩，BSi为第i个检测条目在上一成绩区间的标准成绩。
通过上述技术方案，提供了步骤SS300具体比对的过程，当Si≤BSi，说明当前成绩用时较短，则判断检查条目Ai为优秀；若BSi≤Si＜ASi，则判断检查条目Ai为及格；若Si＜BSi，则判断检查条目Ai为不及格，因此通过对比，能够判断考生各个动作阶段的成绩是否相对优秀，进而准确的判断出需要改进的部分，例如转身动作用时较长，则此检测条目不及格，进而提醒考生针对此动作进行训练。
作为本发明的一种实施方式，步骤SS300中评价的过程为：
预先对检查条目A1、A2、…、An设定难度值D1、D2、…、Dn；
通过公式
Figure BDA0003801009400000101
计算出考试在当前成绩区间的难度值Eva，通过难度值Eva对考试进行评价；
其中，δi为第i个检测条目对应的实现系数，若Ai为不及格，则δi＝0，若Ai为及格，则δi＝0.5，若Ai为优秀，则δi＝1。
通过上述技术方案，通过对各个检测条目设定难度值，同时通过公式
Figure BDA0003801009400000102
计算出考试在当前成绩区间的难度值Eva，根据难度值Eva对考试进行评价，进而能够对考生在该成绩区间的实现难度进行评价，例如，转身难度较高，但该考生在此过程中的成绩较为优秀，因此其难度值较高，通过难度值Eva的计算，能够判断出考生到达下一成绩区间的容易程度，显然，当前成绩区间的难度值越高，到达下一成绩区间越容易，因此难度值Eva能够在考生训练过程中提供较为准确的参考。
作为本发明的一种实施方式，所述系统还包括干扰检测模块；
所述干扰检测模块用于判断泳池内是否存在干扰物影响比赛，所述发令模块基于所述干扰检测模块判断的结果启动。
通过上述技术方案，利用干扰检测模块获取泳池区域的监控影响，通过在即将考试前对泳池内部的干扰物进行检测，进而能够判断出当前泳池的环境是否存在影响考试过程的因素，进而在排除干扰因素后启动发令模块，保证考试过程在正常的进行。
作为本发明的一种实施方式，所述干扰检测模块的工作过程为：
获取开始考试前特定时间段的泳池监控图像信息；
将获取的监控图像信息与预设的标准图像信息进行识别特征比对：
若存在异常特征，则判断存在干扰；
否则，判断无干扰，并向发令模块发送启动指令。
通过上述技术方案，通过获取开始考试前特定时间段的泳池监控图像信息，通过将监控图像信息与预设的标准图像信息中的识别出的特征进行比对，进而能够判断出泳池内是否有干扰物，显然，当实际的监控图像信息中不存在异常特征时，说明不存在干扰，即满足考试的条件，因此向发令模块发送启动指令，当存在异常特征时，则判断存在干扰，进而能够提醒考方管理人员及时排除考试过程中的干扰，保证游泳考试的顺利进行。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (10)

1.基于全程视频监控的游泳考试监管控制系统，其特征在于，所述系统包括：
信息录入模块，用于录入考生的面部信息、体型信息、身份信息及考试项目；
泳道识别模块，用于根据考生的面部信息识别获取各泳道考生的身份信息，及将各泳道考生的身份信息与预置泳道排序信息进行比对，判断各泳道上的考生身份是否正确；
犯规动作识别模块，用于根据考生的体型信息及考试项目选择对应的犯规识别模型，按照对应的犯规识别模型对考试过程进行识别；
成绩统计模块，用于记录考试成绩并将考试成绩及犯规信息发送至对应考生的终端上。
2.根据权利要求1所述的基于全程视频监控的游泳考试监管控制系统,其特征在于，所述体型信息包括身高；
所述犯规识别模型建立的过程为：
S1、将考生的身高划分为若干个身高区间，基于大数据对每个身高区间下不同泳姿的标准动作图像及犯规动作图像进行获取；
S2、对不同身高区间下不同泳姿的标准动作图像及犯规动作图像进行处理，将处理后的标准动作图像作为正样本，将处理后的犯规动作图像作为负样本；
S3、构建卷积神经网络，通过正样本及负样本对卷积神经网络进行训练，得到不同身高区间下不同泳姿对应的犯规识别模型。
3.根据权利要求1所述的基于全程视频监控的游泳考试监管控制系统,其特征在于，所述系统还包括发令模块；
所述发令模块用于判断考生是否做好出发准备、发出出发指令及判断考生是否抢跳。
4.根据权利要求2所述的基于全程视频监控的游泳考试监管控制系统,其特征在于，所述发令模块的工作过程为：
S100、获取泳道起跳处所有考生的实时影像信息；
S200、发出准备指令后，根据实时影像信息识别出考生的当前动作，当所有考生的当前动作满足预设标准时，发出出发指令；
S300、根据发出出发指令时间点各考生的位置判断考生是否抢跳。
5.根据权利要求1所述的基于全程视频监控的游泳考试监管控制系统,其特征在于，所述系统还包括评价模块；
所述评价模块用于对考生的考试过程分段计时，并根据分段计时数据及总成绩对考生进行评价。
6.根据权利要求5所述的基于全程视频监控的游泳考试监管控制系统,其特征在于，所述评价的过程包括：
SS100、获取考试项目并对该考试项目设定若干个成绩区间；
SS200、对每个成绩区间设定若干个对应的检查条目A1、A2、…、An，对设定每个检测条目的标准成绩AS1、AS2、…、ASn；
SS300、根据考生的实际成绩判断其所处的成绩区间，将考生检查条目的成绩分别与该区间及上一成绩区间的各检测条目的标准成绩进行比对，根据对比结果对考生进行评价。
7.根据权利要求6所述的基于全程视频监控的游泳考试监管控制系统,其特征在于，步骤SS300中对比的过程为：
若Si≤BSi，则判断检查条目Ai为优秀；
若BSi≤Si＜ASi，则判断检查条目Ai为及格；
若Si＜BSi，则判断检查条目Ai为不及格；
其中，n为检测的条目数，i∈[1，n]，Si为第i个检测条目的成绩，ASi为第i个检测条目在该成绩区间的标准成绩，BSi为第i个检测条目在上一成绩区间的标准成绩。
8.根据权利要求7所述的基于全程视频监控的游泳考试监管控制系统,其特征在于，步骤SS300中评价的过程为：
预先对检查条目A1、A2、…、An设定难度值D1、D2、…、Dn；
通过公式
Figure FDA0003801009390000031
计算出考试在当前成绩区间的难度值Eva，通过难度值Eva对考试进行评价；
其中，δi为第i个检测条目对应的实现系数，若Ai为不及格，则δi＝0，若Ai为及格，则δi＝0.5，若Ai为优秀，则δi＝1。
9.根据权利要求4所述的基于全程视频监控的游泳考试监管控制系统,其特征在于，所述系统还包括干扰检测模块；
所述干扰检测模块用于判断泳池内是否存在干扰物影响比赛，所述发令模块基于所述干扰检测模块判断的结果启动。
10.根据权利要求9所述的基于全程视频监控的游泳考试监管控制系统,其特征在于，所述干扰检测模块的工作过程为：
获取开始考试前特定时间段的泳池监控图像信息；
将获取的监控图像信息与预设的标准图像信息进行识别特征比对：
若存在异常特征，则判断存在干扰；
否则，判断无干扰，并向发令模块发送启动指令。
CN202210986024.3A 2022-08-16 2022-08-16 基于全程视频监控的游泳考试监管控制系统 Pending CN115359421A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210986024.3A CN115359421A (zh) 2022-08-16 2022-08-16 基于全程视频监控的游泳考试监管控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210986024.3A CN115359421A (zh) 2022-08-16 2022-08-16 基于全程视频监控的游泳考试监管控制系统

Publications (1)

Publication Number Publication Date
CN115359421A true CN115359421A (zh) 2022-11-18

Family

ID=84002999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210986024.3A Pending CN115359421A (zh) 2022-08-16 2022-08-16 基于全程视频监控的游泳考试监管控制系统

Country Status (1)

Country Link
CN (1) CN115359421A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117095472A (zh) * 2023-10-18 2023-11-21 广州华夏汇海科技有限公司 基于ai的泳姿犯规动作判断方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117095472A (zh) * 2023-10-18 2023-11-21 广州华夏汇海科技有限公司 基于ai的泳姿犯规动作判断方法及系统
CN117095472B (zh) * 2023-10-18 2024-02-20 广州华夏汇海科技有限公司 基于ai的泳姿犯规动作判断方法及系统

Similar Documents

Publication Publication Date Title
CN110852219B (zh) 一种多行人跨摄像头在线跟踪系统
CN107609493B (zh) 优化人脸图片质量评价模型的方法及装置
CN110090424B (zh) 一种用于足球绕杆考核的裁判系统
CN110728225B (zh) 一种用于考勤的高速人脸搜索方法
CN105791299A (zh) 一种无人监考的智能化上机考试系统
CN105488142B (zh) 成绩信息录入方法及系统
CN112926412A (zh) 自适应教学课堂监控方法及系统
CN102799893A (zh) 考场监控视频处理方法
CN111291613B (zh) 一种课堂表现评价方法及系统
CN106023516A (zh) 一种考试监控方法、系统及考场监控器
CN115359421A (zh) 基于全程视频监控的游泳考试监管控制系统
CN109409294B (zh) 基于对象运动轨迹的停球事件的分类方法和系统
CN112257591A (zh) 一种基于机器视觉的远程视频教学质量评定方法与系统
CN110604915A (zh) 立定跳远测试的方法及装置
CN112464793A (zh) 一种在线考试作弊行为检测方法、系统和存储介质
CN111523444A (zh) 基于改进的Openpose模型和面部微表情的课堂行为检测的方法
CN113706348A (zh) 基于人脸识别的在线自动监考系统及方法
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
CN114022944A (zh) 一种智能监控系统
CN112633262B (zh) 通道监测方法、装置、电子设备及介质
CN114169755A (zh) 一种驾驶员接管能力考评及报警方法、系统、设备及介质
CN110264385B (zh) 一种基于面部特征识别的进校验证系统及方法
CN110624203A (zh) 自由式立定跳远测试的方法及装置
CN116563922A (zh) 一种基于人工智能的跳绳自动计数方法
CN115204678A (zh) 一种基于景区旅游平台的旅游评价分析系统

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