[发明专利]一种基于姿态时空特征的考场异常行为识别方法

说明书

本发明属于姿态识别技术领域，尤其涉及一种基于姿态时空特征的考场异常行为识别方法。包括如下步骤：对考场监控视频进行截帧，获得连续多帧考生肢体行为图像，所述考场监控视频是由摄像头采集获得的；对所述考生肢体行为图像进行预处理，提取考生肢体行为图像中考生的关键点的时空信息序列；将所述时空信息序列输入单人原子行为识别模型，输出异常行为的类型、时间、位置和方向；基于异常行为的类型、时间、位置和方向，筛选并提取出时间接近、位置相邻且异常行为的类型相对应的考生的关键点的时空信息序列；将获取的时空信息序列输入双人协同行为识别模型，输出双人异常行为类型。该方法识别效果好、识别效率高、可扩展性强。

技术领域

本发明属于姿态识别技术领域，尤其涉及一种基于姿态时空特征的考场异常行为识别方法。

背景技术

近年来，姿态识别技术愈加成熟，应用范围不断扩大到智能监控、人机交互、运动分析等领域。目前的姿态识别技术主要分为基于可穿戴设备的检测手段和基于计算机视觉的检测手段。

基于可穿戴设备传感器的检测手段，主要是依赖于其设备上的传感器所传回的数据信息，通过对这些数据进行分析，来判断被检测者的行为状态。鲁鹏威等人将惯性传感器安装在帕金森患者的足部、大腿、胸腔、手腕处，通过测量这些部位的加速度和角速度来检测患者的行为姿态。Lai等人通过将十四个三轴惯性传感器放置在身体的易受伤部位，创建了一个根据传感器数据来判断跌倒事故发生和其受伤程度的系统。但可穿戴设备的最大不足之处在于其受试者的体验不甚友好，因此难以得到大范围的应用。

基于计算机视觉的检测手段在近些年来不断运用于研究当中。许多研究者使用微软的Kinect相机得到了丰富的研究成果。Rajesh等人应用Kinect的“骨骼图像”项目得到了人类手臂的骨骼图像，并使用合适的算法处理识别了关节和角度。谢亮等人应用Kinect相机确认了多个关节点坐标，通过确定每个关节点之间的欧氏距离与角度总结得到判别特定姿势的方法。

目前，在教育领域中，基于计算机视觉的检测手段的应用还是比较少见的。传统的监考模式，即监控监考、流动监考、教室监考三级监考模式监考效率低、监考成本高的问题愈发突出，实现智能监考成为计算机视觉领域的研究热点。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种基于姿态时空特征的考场异常行为识别方法，识别效果好、识别效率高、可扩展性强。

(二)技术方案

本发明提供一种基于姿态时空特征的考场异常行为识别方法，包括如下步骤：

步骤A1、对考场监控视频进行截帧，获得连续多帧考生肢体行为图像，所述考场监控视频是由摄像头采集获得的；

步骤A2、对所述考生肢体行为图像进行预处理，提取考生肢体行为图像中考生的关键点的时空信息序列；

步骤A3、将所述时空信息序列输入单人原子行为识别模型，输出异常行为的类型、时间、位置和方向，或输出行为正常；

其中，单人原子行为识别模型为基于考生肢体行为图像和对应的行为类别抽象出的模型。

进一步地，还包括：

步骤A4、基于异常行为的类型、时间、位置和方向，筛选并提取出时间接近、位置相邻且异常行为的类型相对应的考生的关键点的时空信息序列；

步骤A5、将步骤A4中获取的时空信息序列输入双人协同行为识别模型，输出双人异常行为类型；

其中，双人协同行为识别模型为基于两名考生异常行为的类型、时间、位置和方向的模型。

进一步地，所述单人原子行为识别模型中包括异常行为：举手、伸手、转动和坐姿，分别以RH、RA、TN和SP表示。