[发明专利]一种基于多摄像头协同分析和识别考生异常行为的方法

说明书

本发明公开了一种基于多摄像头协同分析和识别考生异常行为的方法，其特点是采用深度学习的方法，从多视角视频中提取识别身体关键点，通过计算关键点坐标和四肢坐标相对关系来判断考生是否具有异常行为，最后输出识别考生异常行为的视频，考生异常行为的识别具体包括：1）利用Alphapose模型进行人体骨骼点识别；2）异常行为分析及可视化等步骤。本发明与现有技术相比具有精准地识别出考生在一段时间内发生异常行为的情况，方法简便、省时省力、经济、高效，提高监考效率，预防考试突发情况发生，为考生营造更好的、更公平的考试环境，为监管人员提供更高效、更智能的实时监考技术。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于多摄像头协同分析和识别考场异常行为的方法。

背景技术

当下正处于信息爆炸的时代，考场监控摄像头记录着大量考生考试的视频，但仅局限于监考人员监视紧急情况，视频利用率低且监视效率低下，当发生紧急情况若监视人员未能第一时间发生响应容易错过最佳处理时间，铸成大错。目前，考场基本配备两名监考人员进行监考，其职能为分发试卷、收集试卷和响应考生，很多时间下并不会随时随地注视考生行为，导致存在考生作弊问题；其次当考场出现突发情况如播放听力试题错误、试卷分发错误、考生晕倒、考场冲突等突发异常事故，监考人员需离开考场联系上级，期间浪费宝贵时间，由于无法及时向上级反映，导致情况处理不及时。耗费大量人力资源和监控资源但在监考过程中依旧无法及时处理突发异常事故为当下监考有待解决问题。随着人工智能的不断发展，目前已有将深度学习技术引入监考当中，如基于目标检测技术识别出人的表情、作弊手势，已有成效。

现有技术的智能考场监控利用深度学习方法，该方法基于某一特定特征进行判断，如某一作弊手势等，训练需要大量的异常行为样本，其次该方法也无法识别未训练过的异常行为。

发明内容

本发明的目的是针对现有技术的空缺提供了一种基于多摄像头协同分析和识别考试人员异常行为方法，采用深度学习的方法，从多视角视频中提取考生身体范围，利用该范围识别身体关键点，然后通过计算关键点坐标和四肢坐标相对关系来判断考生是否具有异常行为，若具有异常行为则根据规则将考生四肢和关键点及其对应异常行为可视化在每帧视频影像中，最后输出识别考生异常行为的视频。方法简便、省时省力、经济、高效，并且能够精准地识别出考生在一段时间内发生异常行为的情况，能进一步深度挖掘监考视频中隐含信息，提高监考效率，预防考试突发情况发生，为考生营造更好的、更公平的考试环境，为监管人员提供更高效、更智能的实时监考技术。

实现本发明目的具体技术方案是：一种基于多摄像头协同分析的考场异常行为识别方法，其特点是采用深度学习方法从考场监控视频多角度提取出考生的身体关键点，利用异常行为规则通过四肢及骨骼点之间的相对关系判断考生是否有异常行为，最后可视化考生骨架及其异常行为，所述考生异常行为识别具体步骤包括下述步骤:

步骤1：采集考生行为设备搭建

将需要考生进入考场入座等待，在考场正面和侧面架设两个高清摄像头，从考场的正面和侧面对考生进行观测，保证无死角、精确地监视考生的行为动作；

步骤2：考生身体关键点识别

从视频影像逐帧获取图像作为Alphapose模型输入数据，模型先使用YOLO模型来对考生的身体范围进行标注得到标注考生范围的数据，然后POSE模型利用该数据进行关键点的识别，最终识别出鼻子、左右眼、左右耳、左右肩、左右手肘、左右手腕、左右臀、左右膝盖、左右脚踝、肩中心等18个关键点，该数据将用于考生的异常行为识别，关键点编号如表1所示：

表1关键点编号