一种基于深度学习的考场监控方法技术

本发明专利技术公开了一种基于深度学习的考场监控方法，包括：监控系统实时拍摄考试视频；将预处理后的考试图像输入到已训练好的卷积神经网络当中，卷积神经网络将考试图像均匀的分成多个网格；每个网格对网格内的待识别物体进行行为类框预测，将行为类框的类别得分与预设阀值比较，过滤低于预设阀值的行为类框，将高于预设阀值的行为类框进行非极大值抑制，得到最终的检测框；根据最终的检测框的得分T与优化后的自适应参数q，p，r进行比较，得到行为类框中含有目标的概率。本发明专利技术在现有的一段式算法中的YOLO算法基础上，对检测数据进行深度学习自适应参数优化，并且提出自适应参数区间划分异常行为程度，将进一步提高异常行为检测的精确度。确度。确度。

【技术实现步骤摘要】
一种基于深度学习的考场监控方法


[0001]本专利技术涉及视频监控与识别
，具体涉及一种基于深度学习的考场监控方法。

技术介绍

[0002]为了监控考生是否作弊,现有方法一般是在考场安装监控探头,由专门的人员进行监控,同时考场中有监考人员进行现场监考；当监控人员发现监控视频中考生存在异常行为后,将该信息传给考场监考人员,由监考人员验证考生是否作弊。现有方法中,由于监控人员监控的考生较多,很难逐一关注每个考生的具体动作,经常会存在大量遗漏,而现场的监考人员也存在同样的问题,即使有作弊的考生,也很难及时发现,作弊检测效果较差。
[0003]随着计算机计算能力的不断发展,计算机视觉技术能够逐渐应用于实际生活中，方便人们的生活。在视频监控领域中,监控视频中很重要的一个任务就是发现人并解释并辨别其行为。当需要知道指定目标是否出现在监控系统，则应在视频序列中识别出人物，属于人物检测问题。考虑到时空关联性,在监控视频中识别并判别出现在监控中某个目标动作行为的问题。人物检测技术是人物动作识别的基础。基于人物检测实现动作检测，进而运用于考试监视系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的考场监控方法，其特征在于，包括：S1，监控系统实时拍摄考试视频，获取考试视频的考试图像，并对考试图像进行预处理；S2，将预处理后的考试图像输入到已训练好的卷积神经网络当中，卷积神经网络将考试图像均匀的分成多个网格；S3，每个网格对网格内的待识别物体进行行为类框预测，其中行为类框包括框的中心坐标信息、宽高和类别置信度；S4，将行为类框的类别得分与预设阀值比较，过滤低于预设阀值的行为类框，将高于预设阀值的行为类框进行非极大值抑制，得到最终的检测框；S5，根据最终的检测框的得分T与优化后的自适应参数q，p，r进行比较，得到行为类框中含有目标的概率。2.根据权利要求1所述的基于深度学习的考场监控方法，其特征在于，对视频序列进行预处理包括：对输入图像进行放缩处理。3.根据权利要求1所述的基于深度学习的考场监控方法，其特征在于，步骤S3包括：人为标签行为类候选框；卷积网络输出相对于候选框的偏移量，得到行为类框的中心坐标信息；通过预测行为类的概率和IOU的乘积得到置信度；每个网格预测所有行为类的条件概率，通过条件概率和置信度的乘积得到各个行为类框的得分。4.根据权利要求3所述的基于深度学习的考场监控方法，其特征在于，人为标签行为类候选框包括：由K
‑
means聚类算法对数据集进行聚类得到候选框大小，具体为:通过人为标签n个行为类框的宽高数据(w,h)，并且在这其中选取k个候选框对应k个候选框簇，计算每个行为类框与候选框的欧几里得距离，将欧几里得距离为P的候选框划分成一个簇，再计算每个簇的平均值得到新的簇中心；重复上述过程指直到簇中心没有变化；所得的最后簇中心为该行为类候选框的大小，其中n>k,P>0。5.根据权利要求4所述的基于深度学习的考场监控方法，其特征在于，通过预测行为类的概率和IOU的乘积得到置信度包括：若行为类落在网格内，则预测行为类的...

【专利技术属性】
技术研发人员：朱静，薛穗华，何伟聪，潘梓沛，毛俊彦，尹邦政，赵宣博，明家辉，何泳隆，郑森元，
申请(专利权)人：广州大学，
类型：发明
国别省市：