一种基于视频理解模型的考生回头异常行为检测方法技术

本发明专利技术公开了一种基于视频理解模型的考生回头异常行为检测方法，包括：训练出检测考生的目标检测模型，检测出考场录像中的考生包围盒；获取包围盒时序上连续k个采样帧并预处理；计算出连续采样帧之间的k

【技术实现步骤摘要】
一种基于视频理解模型的考生回头异常行为检测方法


[0001]本专利技术属于人工智能领域，特别涉及一种基于视频理解模型的考生回头异常行为检测方法。

技术介绍

[0002]目前高考的监考监控录像需要进行人力审阅，查找潜在的考生回头作弊行为，耗时耗力。如果能实现自动化，智能化分析高考监控录像，检测可能的考生异常作弊行为，将是非常有益的。
[0003]随着机器学习的发展，尤其是深度学习的发展，一些传统计算机视觉解决不了的问题得到的解决，一些传统视觉效果不够的方面也得到了很大提高。

技术实现思路

[0004]本专利技术利用机器学习、深度学习等计算机视觉方法，提出一种基于视频理解模型的考生回头异常行为检测方法，实现一定程度的自动化，智能化审核高考监控录像。
[0005]一种基于视频理解模型的考生回头异常行为检测方法，包括以下步骤：步骤1：训练出检测考生的目标检测模型，检测出考场录像中的考生包围盒；步骤2：获取包围盒时序上连续k个采样帧并预处理；步骤3：计算出连续采样帧之间的k
‑
1帧光流；步骤4：将光流进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视频理解模型的考生回头异常行为检测方法，其特征在于，包括以下步骤：步骤1：训练出检测考生的目标检测模型，检测出考场录像中的考生包围盒；步骤2：获取包围盒时序上连续k个采样帧并预处理；步骤3：计算出连续采样帧之间的k
‑
1帧光流；步骤4：将光流进行预处理；步骤5：基于数据集训练出视频理解分类模型，将光流输入到该视频理解模型中；步骤6：经过模型分类得到可能的回头作弊考生；步骤7：通过光流阈值过滤误检；步骤8：通过基于IOU的算法过滤出对监考老师的误检，得到最终结果。2.根据权利要求1所述的检测方法，其特征在于，步骤1包括如下步骤：步骤1
‑
1：利用图像标注技术，从考场监控视频中获取考生包围盒样本；步骤1
‑
2：利用步骤1
‑
1得到的考生包围盒样本，使用labelImg工具标注考生目标的模型学习训练集；步骤1
‑
3：构造yolov5目标检测网络，yolov5的主干网络采用CSPDarknet53，脖颈网络采用PAN，检测头部分采用yolov5的方法，主干用于通过连续地卷积和下采样提取图像的基本特征，脖颈部分针对图像中目标大小不一的问题，构造出多个尺度特征映射用于检测，同时融合低层的较强细节，定位信息和高层的强语义信息，更有利于多种尺寸目标的检测，检测头是网络生成所有包围盒部分，并执行非极大值抑制算法，去除单个目标的冗余包围盒，得到最终的检测结果；步骤1
‑
4：利用基于Imagenet数据集预训练权重初始化yolov5的主干网络，其他网络按需初始化；步骤1
‑
5：利用步骤1
‑
2的数据集，对步骤1
‑
4的目标检测模型进行训练，得到可以检测考生目标的泛化模型；步骤1
‑
6：利用步骤1
‑
5中的模型检测出监控视频中的考生，得到包围盒。3.根据权利要求2所述的检测方法，其特征在于，步骤2包括以下步骤：步骤2
‑
1：获取视频中考生包围盒的前k帧切片；步骤2
‑
2：将切片转化为灰度图，并进行灰度均衡化预处理。4.根据权利要求3所述的检测方法，其特征在于，步骤3包括以下步骤：使用Luca...

【专利技术属性】
技术研发人员：王晨阳，周关龙，张苏杭，丁辉，齐晓强，方良民，刘舜，郭延文，
申请(专利权)人：长春金阳高科技有限责任公司，
类型：发明
国别省市：