一种基于动作识别的考场异常行为识别方法技术

本发明专利技术涉及动作识别技术领域，尤其涉及一种基于动作识别的考场异常行为识别方法，通过在ResNet

【技术实现步骤摘要】
一种基于动作识别的考场异常行为识别方法


[0001]本专利技术涉及动作识别
，尤其涉及一种基于动作识别的考场异常行为识别方法。

技术介绍

[0002]随着计算机技术的发展和动作识别应用领域的推广，高校为了维护考试的公平性，将智能监控应用到考场上会成为必然趋势。传统的线下监考模式需要大量人力资源和财力资源，尤其是在高校集中进行数次考试中，这对监考人员的体力都是很大的消耗，很容易导致监考人员的注意力下降，对考场异常行为漏检。虽然考场存在监控摄像头，但是目前普遍应用的电子设备只能对考场进行简单的视频记录和存储等，仍需要人工利用大量时间对监控内容进行筛选和鉴别。为了解决考试监考的人力消耗问题，人们将计算机视觉领域与监控任务相结合，然而现存的智能监考系统的实时性和准确性还达不到实际应用的标准，存在着很多弊端，例如在局部遮挡、背景复杂和视觉变化的情况下，识别效果不尽人意。现存的大多方法使用基于对视频前后帧的差异信息进行识别和判断，很难捕捉到考场细微异常动作的差异，对微小的考场异常行为识别能力较低，例如微偏过头偷看他人试卷等细粒度行为；在效率方面上，很多方法也很难达到实时监控的要求。

技术实现思路

[0003]本专利技术的目的在于提供一种基于动作识别的考场异常行为识别方法，改善了现有的基于深度学习考生考场异常行为分析方法不能准确识别异常小尺度行为的情况。
[0004]为实现上述目的，本专利技术提供了一种基于动作识别的考场异常行为识别方法，包括下列步骤：
[0005]收集实时的考场原始视频内容；
[0006]对视频进行图像分割获得考场中的每个考生的动作图像；
[0007]选择单个考生的动作图像处理获得输入图像序列；
[0008]将所述图像序列输入异常行为识别网络模型训练直至收敛，输出分类结果；
[0009]将所述分类结果融合，实现考场异常行为识别。
[0010]其中，在选择单个考生的动作图像处理获得输入图像序列的过程中，将单个考生的视频图像分为5个片段得到5个连续的帧序列，经过数据预处理后成为所述输入图像序列。
[0011]其中，所述数据预处理的过程具体为将RGB图像短边调整为256，然后采用位置抖动、水平翻转角点裁剪和比例抖动处理方法来增强数据，并将裁剪过的区域大小调整为224
×
224。
[0012]其中，所述异常行为识别网络模型基于ResNet
‑
50网络改进构成，包括5个stage，其中每个stage包括多个bottleneck residual block，每个bottleneck residual block均包括时间交互模块和通道空间注意力模块。
[0013]其中，所述时间交互模块使用一种基于通道的卷积来独立地学习每个通道的时间演化，降低计算复杂度。
[0014]其中，所述通道空间注意力模块由通道注意力模块和空间注意力模块组成，既包含通道的注意力机制，又包含空间的注意力机制。
[0015]其中，在模型训练中随机生成模型的权重，权重后期训练过程中根据模型训练的结果好坏对模型进行不断反向传播学习得到，最后采用平均加权方法融合分类结果，对考场异常行为进行有效识别。
[0016]本专利技术提供了一种基于动作识别的考场异常行为识别方法，通过在ResNet
‑
50主干网络上的bottleneck residual block分别加入时间交互模块和通道空间注意力模块生成异常行为识别网络模型，再将考场中的视频处理后输入异常行为识别网络模型里训练直至收敛，最终将得到的特征结果融合，实现考场异常行为识别，其中利用时间交互模块和通道空间交互模块来识别考场中每个考生动作，尤其是对考生的细粒度动作能进行有效捕获，改善了现有的基于深度学习考生考场异常行为分析方法不能准确识别异常小尺度行为的情况，进一步的，使用时间交互模块能以较低的计算成本捕获时间上下文信息。
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018]图1是本专利技术的一种基于动作识别的考场异常行为识别方法的流程示意图。
[0019]图2是本专利技术的时间交互模块的构建示例过程示意图。
[0020]图3是本专利技术的通道空间注意力机制模块的结构示意图。
[0021]图4是本专利技术的通道注意力模块的结构示意图。
[0022]图5是本专利技术的空间注意力模块的结构示意图。
[0023]图6是本专利技术的改进的ResNet
‑
50的网络结构图。
[0024]图7是本专利技术的异常行为识别网络模型的结构示意图。
具体实施方式
[0025]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0026]请参阅图1至图7，本专利技术提出了一种基于动作识别的考场异常行为识别方法，包括下列步骤：
[0027]S1：收集实时的考场原始视频内容；
[0028]S2：对视频进行图像分割获得考场中的每个考生的动作图像；
[0029]S3：选择单个考生的动作图像处理获得输入图像序列；
[0030]S4：将所述图像序列输入异常行为识别网络模型训练直至收敛，输出分类结果；
[0031]S5：将所述分类结果融合，实现考场异常行为识别。
[0032]在选择单个考生的动作图像处理获得输入图像序列的过程中，将单个考生的视频图像分为5个片段得到5个连续的帧序列，经过数据预处理后成为所述输入图像序列。
[0033]所述数据预处理的过程具体为将RGB图像短边调整为256，然后采用位置抖动、水平翻转角点裁剪和比例抖动处理方法来增强数据，并将裁剪过的区域大小调整为224
×
224。
[0034]所述异常行为识别网络模型基于ResNet
‑
50网络改进构成，包括5个stage，其中每个stage包括多个bottleneck residual block，每个bottleneck residual block均包括时间交互模块和通道空间注意力模块。
[0035]所述时间交互模块使用一种基于通道的卷积来独立地学习每个通道的时间演化，降低计算复杂度。
[0036]所述通道空间注意力模块由通道注意力模块和空间注意力模块组成，既包含通道的注意力机制，又包含空间的注意力机制。
[0037]在模型训练中随机生成模型的权重，权重后期训练过程中根据模型训练的结果好坏对模型进行不断反向传播学习得到，最后采用平均加权方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动作识别的考场异常行为识别方法，其特征在于，包括下列步骤：收集实时的考场原始视频内容；对视频进行图像分割获得考场中的每个考生的动作图像；选择单个考生的动作图像处理获得输入图像序列；将所述图像序列输入异常行为识别网络模型训练直至收敛，输出分类结果；将所述分类结果融合，实现考场异常行为识别。2.如权利要求1所述的基于动作识别的考场异常行为识别方法，其特征在于，在选择单个考生的动作图像处理获得输入图像序列的过程中，将单个考生的视频图像分为5个片段得到5个连续的帧序列，经过数据预处理后成为所述输入图像序列。3.如权利要求2所述的基于动作识别的考场异常行为识别方法，其特征在于，所述数据预处理的过程具体为将RGB图像短边调整为256，然后采用位置抖动、水平翻转角点裁剪和比例抖动处理方法来增强数据，并将裁剪过的区域大小调整为224
×
224。4.如权利要求1所述的基于动作识别的考场异常行为识别方法，其特征在于，所述异常...

【专利技术属性】
技术研发人员：闫月，刘建明，王鑫，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：