一种基于人工智能的考场监测系统技术方案

本发明专利技术公开了一种基于人工智能的考场监测系统，具体涉及视觉监控技术领域，包括数据处理中心、监测模块、云端数据库模块、人机交互界面、数据分析模块、反馈模块和更新模块。本发明专利技术通过对考场中监考人员和应试人员的面部表情和动作行为进行捕捉和分析，并比对数据库中行为，构建出考场中人员的行为模型，通过行为模型去监控考场中应试人员的行为举止，对于具有明显违规的操作可以快速且准确的识别出来，从而保证考场中的秩序，另外，可以对考场中的监考人员进行识别，防止监考人员和应试人员互相勾结。相勾结。相勾结。

【技术实现步骤摘要】
一种基于人工智能的考场监测系统


[0001]本专利技术涉及视觉监控
，更具体地说，本专利技术涉及一种基于人工智能的考场监测系统。

技术介绍

[0002]近年来，随着深度学习算法的不断完善和发展,特别是在与目标检测相结合方面,取得了突破性进展。而结合了计算机视觉技术的第三代智能视觉监控技术也实现了跨越式发展。因此,面对日益猖獗的考试作弊所导致的种种社会问题,基于深度学习的考场智能视觉监控系统在杜绝考试作弊方面就有极大的意义和价值。
[0003]专利授权公布号为CN111382721B的中国专利公开了一种基于人工智能的考场监测系统，该基于人工智能的考场监测系统不仅能够针对考场内外环境进行监控，并且还能够通过关于考场的图像对考场内的每一个人进行细节化的监控分析，从而确定当前考场内外环境和考场内的每一个人的行为动作与预设考场要求之间的差异，以此有针对性地对考场内部的每一个人进行排查和互动，同时也不针对考场的内外环境变化对考场进行有效的调控虽然可以对人员的动作进行捕捉，但是实际上使用时捕捉效果不佳，只是简单的对捕捉到的图像与预设的动作进行比对，但是实际考场中，应考人员的动作往往很小，因此，我们需要更采用更小的捕捉方式采集人员的面部表情和行为举止。
[0004]专利技术新型内容为了克服现有技术的上述缺陷，本专利技术的实施例提供一种基于人工智能的考场监测系统，对考场中监考人员和应试人员的面部表情和动作行为进行捕捉和分析，并比对数据库中行为，构建出考场中人员的行为模型，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于人工智能的考场监测系统，包括数据处理中心、监测模块、云端数据库模块、人机交互界面、数据分析模块、反馈模块和更新模块；所述监测模块用于对考场中人员的面部表情进行识别和动作行为的捕捉，并将识别和捕捉后的数据通过数据处理中心传递至数据分析模块；所述云端数据库模块用于储存考场中分析后的数据信息，并通过互联网下载现有的数据信息，形成数据分析时的数据库；所述人机交互界面便于使用者进行操作，实现人机交互作用；所述数据分析模块用于对考场中应考人员的动作行为进行分析，并构建应试行为模型，分析考场环境中应试人员的行为趋势；所述反馈模块用于接收后台监考人员、考场监考人员和考场应考人员反馈的数据，并将数据传递至数据处理中心中；所述更新模块用于接收数据分析模块分析的考场应试人员、监考人员的数据，并将数据通过数据处理中心传输至云端数据库模块中，并依此向云端数据库模块输入更新的
指令。
[0006]在一个优选地实施方式中，所述监测模块包括面部表情识别单元和面部表情监控单元；所述面部表情识别单元用于考场中监考人员和应试人员的面部表情进行监控，并采用至少个定制人脸抓拍摄像头，分布在考场的对角线区域中，进行无感化人脸识别；所述面部表情监控单元用于对考场中应考人员的面部表情进行监控，并将面部表情数据传递至数据处理中心中。
[0007]在一个优选地实施方式中，所述监测模块中对面部表情进行监控的方式分为两种，具体如下：第一种，人脸检测，对于人脸角度超过一定阈值的不检出；第二种，人脸识别聚类，通过多帧的人脸识别做聚类，聚类的依据主要是通过人脸识别的置信度以及上下帧之间的人脸位置变化来确定。
[0008]在一个优选地实施方式中，所述数据分析模块包括动作捕捉单元、分类单元和模型单元，检测人体的关键点，通过关键点描述人体骨骼信息；所述动作捕捉单元用于捕捉人体骨骼关键点，通过人体骨骼关键点描述人体姿态；所述分类单元对挖掘出来的动态特性进行分类，分成不同的行为类别输出；所述模型单元将分类后的行为数据用于构建行为模型；在一个优选地实施方式中，所述行为模型通过卷积神经网络建立，形成基于卷积神经网络的行为模型，具体步骤如下：步骤1：构建初始模型，所述初始模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、全连接层的初始权重矩阵和所述全连接层的初始偏置向量；步骤2：获取多个训练图像，在步骤1所述的各级卷积层上，使用所述各级卷积层上的初始卷积核和初始偏置矩阵，对每个训练图像分别进行卷积操作和最大池化操作，得到每个训练图像在所述各级卷积层上的第一特征图像；对每个训练图像在至少一级卷积层上的第一特征图像进行水平池化操作，得到每个训练图像在各级卷积层上的第二特征图像；步骤3：确定特征向量，根据每个训练图像在各级卷积层上的第二特征图像确定每个训练图像的特征向量；步骤4：确定类别概率向量，根据所述初始权重矩阵和初始偏置向量对每个特征向量进行处理，得到每个训练图像的类别概率向量；步骤5：调整模型参数，根据所述每个训练图像的类别概率向量及每个训练图像的初始类别，计算类别误差，并基于所述类别误差，对所述待训练行为模型的模型参数进行调整；步骤6：优化行为模型，对步骤6生成的模型参数和多个训练图像，继续进行模型参数调整的过程，不断迭代，直至达到新模型的模型参数。
[0009]在一个优选地实施方式中，所述步骤2中水平池化操作是指提取所述第一特征图像中的每个图像每行元素中的特征值最大值，按照所述每个图像的像素排列情况，将每个图像所有行提取到的最大值排列成一个一维向量。。
[0010]在一个优选地实施方式中，所述步骤6中迭代次数的次数与预设次数相同时，将迭代次数达到预设次数时所得到的模型参数作为训练好的行为模型的模型参数。
[0011]在一个优选地实施方式中，所述一种存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行上述任意一项所述的一种基于人工智能的考场监测系统。
[0012]在一个优选地实施方式中，一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任意一项所述的一种基于人工智能的考场监测系统。
[0013]本专利技术的技术效果和优点：1、本专利技术通过对考场中监考人员和应试人员的面部表情和动作行为进行捕捉和分析，并比对数据库中行为，构建出考场中人员的行为模型，通过行为模型去监控考场中应试人员的行为举止，对于具有明显违规的操作可以快速且准确的识别出来，从而保证考场中的秩序，另外，可以对考场中的监考人员进行识别，防止监考人员和应试人员互相勾结；2、本专利技术通过构建卷积神经网络，并给予卷积神经网络构建行为模型，对监测模块捕捉到的数据进行最大池化操作和水平池化操作，从而提取出特征图像，并标识特征图像水平方向上的特征图像，并对特征图像进行训练，训练后的行为模型在识别行为方式时的适用范围比较广泛。
附图说明
[0014]图1为适用于本专利技术提出的一种基于人工智能的考场监测系统的框架示意图。
[0015]图2为适用于本专利技术中行为模型的建立流程示意图。
[0016]图3为适用于本专利技术实施例3中电子设备的结构示意图。
[0017]附图标记为：1、数据处理中心；2、监测模块；3、云端数据库模块；4、人机交互本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的考场监测系统，包括数据处理中心（1）、监测模块（2）、云端数据库模块（3）、人机交互界面（4）、数据分析模块（5）、反馈模块（6）和更新模块（7）；所述监测模块（2）用于对考场中人员的面部表情进行识别和动作行为的捕捉，并将识别和捕捉后的数据通过数据处理中心（1）传递至数据分析模块（5）；所述云端数据库模块（3）用于储存考场中分析后的数据信息，并通过互联网下载现有的数据信息，形成数据分析时的数据库；所述人机交互界面（4）便于使用者进行操作，实现人机交互作用；所述数据分析模块（5）用于对考场中应考人员的动作行为进行分析，并构建应试行为模型，分析考场环境中应试人员的行为趋势；所述反馈模块（6）用于接收后台监考人员、考场监考人员和考场应考人员反馈的数据，并将数据传递至数据处理中心（1）中；所述更新模块（7）用于接收数据分析模块（5）分析的考场应试人员、监考人员的数据，并将数据通过数据处理中心（1）传输至云端数据库模块（3）中，并依此向云端数据库模块（3）输入更新的指令。2.根据权利要求1所述的一种基于人工智能的考场监测系统，其特征在于：所述监测模块（2）包括面部表情识别单元（21）和面部表情监控单元（22）；所述面部表情识别单元（21）用于考场中监考人员和应试人员的面部表情进行监控，并采用至少2个定制人脸抓拍摄像头，分布在考场的对角线区域中，进行无感化人脸识别；所述面部表情监控单元（22）用于对考场中应考人员的面部表情进行监控，并将面部表情数据传递至数据处理中心（1）中。3.根据权利要求2所述的一种基于人工智能的考场监测系统，其特征在于：所述监测模块（2）中对面部表情进行监控的方式分为两种，具体如下：第一种，人脸检测，对于人脸角度超过一定阈值的不检出；第二种，人脸识别聚类，通过多帧的人脸识别做聚类，聚类的依据主要是通过人脸识别的置信度以及上下帧之间的人脸位置变化来确定。4.根据权利要求1所述的一种基于人工智能的考场监测系统，其特征在于：所述数据分析模块（5）包括动作捕捉单元（51）、分类单元（52）和模型单元（53），检测人体的关键点，通过关键点描述人体骨骼信息；所述动作捕捉单元（51）用于捕捉人体骨骼关键点，通过人体骨骼关键点描述人体姿态；所述分类单元（52）对挖掘出来的动态特性进行分类，分成不同的行为类别输出；所述模型单元（53）将分类后的行为数据用于构建行为模型。5.根据权利要求4所述的一种基于人工智能的考场监测系统，其特征在于：所...

【专利技术属性】
技术研发人员：闫晓鹏，董佳佳，巩建学，魏静静，王强，
申请(专利权)人：山东工业职业学院，
类型：发明
国别省市：