基于机器视觉的考场异常判断系统设计方法技术方案

本发明专利技术提出一种基于机器视觉的考场异常判断系统设计方法，首先，对视频流的分辨率和帧率进行分析，确定考场异常判断系统运行的环境，进而选取系统运行的频率；其次，为了得到学生的Anchor boxes坐标以及图像块，采用YOLO对考场人员进行目标检测，分类考场中的学生和老师；再次，为了判断学生当前帧行为是否异常，采用AJNet对得到的学生图像块进行异常检测；最后，标注考场异常判断所需的目标检测和姿态识别数据集，并训练系统模型，利用训练模型预测出的结果和真实视频考场异常情况对比，判断任务中目标的完成情况。本发明专利技术方法较采用其他考场异常判断方法相比在准确率性能上表现最好，并且处理速度达到针对不同运行环境的实时要求，优势明显。优势明显。优势明显。

【技术实现步骤摘要】
基于机器视觉的考场异常判断系统设计方法


[0001]本专利技术属于机器学习，计算机视觉
，尤其涉及一种基于机器视觉的考场异常判断系统设计方法。

技术介绍

[0002]当前，考场中学生的异常行为除了需要考场中的老师视察，更需要通过技术的手段来全面地判断考场中的异常行为。然而，当前考场中的监控视频无法有效地检测出考场中出现的异常行为，依然需要人为对监控视频观察判别，这造成了对考场中学生异常行为判断的效率低下。解决上述问题的重要手段之一，是探索实现实时自动考场异常判断系统，以提高考场异常判断效率。

技术实现思路

[0003]因此，本专利技术的目的在于提供一种基于机器视觉的考场异常判断系统设计方法，首先，对视频流的分辨率和帧率进行分析，确定考场异常判断系统运行的环境，进而选取系统运行的频率；其次，为了得到学生的Anchor boxes坐标以及图像块，采用YOLO对考场人员进行目标检测，分类考场中的学生和老师；再次，为了判断学生当前帧行为是否异常，采用AJNet对得到的学生图像块进行异常检测；最后，标注考场异常判断所需的目标检测和姿态识别数据集，并训练系统模型，利用训练模型预测出的结果和真实视频考场异常情况对比，判断任务中目标的完成情况。基于上述步骤，部署考场异常检测所需的硬件服务器、通信传输流程以及反馈流程。本专利技术方法较采用其他考场异常判断方法相比在准确率性能上表现最好，并且处理速度达到针对不同运行环境的实时要求，优势明显。
[0004]其能够保证在不同考场监控设备中达到实时的运行速度和较高的判断准确率，以面向不同应用场景和考场需求。
[0005]本专利技术解决其技术问题采用的技术方案是：
[0006]一种基于机器视觉的考场异常判断系统设计方法，其特征在于，包括以下步骤：
[0007]步骤S1：确定考场异常判断系统运行的环境，对视频流的分辨率和帧率进行分析，进而选取系统运行的配置；
[0008]步骤S2：从输入的视频流中截取判别帧，采用YOLO目标检测网络对考场人员进行目标检测，区分考场中的学生和老师，得到学生的锚框坐标以及图像块；
[0009]步骤S3：采用AJNet异常判断网络，利用步骤S2输出数据判断学生在当前帧中行为是否异常，反馈结果并结束当前帧，开始下一帧的系统运行；
[0010]步骤S4：制作考场异常判断系统所需的数据集，将训练模型预测出的结果和真实视频考场异常情况对比，并测试模型运行时间，验证系统的可靠性。
[0011]进一步地，步骤S1具体包括以下步骤：
[0012]步骤S11：获取考场监控视频流，分析监控视频流的分辨率和帧率；根据视频分辨率大小和帧率，计算当前监控视频环境中实现实时运行系统对应合适的运行频率，即：视频
流中每秒处理的帧数α，对视频流平均采样α帧，系统运行时间为τ；
[0013]步骤S12：根据步骤S11确定YOLO目标检测网络和AJNet异常判断网络的运行频率；
[0014]步骤S13：将获取到的视频流按步骤S11的规则输入考场异常判断系统中。
[0015]进一步地，步骤S2具体包括以下步骤：
[0016]步骤S211：当运行时间τ≤5s时，或当运行时间τ>5s且当前帧为当前秒中总共α帧的第一帧时，利用YOLO算法对步骤S21中的输入图像进行数据增强以及自适应图片缩放；
[0017]步骤S212：由步骤S211处理后的图像经过CSP结构，利用FPN特征金字塔获得三个加强特征，最后利用Yolo Head获取预测结果；
[0018]步骤S213：经过步骤S211至步骤S212后，得到YOLO对当前帧的预测目标分类结果；假设某目标在非当前帧中分类为学生时概率p(x1)＝1，在当前帧中分类概率为p(x2)，且当目标为学生时p(x2)＝1，目标为老师或其他时p(x2)＝0；假设上一秒的总共α帧中某个目标总共有x次被分类为学生，计算当前秒的第一帧的实际目标分类结果为总共有x次被分类为学生，计算当前秒的第一帧的实际目标分类结果为当p≥80％时，确定该目标的当前帧的分类为学生；
[0019]对当前帧中所有的目标执行上述计算；
[0020]步骤S22：当运行时间τ>5s且当前帧为当前秒中总共α帧的非第一帧时，基于YOLO检测所得目标执行Kalman跟踪算法，跟踪识别到的学生目标；
[0021]步骤S23：将步骤S21或步骤S22中得到的学生目标信息保存，包括对应的锚框坐标和图像块。
[0022]进一步地，步骤S3具体包括以下步骤：
[0023]步骤S31：将步骤S2所得到的输出数据作为AJNet异常判断网络的输入数据，经过AJNet得到对当前帧中学生目标的异常判断结果；假设某目标在非当前秒中判断为异常时概率p(y1)＝1，在当前秒中判断是否异常的概率为p(y2)，且当异常时p(y2)＝1，正常时p(y2)＝0；假设上一秒的总共α帧中某个目标总共有i次被判断为异常，则上一秒判断为异常的概率为当p
l
≥50％时，记上一秒该目标的判断结果为异常；
[0024]对前5秒做相同的分析，设前5秒中该目标判断结果为异常的次数为y，则计算当前帧中该目标的实际异常判断结果为当p≥70％时，确定该目标的当前帧的异常判断结果为异常；
[0025]对当前帧中所有的目标执行上述计算；
[0026]步骤S32：将异常目标的锚框设为红色并且警告，将正常目标的锚框设为绿色并且不警告，在输出视频流中显示当前帧学生目标的异常判断结果；
[0027]系统进行下一步的分析，假设当运行时间τ≤5s时或运行时间τ>5s且当前帧为当前秒中总共α帧的第一帧，则返回步骤S21按顺序执行；假设运行时间τ>5s且当前帧为当前秒中总共α帧的非第一帧，则返回步骤S22按顺序执行；重复上述的执行操作直到考场异常判断终止。
[0028]进一步地，步骤S4具体包括以下步骤：
[0029]步骤S41：制作考场异常判断所需的目标检测数据集，正样本标注为学生，负样本标注为老师，以此数据集训练YOLO目标检测网络；制作考场异常判断所需的异常判断数据
集，正样本标注为正常，负样本标注为行为异常，以此数据集训练AJNet异常判断网络；
[0030]步骤S42：引入CIOU_Loss，DIOU_nms作为YOLO目标检测模型的训练损失，对模型训练过程进行实时评价，实时保存训练模型和数据；
[0031]步骤S43：引入Binary Cross
‑
Entropy(BCE)Loss作为AJNet异常判断网络的训练损失，对模型训练过程进行实时评价，实时保存训练模型和数据。
[0032]步骤S44：引入运行时间对考场异常判断系统处理速度进行评价。
[0033]在步骤S1至S4中，建议配件基础配置不低于表1：
[0034][0035][0036]考场的监控视频数据由本地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的考场异常判断系统设计方法，其特征在于，包括以下步骤：步骤S1：确定考场异常判断系统运行的环境，对视频流的分辨率和帧率进行分析，进而选取系统运行的配置；步骤S2：从输入的视频流中截取判别帧，采用YOLO目标检测网络对考场人员进行目标检测，区分考场中的学生和老师，得到学生的锚框坐标以及图像块；步骤S3：采用AJNet异常判断网络，利用步骤S2输出数据判断学生在当前帧中行为是否异常，反馈结果并结束当前帧，开始下一帧的系统运行；步骤S4：制作考场异常判断系统所需的数据集，将训练模型预测出的结果和真实视频考场异常情况对比，并测试模型运行时间，验证系统的可靠性。2.根据权利要求1所述的基于机器视觉的考场异常判断系统设计方法，其特征在于：步骤S1具体包括以下步骤：步骤S11：获取考场监控视频流，分析监控视频流的分辨率和帧率；根据视频分辨率大小和帧率，计算当前监控视频环境中实现实时运行系统对应合适的运行频率，即：视频流中每秒处理的帧数α，对视频流平均采样α帧，系统运行时间为τ；步骤S12：根据步骤S11确定YOLO目标检测网络和AJNet异常判断网络的运行频率；步骤S13：将获取到的视频流按步骤S11的规则输入考场异常判断系统中。3.根据权利要求2所述的基于机器视觉的考场异常判断系统设计方法，其特征在于，步骤S2具体包括以下步骤：步骤S211：当运行时间τ≤5s时，或当运行时间τ>5s且当前帧为当前秒中总共α帧的第一帧时，利用YOLO算法对步骤S21中的输入图像进行数据增强以及自适应图片缩放；步骤S212：由步骤S211处理后的图像经过CSP结构，利用FPN特征金字塔获得三个加强特征，最后利用Yolo Head获取预测结果；步骤S213：经过步骤S211至步骤S212后，得到YOLO对当前帧的预测目标分类结果；假设某目标在非当前帧中分类为学生时概率p(x1)＝1，在当前帧中分类概率为p(x2)，且当目标为学生时p(x2)＝1，目标为老师或其他时p(x2)＝0；假设上一秒的总共α帧中某个目标总共有x次被分类为学生，计算当前秒的第一帧的实际目标分类结果为有x次被分类为学生，计算当前秒的第一帧的实际目标分类结果为当p≥80％时，确定该目标的当前帧的分类为学生；对当前帧中所有的目标执行上述计算；步骤S22：当运行时间τ>5s且当前帧为当前秒中总共α帧的非第一帧时，基于YOLO检测所...

【专利技术属性】
技术研发人员：赵铁松，林俊鸿，张桢涛，林丽群，
申请(专利权)人：福州大学，
类型：发明
国别省市：