对考试作弊事件进行智能视频识别的方法技术

本发明专利技术实施例提供了一种对考试作弊事件进行智能视频识别的方法，首先针对考场监控视频，通过高斯混合模型的建立和更新，将所述考场监控视频中所有的像素点分为前景像素点和背景像素点；根据所述前景图像提取运动像素特征值，再将考生在考场中所处区域的特征值提取出来，作为下一步决策树判断的数据；使用一系列的样本图例对决策树进行训练，得到每个节点预先设定的阈值以及最后一层节点中对应不同作弊事件的概率值，并根据所述决策树的数据来判断相应的作弊事件。通过以上的技术方案，就可以自动检测考场监控视频中出现的考生作弊行为和监考老师的不作为现象，而不再需要工作人员时刻紧盯视频画面来搜索作弊事件，从而节省大量的人力物力财力，并提高了工作效率。

【技术实现步骤摘要】

本专利技术涉及视频监控领域，尤其涉及一种。
技术介绍
目前，随着计算机视觉技术和人工智能理论研究的逐步深入及其应用的进一步推 广，监控系统被引向更多的利用视频图像理解和智能信息处理技术的方向，使系统呈现出 智能化，形成了智能视频监控系统。基于事件的智能视频分析技术可以借助计算机强大的 数据处理功能，对视频画面中的海量数据进行高速分析，提取用户关心的事件，从而为监控 者提供有用的关键信息。基于事件的视频监控在我国可以说是个较新的领域，但对智能事件监控产品的研 发和需求关注的单位已有不少，并有越来越多的实体加入这个行列，相关的视频(视觉)/ 图像处理与分析技术的研究逐步受到学者、政府和商家的关注和重视。在教育考试领域中，为了营造良好、公正、公平的国家教育统一考试，常常需要利 用智能监控技术来对违规事件进行监测，然而完全依靠人眼去看视频的方式来发现舞弊现 象是不现实也是不科学的，例如，辽宁省2007年曾经动用约200名教师去逐个查阅近10万 小时的高考录像资料，以便对作弊现象进行核实，这耗费了大量的时间和人工。由此可见，在现有技术中，电子监控系统虽然使用摄像头对考场进行现场监控，但 却需要人为的对考场中各种事件进行判断和处理，从而耗费了大量的人力和物力资源。
技术实现思路
本专利技术实施例提供了一种，可以自动检 测考场监控视频中出现的考生作弊行为和监考老师的不作为现象，而不再需要工作人员时 刻紧盯视频画面来搜索作弊事件，从而节省大量的人力物力财力，并提高了工作效率。本专利技术实施例提供了一种，包括针对考场监控视频，通过高斯混合模型的建立和更新，将所述考场监控视频中所 有的像素点分为前景像素点和背景像素点，并得到前景图像和背景图像；根据所述前景图像提取运动像素特征值，再将考生在考场中所处区域的特征值提 取出来，作为下一步决策树判断的数据；采用决策树算法作为本算法的训练模型，使用一系列的样本图例对决策树进行训 练，得到每个节点预先设定的阈值以及最后一层节点中对应不同作弊事件的概率值，并根 据所述决策树的数据来判断相应的作弊事件，其中所述相应的作弊事件包括考生站立、考 生离开或传递试卷。所述针对考场监控视频，通过高斯混合模型的建立和更新，将所述考场监控视频 中所有的像素点分为前景像素点和背景像素点，具体包括针对考场监控视频，用基于背景点颜色分布的高斯混合模型来进行背景建模；通3过背景分布模型来判断某一个像素点是否属于背景像素点，以此来区分前景像素点和背景 像素点。在根据所述前景图像提取运动像素特征值之前，所述方法还包括对所述前景图像进行灰度化处理。所述决策树的输入是一组带有类别标记的例子，构造的结果是一棵二叉或多叉 树。所述决策树由二叉树构成，具体包括在所述决策树的第一个节点，取决策树指定区域的特征值与决策树预先设定的阈 值进行判断来决定下一个分支是左支，还是右支；当判断出下一个分支后，取下一个分支指定区域的特征值与其预先设定的阈值进 行判断来决定下一步往哪一个分支走；如此计算直到该决策树最底层的最后一个节点，在该最后一个节点中，获得相应 作弊事件的概率值，哪一个作弊事件的概率值最高，则表示本次决策的事件为哪一个作弊 事件。由上述所提供的技术方案可以看出，首先针对考场监控视频，通过高斯混合模型 的建立和更新，将所述考场监控视频中所有的像素点分为前景像素点和背景像素点，并得 到前景图像和背景图像；根据所述前景图像提取运动像素特征值，再将考生在考场中所处 区域的特征值提取出来，作为下一步决策树判断的数据；采用决策树算法作为本算法的训 练模型，使用一系列的样本图例对决策树进行训练，得到每个节点预先设定的阈值以及最 后一层节点中对应不同作弊事件的概率值，并根据所述决策树的数据来判断相应的作弊事 件，其中所述相应的作弊事件包括考生站立、考生离开或传递试卷。通过以上的技术方案， 就可以自动检测考场监控视频中出现的考生作弊行为和监考老师的不作为现象，而不再需 要工作人员时刻紧盯视频画面来搜索作弊事件，从而节省大量的人力物力财力，并提高了 工作效率。附图说明图1为本专利技术实施例所提供流程示意 图；图2为本专利技术实施例所述方法进行特征提取时，标记数字的区域为符合条件的特 征值产生的区域示意图；图3为本专利技术所举出的具体实例实现的过程示意图；图4为本专利技术所举出的具体事例中，利用训练好的决策树进行阈值判断的示意 图；图5为本专利技术所举出的具体事例中，对监控区域内特征阈值进行判断的示意图。 具体实施例方式本专利技术实施例提供了一种，针对考场监 控视频，通过高斯混合模型的建立和更新，将所述考场监控视频中所有的像素点分为前景 像素点和背景像素点，并得到前景图像和背景图像；然后根据所述前景图像提取运动像素4特征值，再将考生在考场中所处区域的特征值提取出来，作为下一步决策树判断的数据；采 用决策树C4. 5算法作为本算法的训练模型，使用一系列的样本图例对决策树进行训练，得 到每个节点的阈值以及最后一层节点中对应不同事件的概率值，并根据所述决策树的数据 来判断相应的作弊事件，其中所述相应的作弊事件包括考生站立、考生离开或传递试卷。通 过以上的技术方案，就可以自动检测考场监控视频中出现的考生作弊行为和监考老师的不 作为现象，而不再需要工作人员时刻紧盯视频画面来搜索作弊事件，从而节省大量的人力 物力财力，并提高了工作效率。为更好的描述本专利技术实施例，现结合附图对本专利技术的具体实施方式进行说明，如 图1所示为本专利技术实施例所提供方法的流程示意图，所述方法包括步骤11 针对考场监控视频，建立和更新高斯混合模型，得到前景图像和背景图像。在该步骤中，针对考场监控视频，用基于背景点颜色分布的高斯混合模型来进行 背景建模；通过背景分布模型来判断某一个像素点是否属于背景像素点，以此来区分前景 像素点和背景像素点，并得到前景图像和背景图像。在具体实现过程中，由于高斯分布是最常见的概率分布，在图像处理、模式识别、 计算机视觉中经常被用来刻画一些随机量的变化情况，这是因为高斯分布函数具有非常好 的数学性质，具有各阶连续的导数，在时域和频域具有相同的函数形式等，非常便于分析。在考场监控视频的背景建模中，由于各种像素运动的多态性，我们用基于背景点 颜色分布的高斯混合模型(Gaussian Mixture Model)来进行背景建模。高斯混合模型在 原理上就是通过背景模型判断一个像素点是否属于背景像素点，以此区分前景像素点和背 景像素点。背景模型的建立可以通过训练得到，并在处理中不断更新，这些过程可以自动地 实现，高斯混合模型建立的具体过程如下首先给出一段连续的图像序列10^，7，0，该10^，7，0代表像素点(x，y)在t时 刻的即时像素亮度值，为了方便，做如下简化约定(X1, ...，XJ = {I (X，y，i)，1 彡 i 彡 t}在上式中，Xt表示像素点(x，y)在t时刻的即时像素亮度。这样，对于每个像素点 t+ι时刻的即时像素亮度xt+1，在t+ι时刻之前都具有一个历史像素值集合{Xi，...，xt}，利 用K个高斯混合分布对这组历史像素值建立模型，像素值Xt在t时刻的概率为K G^t, μ^和Σ i,t分别代表t时刻第i个高斯分布的权重，均值和协方差矩阵，η 是高斯概率密度函数1本文档来自技高网...

【技术保护点】
一种对考试作弊事件进行智能视频识别的方法，其特征在于，包括：针对考场监控视频，通过高斯混合模型的建立和更新，将所述考场监控视频中所有的像素点分为前景像素点和背景像素点，并得到前景图像和背景图像；根据所述前景图像提取运动像素特征值，再将考生在考场中所处区域的特征值提取出来，作为下一步决策树判断的数据；采用决策树Ｃ４．５算法作为本算法的训练模型，使用一系列的样本图例对决策树进行训练，得到每个节点预先设定的阈值以及最后一层节点中对应不同作弊事件的概率值，并根据所述决策树的数据来判断相应的作弊事件，其中所述相应的作弊事件包括考生站立、考生离开或传递试卷。

【技术特征摘要】

【专利技术属性】
技术研发人员：钱瑞，
申请(专利权)人：北京竞业达数码科技有限公司，
类型：发明
国别省市：11[中国|北京]