專(zhuān)利名稱(chēng)：對(duì)考試作弊事件進(jìn)行智能視頻識(shí)別的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及視頻監(jiān)控領(lǐng)域，尤其涉及一種對(duì)考試作弊事件進(jìn)行智能視頻識(shí)別的方法。
背景技術(shù)：
目前，隨著計(jì)算機(jī)視覺(jué)技術(shù)和人工智能理論研究的逐步深入及其應(yīng)用的進(jìn)一步推 廣，監(jiān)控系統(tǒng)被引向更多的利用視頻圖像理解和智能信息處理技術(shù)的方向，使系統(tǒng)呈現(xiàn)出 智能化，形成了智能視頻監(jiān)控系統(tǒng)?；谑录闹悄芤曨l分析技術(shù)可以借助計(jì)算機(jī)強(qiáng)大的 數(shù)據(jù)處理功能，對(duì)視頻畫(huà)面中的海量數(shù)據(jù)進(jìn)行高速分析，提取用戶關(guān)心的事件，從而為監(jiān)控 者提供有用的關(guān)鍵信息?；谑录囊曨l監(jiān)控在我國(guó)可以說(shuō)是個(gè)較新的領(lǐng)域，但對(duì)智能事件監(jiān)控產(chǎn)品的研 發(fā)和需求關(guān)注的單位已有不少，并有越來(lái)越多的實(shí)體加入這個(gè)行列，相關(guān)的視頻(視覺(jué))/ 圖像處理與分析技術(shù)的研究逐步受到學(xué)者、政府和商家的關(guān)注和重視。在教育考試領(lǐng)域中，為了營(yíng)造良好、公正、公平的國(guó)家教育統(tǒng)一考試，常常需要利 用智能監(jiān)控技術(shù)來(lái)對(duì)違規(guī)事件進(jìn)行監(jiān)測(cè)，然而完全依靠人眼去看視頻的方式來(lái)發(fā)現(xiàn)舞弊現(xiàn) 象是不現(xiàn)實(shí)也是不科學(xué)的，例如，遼寧省2007年曾經(jīng)動(dòng)用約200名教師去逐個(gè)查閱近10萬(wàn) 小時(shí)的高考錄像資料，以便對(duì)作弊現(xiàn)象進(jìn)行核實(shí)，這耗費(fèi)了大量的時(shí)間和人工。由此可見(jiàn)，在現(xiàn)有技術(shù)中，電子監(jiān)控系統(tǒng)雖然使用攝像頭對(duì)考場(chǎng)進(jìn)行現(xiàn)場(chǎng)監(jiān)控，但 卻需要人為的對(duì)考場(chǎng)中各種事件進(jìn)行判斷和處理，從而耗費(fèi)了大量的人力和物力資源。

發(fā)明內(nèi)容
本發(fā)明實(shí)施例提供了一種對(duì)考試作弊事件進(jìn)行智能視頻識(shí)別的方法，可以自動(dòng)檢 測(cè)考場(chǎng)監(jiān)控視頻中出現(xiàn)的考生作弊行為和監(jiān)考老師的不作為現(xiàn)象，而不再需要工作人員時(shí) 刻緊盯視頻畫(huà)面來(lái)搜索作弊事件，從而節(jié)省大量的人力物力財(cái)力，并提高了工作效率。本發(fā)明實(shí)施例提供了一種對(duì)考試作弊事件進(jìn)行智能視頻識(shí)別的方法，包括針對(duì)考場(chǎng)監(jiān)控視頻，通過(guò)高斯混合模型的建立和更新，將所述考場(chǎng)監(jiān)控視頻中所 有的像素點(diǎn)分為前景像素點(diǎn)和背景像素點(diǎn)，并得到前景圖像和背景圖像；根據(jù)所述前景圖像提取運(yùn)動(dòng)像素特征值，再將考生在考場(chǎng)中所處區(qū)域的特征值提 取出來(lái)，作為下一步?jīng)Q策樹(shù)判斷的數(shù)據(jù)；采用決策樹(shù)算法作為本算法的訓(xùn)練模型，使用一系列的樣本圖例對(duì)決策樹(shù)進(jìn)行訓(xùn) 練，得到每個(gè)節(jié)點(diǎn)預(yù)先設(shè)定的閾值以及最后一層節(jié)點(diǎn)中對(duì)應(yīng)不同作弊事件的概率值，并根 據(jù)所述決策樹(shù)的數(shù)據(jù)來(lái)判斷相應(yīng)的作弊事件，其中所述相應(yīng)的作弊事件包括考生站立、考 生離開(kāi)或傳遞試卷。所述針對(duì)考場(chǎng)監(jiān)控視頻，通過(guò)高斯混合模型的建立和更新，將所述考場(chǎng)監(jiān)控視頻 中所有的像素點(diǎn)分為前景像素點(diǎn)和背景像素點(diǎn)，具體包括針對(duì)考場(chǎng)監(jiān)控視頻，用基于背景點(diǎn)顏色分布的高斯混合模型來(lái)進(jìn)行背景建模；通
3過(guò)背景分布模型來(lái)判斷某一個(gè)像素點(diǎn)是否屬于背景像素點(diǎn)，以此來(lái)區(qū)分前景像素點(diǎn)和背景 像素點(diǎn)。在根據(jù)所述前景圖像提取運(yùn)動(dòng)像素特征值之前，所述方法還包括對(duì)所述前景圖像進(jìn)行灰度化處理。所述決策樹(shù)的輸入是一組帶有類(lèi)別標(biāo)記的例子，構(gòu)造的結(jié)果是一棵二叉或多叉 樹(shù)。所述決策樹(shù)由二叉樹(shù)構(gòu)成，具體包括在所述決策樹(shù)的第一個(gè)節(jié)點(diǎn)，取決策樹(shù)指定區(qū)域的特征值與決策樹(shù)預(yù)先設(shè)定的閾 值進(jìn)行判斷來(lái)決定下一個(gè)分支是左支，還是右支；當(dāng)判斷出下一個(gè)分支后，取下一個(gè)分支指定區(qū)域的特征值與其預(yù)先設(shè)定的閾值進(jìn) 行判斷來(lái)決定下一步往哪一個(gè)分支走；如此計(jì)算直到該決策樹(shù)最底層的最后一個(gè)節(jié)點(diǎn)，在該最后一個(gè)節(jié)點(diǎn)中，獲得相應(yīng) 作弊事件的概率值，哪一個(gè)作弊事件的概率值最高，則表示本次決策的事件為哪一個(gè)作弊 事件。由上述所提供的技術(shù)方案可以看出，首先針對(duì)考場(chǎng)監(jiān)控視頻，通過(guò)高斯混合模型 的建立和更新，將所述考場(chǎng)監(jiān)控視頻中所有的像素點(diǎn)分為前景像素點(diǎn)和背景像素點(diǎn)，并得 到前景圖像和背景圖像；根據(jù)所述前景圖像提取運(yùn)動(dòng)像素特征值，再將考生在考場(chǎng)中所處 區(qū)域的特征值提取出來(lái)，作為下一步?jīng)Q策樹(shù)判斷的數(shù)據(jù)；采用決策樹(shù)算法作為本算法的訓(xùn) 練模型，使用一系列的樣本圖例對(duì)決策樹(shù)進(jìn)行訓(xùn)練，得到每個(gè)節(jié)點(diǎn)預(yù)先設(shè)定的閾值以及最 后一層節(jié)點(diǎn)中對(duì)應(yīng)不同作弊事件的概率值，并根據(jù)所述決策樹(shù)的數(shù)據(jù)來(lái)判斷相應(yīng)的作弊事 件，其中所述相應(yīng)的作弊事件包括考生站立、考生離開(kāi)或傳遞試卷。通過(guò)以上的技術(shù)方案， 就可以自動(dòng)檢測(cè)考場(chǎng)監(jiān)控視頻中出現(xiàn)的考生作弊行為和監(jiān)考老師的不作為現(xiàn)象，而不再需 要工作人員時(shí)刻緊盯視頻畫(huà)面來(lái)搜索作弊事件，從而節(jié)省大量的人力物力財(cái)力，并提高了 工作效率。


圖1為本發(fā)明實(shí)施例所提供對(duì)考試作弊事件進(jìn)行智能視頻識(shí)別的方法流程示意 圖；圖2為本發(fā)明實(shí)施例所述方法進(jìn)行特征提取時(shí)，標(biāo)記數(shù)字的區(qū)域?yàn)榉蠗l件的特 征值產(chǎn)生的區(qū)域示意圖；圖3為本發(fā)明所舉出的具體實(shí)例實(shí)現(xiàn)的過(guò)程示意圖；圖4為本發(fā)明所舉出的具體事例中，利用訓(xùn)練好的決策樹(shù)進(jìn)行閾值判斷的示意 圖；圖5為本發(fā)明所舉出的具體事例中，對(duì)監(jiān)控區(qū)域內(nèi)特征閾值進(jìn)行判斷的示意圖。
具體實(shí)施例方式本發(fā)明實(shí)施例提供了一種對(duì)考試作弊事件進(jìn)行智能視頻識(shí)別的方法，針對(duì)考場(chǎng)監(jiān) 控視頻，通過(guò)高斯混合模型的建立和更新，將所述考場(chǎng)監(jiān)控視頻中所有的像素點(diǎn)分為前景 像素點(diǎn)和背景像素點(diǎn)，并得到前景圖像和背景圖像；然后根據(jù)所述前景圖像提取運(yùn)動(dòng)像素
4特征值，再將考生在考場(chǎng)中所處區(qū)域的特征值提取出來(lái)，作為下一步?jīng)Q策樹(shù)判斷的數(shù)據(jù)；采 用決策樹(shù)C4. 5算法作為本算法的訓(xùn)練模型，使用一系列的樣本圖例對(duì)決策樹(shù)進(jìn)行訓(xùn)練，得 到每個(gè)節(jié)點(diǎn)的閾值以及最后一層節(jié)點(diǎn)中對(duì)應(yīng)不同事件的概率值，并根據(jù)所述決策樹(shù)的數(shù)據(jù) 來(lái)判斷相應(yīng)的作弊事件，其中所述相應(yīng)的作弊事件包括考生站立、考生離開(kāi)或傳遞試卷。通 過(guò)以上的技術(shù)方案，就可以自動(dòng)檢測(cè)考場(chǎng)監(jiān)控視頻中出現(xiàn)的考生作弊行為和監(jiān)考老師的不 作為現(xiàn)象，而不再需要工作人員時(shí)刻緊盯視頻畫(huà)面來(lái)搜索作弊事件，從而節(jié)省大量的人力 物力財(cái)力，并提高了工作效率。為更好的描述本發(fā)明實(shí)施例，現(xiàn)結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式
進(jìn)行說(shuō)明，如 圖1所示為本發(fā)明實(shí)施例所提供方法的流程示意圖，所述方法包括步驟11 針對(duì)考場(chǎng)監(jiān)控視頻，建立和更新高斯混合模型，得到前景圖像和背景圖像。在該步驟中，針對(duì)考場(chǎng)監(jiān)控視頻，用基于背景點(diǎn)顏色分布的高斯混合模型來(lái)進(jìn)行 背景建模；通過(guò)背景分布模型來(lái)判斷某一個(gè)像素點(diǎn)是否屬于背景像素點(diǎn)，以此來(lái)區(qū)分前景 像素點(diǎn)和背景像素點(diǎn)，并得到前景圖像和背景圖像。在具體實(shí)現(xiàn)過(guò)程中，由于高斯分布是最常見(jiàn)的概率分布，在圖像處理、模式識(shí)別、 計(jì)算機(jī)視覺(jué)中經(jīng)常被用來(lái)刻畫(huà)一些隨機(jī)量的變化情況，這是因?yàn)楦咚狗植己瘮?shù)具有非常好 的數(shù)學(xué)性質(zhì)，具有各階連續(xù)的導(dǎo)數(shù)，在時(shí)域和頻域具有相同的函數(shù)形式等，非常便于分析。在考場(chǎng)監(jiān)控視頻的背景建模中，由于各種像素運(yùn)動(dòng)的多態(tài)性，我們用基于背景點(diǎn) 顏色分布的高斯混合模型(Gaussian Mixture Model)來(lái)進(jìn)行背景建模。高斯混合模型在 原理上就是通過(guò)背景模型判斷一個(gè)像素點(diǎn)是否屬于背景像素點(diǎn)，以此區(qū)分前景像素點(diǎn)和背 景像素點(diǎn)。背景模型的建立可以通過(guò)訓(xùn)練得到，并在處理中不斷更新，這些過(guò)程可以自動(dòng)地 實(shí)現(xiàn)，高斯混合模型建立的具體過(guò)程如下首先給出一段連續(xù)的圖像序列10^，7，0，該10^，7，0代表像素點(diǎn)(x，y)在t時(shí) 刻的即時(shí)像素亮度值，為了方便，做如下簡(jiǎn)化約定(X1, ...，XJ = {I (X，y，i)，1 彡 i 彡 t}在上式中，Xt表示像素點(diǎn)(x，y)在t時(shí)刻的即時(shí)像素亮度。這樣，對(duì)于每個(gè)像素點(diǎn) t+ι時(shí)刻的即時(shí)像素亮度xt+1，在t+ι時(shí)刻之前都具有一個(gè)歷史像素值集合{Xi，...，xt}，利 用K個(gè)高斯混合分布對(duì)這組歷史像素值建立模型，像素值Xt在t時(shí)刻的概率為
K G^t, μ^和Σ i,t分別代表t時(shí)刻第i個(gè)高斯分布的權(quán)重，均值和協(xié)方差矩陣，η 是高斯概率密度函數(shù)
1--(χ.-μ)Τ Σ"1 (xt-μ)
敢 Xt,μ,Y) 二^^―β2 這樣就可以對(duì)當(dāng)前幀的像素點(diǎn)做出分類(lèi)判斷，給出關(guān)于像素值Xt+1的不等式如 下 如果當(dāng)前幀t+1時(shí)刻的像素值Xt+1滿足上式，這就意味著給像素值Xt+1找到了至少 一個(gè)相匹配的模型，則標(biāo)記為背景像素，反之就被標(biāo)記為前景像素。通過(guò)上述高斯混合模型的建立和更新，圖像的所有像素點(diǎn)最終被分為兩大類(lèi)前 景像素點(diǎn)和背景像素點(diǎn)，這樣也就得到了前景圖像和背景圖像。步驟12 根據(jù)所述前景圖像提取運(yùn)動(dòng)像素特征值。在該步驟中，根據(jù)所述前景圖像提取運(yùn)動(dòng)像素特征值，再將考生在考場(chǎng)中所處區(qū) 域的特征值提取出來(lái)，作為下一步?jīng)Q策樹(shù)判斷的數(shù)據(jù)；在具體實(shí)現(xiàn)過(guò)程中，在通過(guò)上述步驟11的操作，得到前景圖像和背景圖像之后， 假設(shè)F和B分別為得到的前景和背景圖像，由于顏色信息在前景和背景圖像中起到的作用 都比較有限，可以將F和B進(jìn)行灰度化后再進(jìn)行運(yùn)動(dòng)像素特征值的提取處理，記為T(mén)O和BG。首先把re分成6*6的Block塊，對(duì)每一個(gè)塊的像素值做累加統(tǒng)計(jì)得到STATO⑴ 的值為 對(duì)一定時(shí)序窗口內(nèi)的STAFG⑴，若STAFG (i) > ε 1，則第i個(gè)Block塊的STA值 計(jì)入特征，記滿足這些條件的塊的集合為ComBlockUl，…，il}。其中ε 1是一個(gè)比較小 的值，1為15。同樣對(duì)背景圖像BG的Comblock塊計(jì)算STABG(i)，則另一組特征為Add(i)= STAFG(i)+Last_STAFG(i)，i e Comblock，其中 Last_STAFG(i)為上一幀的像素統(tǒng)計(jì)值。最 后一組特征為滿足ε 1 < STAFG (i) < ε 2的塊的STA值，這些塊的集合記為AddBlock，其 大小為2，這樣第一組特征大小為15，第二組特征大小為15，第三組為2，共提取了 32維的 特征向量。具體描述為前15 維STAFG(i)，i e Comblock第16 維至 30 維:Add(i)，i e Comblock第31 維至 32 維STAFG(i)，i e Addblock如圖2所示，標(biāo)記數(shù)字的區(qū)域?yàn)榉蠗l件的特征值產(chǎn)生的區(qū)域，也就是考場(chǎng)監(jiān)控 視頻的圖像中考生在考場(chǎng)中所處的區(qū)域。步驟13 采用決策樹(shù)C4. 5算法作為本算法的訓(xùn)練模型，使用一系列的樣本圖例對(duì) 決策樹(shù)進(jìn)行訓(xùn)練，并根據(jù)所述決策樹(shù)的數(shù)據(jù)來(lái)判斷相應(yīng)的作弊事件。在該步驟中，采用決策樹(shù)C4. 5算法作為本算法的訓(xùn)練模型，使用一系列的樣本圖 例對(duì)決策樹(shù)進(jìn)行訓(xùn)練，得到每個(gè)節(jié)點(diǎn)預(yù)先設(shè)定的閾值以及最后一層節(jié)點(diǎn)中對(duì)應(yīng)不同作弊事 件的概率值，并根據(jù)所述決策樹(shù)的數(shù)據(jù)來(lái)判斷相應(yīng)的作弊事件，其中所述相應(yīng)的作弊事件 包括考生站立、考生離開(kāi)或傳遞試卷。上述決策樹(shù)C4. 5算法采用一種稱(chēng)為信息增益的統(tǒng)計(jì) 屬性用來(lái)衡量給定屬性區(qū)分訓(xùn)練樣例的能力，信息增益根據(jù)信息熵來(lái)決定。
在具體實(shí)現(xiàn)過(guò)程中，使用決策樹(shù)來(lái)對(duì)目標(biāo)的運(yùn)動(dòng)特征進(jìn)行判別，所述決策樹(shù)的輸 入是一組帶有類(lèi)別標(biāo)記的例子，構(gòu)造的結(jié)果是一棵二叉或多叉樹(shù)。具體來(lái)說(shuō)，在所述決策樹(shù) 的第一個(gè)節(jié)點(diǎn)，取決策樹(shù)指定區(qū)域的特征值與決策樹(shù)預(yù)先設(shè)定的閾值進(jìn)行判斷來(lái)決定下一 個(gè)分支是左支，還是右支；當(dāng)判斷出下一個(gè)分支后，取下一個(gè)分支指定區(qū)域的特征值與其預(yù) 先設(shè)定的閾值進(jìn)行判斷來(lái)決定下一步往哪一個(gè)分支走；如此計(jì)算直到該決策樹(shù)最底層的最 后一個(gè)節(jié)點(diǎn)，在該最后一個(gè)節(jié)點(diǎn)中，獲得相應(yīng)作弊事件的概率值，哪一個(gè)作弊事件的概率值 最高，則表示本次決策的事件為哪一個(gè)作弊事件。由于決策樹(shù)學(xué)習(xí)是以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)算法，二叉樹(shù)的內(nèi)部節(jié)點(diǎn)(非葉子節(jié) 點(diǎn))一般表示為一個(gè)邏輯判斷，如形式為(ai = vi)的邏輯判斷，其中ai是屬性，vi是該 屬性的某個(gè)屬性值；樹(shù)的邊是邏輯判斷的分支結(jié)果；多叉樹(shù)的內(nèi)部節(jié)點(diǎn)是屬性，邊是該屬 性的所有取值，有幾個(gè)屬性值，就有幾條邊；樹(shù)的葉子節(jié)點(diǎn)都是類(lèi)別標(biāo)記，構(gòu)造決策樹(shù)的方 法是采用自上而下的遞歸構(gòu)造。以多叉樹(shù)為例，它的構(gòu)造思路是，如果訓(xùn)練例子集合中的所有例子是同類(lèi)的，則將 之作為葉子節(jié)點(diǎn)，節(jié)點(diǎn)內(nèi)容即是該類(lèi)別標(biāo)記；否則，根據(jù)某種策略選擇一個(gè)屬性，按照屬性 的各個(gè)取值，把例子集合劃分為若干子集合，使得每個(gè)子集上的所有例子在該屬性上具有 同樣的屬性值；然后再依次遞歸處理各個(gè)子集。構(gòu)造好的決策樹(shù)的關(guān)鍵在于如何選擇好的邏輯判斷或?qū)傩?。?duì)于同樣一組例子， 可以有很多決策樹(shù)能符合這組例子，一般情況下或具有較大概率地說(shuō)，樹(shù)越小則樹(shù)的預(yù)測(cè) 能力越強(qiáng)，要構(gòu)造盡可能小的決策樹(shù)，關(guān)鍵在于選擇恰當(dāng)?shù)倪壿嬇袛嗷驅(qū)傩?。下面以具體判斷作弊事件的實(shí)例來(lái)對(duì)本發(fā)明所述的方法進(jìn)行說(shuō)明，如圖3所示為 本發(fā)明所舉出的具體實(shí)例實(shí)現(xiàn)的過(guò)程示意圖，圖3中首先根據(jù)視頻片段通過(guò)背景建模將 其分為背景圖像和前景圖像；然后提取運(yùn)動(dòng)像素特征值；再通過(guò)決策樹(shù)訓(xùn)練來(lái)對(duì)典型作弊 事件進(jìn)行識(shí)別；最后再記錄相應(yīng)的作弊事件，在必要時(shí)還可以進(jìn)一步的報(bào)警處理。上述通過(guò)決策樹(shù)訓(xùn)練來(lái)對(duì)典型作弊事件進(jìn)行識(shí)別的過(guò)程可以參考圖4和圖5，圖 4為當(dāng)作弊事件為傳遞試卷時(shí)，利用訓(xùn)練好的決策樹(shù)進(jìn)行閾值判斷的示意圖；圖5為當(dāng)作弊 事件為傳遞試卷時(shí)，對(duì)監(jiān)控區(qū)域內(nèi)特征閾值進(jìn)行判斷的示意圖。圖4中從“0\15”區(qū)域開(kāi)始，分析此時(shí)的區(qū)域特征值，若大于設(shè)定閾值，則往下判 斷“4\19”的區(qū)域特征值；若小于設(shè)定閾值，則判斷另一區(qū)域的特征值，逐層分析，到最后一 個(gè)節(jié)點(diǎn)，得到‘傳遞試卷’事件的概率為1，而其他事件的概率為0 ；由此可見(jiàn)，此時(shí)的作弊事 件即為“傳遞試卷”。圖5中顯示的是分析該類(lèi)事件時(shí)所判斷的區(qū)域，其中背景為深色的區(qū) 域表示此次事件判斷所經(jīng)歷分支指定的區(qū)域，第一部分為特征值大于閾值的區(qū)域；第二部 分為特征值小于閾值的區(qū)域。綜上所述，本發(fā)明實(shí)施例可以自動(dòng)檢測(cè)考場(chǎng)監(jiān)控視頻中出現(xiàn)的考生作弊行為和監(jiān) 考老師的不作為現(xiàn)象，而不再需要工作人員時(shí)刻緊盯視頻畫(huà)面來(lái)搜索作弊事件，從而節(jié)省 大量的人力物力財(cái)力，并提高了工作效率。以上所述，僅為本發(fā)明較佳的具體實(shí)施方式
，但本發(fā)明的保護(hù)范圍并不局限于此， 任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換， 都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書(shū)的保護(hù)范 圍為準(zhǔn)。
權(quán)利要求
一種對(duì)考試作弊事件進(jìn)行智能視頻識(shí)別的方法，其特征在于，包括針對(duì)考場(chǎng)監(jiān)控視頻，通過(guò)高斯混合模型的建立和更新，將所述考場(chǎng)監(jiān)控視頻中所有的像素點(diǎn)分為前景像素點(diǎn)和背景像素點(diǎn)，并得到前景圖像和背景圖像；根據(jù)所述前景圖像提取運(yùn)動(dòng)像素特征值，再將考生在考場(chǎng)中所處區(qū)域的特征值提取出來(lái)，作為下一步?jīng)Q策樹(shù)判斷的數(shù)據(jù)；采用決策樹(shù)C4.5算法作為本算法的訓(xùn)練模型，使用一系列的樣本圖例對(duì)決策樹(shù)進(jìn)行訓(xùn)練，得到每個(gè)節(jié)點(diǎn)預(yù)先設(shè)定的閾值以及最后一層節(jié)點(diǎn)中對(duì)應(yīng)不同作弊事件的概率值，并根據(jù)所述決策樹(shù)的數(shù)據(jù)來(lái)判斷相應(yīng)的作弊事件，其中所述相應(yīng)的作弊事件包括考生站立、考生離開(kāi)或傳遞試卷。
2.如權(quán)利要求1所述的方法，其特征在于，所述針對(duì)考場(chǎng)監(jiān)控視頻，通過(guò)高斯混合模型 的建立和更新，將所述考場(chǎng)監(jiān)控視頻中所有的像素點(diǎn)分為前景像素點(diǎn)和背景像素點(diǎn)，具體 包括針對(duì)考場(chǎng)監(jiān)控視頻，用基于背景點(diǎn)顏色分布的高斯混合模型來(lái)進(jìn)行背景建模；通過(guò)背 景分布模型來(lái)判斷某一個(gè)像素點(diǎn)是否屬于背景像素點(diǎn)，以此來(lái)區(qū)分前景像素點(diǎn)和背景像素 點(diǎn)ο
3.如權(quán)利要求1所述的方法，其特征在于，在根據(jù)所述前景圖像提取運(yùn)動(dòng)像素特征值 之前，所述方法還包括對(duì)所述前景圖像進(jìn)行灰度化處理。
4.如權(quán)利要求1所述的方法，其特征在于，所述決策樹(shù)的輸入是一組帶有類(lèi)別標(biāo)記的 例子，構(gòu)造的結(jié)果是一棵二叉或多叉樹(shù)。
5.如權(quán)利要求1或4所述的方法，其特征在于，所述決策樹(shù)由二叉樹(shù)構(gòu)成，具體包括在所述決策樹(shù)的第一個(gè)節(jié)點(diǎn)，取決策樹(shù)指定區(qū)域的特征值與決策樹(shù)預(yù)先設(shè)定的閾值進(jìn)行判斷來(lái)決定下一個(gè)分支是左支，還是右支；當(dāng)判斷出下一個(gè)分支后，取下一個(gè)分支指定區(qū)域的特征值與其預(yù)先設(shè)定的閾值進(jìn)行判 斷來(lái)決定下一步往哪一個(gè)分支走；如此計(jì)算直到該決策樹(shù)最底層的最后一個(gè)節(jié)點(diǎn)，在該最后一個(gè)節(jié)點(diǎn)中，獲得相應(yīng)作弊 事件的概率值，哪一個(gè)作弊事件的概率值最高，則表示本次決策的事件為哪一個(gè)作弊事件。
全文摘要
本發(fā)明實(shí)施例提供了一種對(duì)考試作弊事件進(jìn)行智能視頻識(shí)別的方法，首先針對(duì)考場(chǎng)監(jiān)控視頻，通過(guò)高斯混合模型的建立和更新，將所述考場(chǎng)監(jiān)控視頻中所有的像素點(diǎn)分為前景像素點(diǎn)和背景像素點(diǎn)；根據(jù)所述前景圖像提取運(yùn)動(dòng)像素特征值，再將考生在考場(chǎng)中所處區(qū)域的特征值提取出來(lái)，作為下一步?jīng)Q策樹(shù)判斷的數(shù)據(jù)；使用一系列的樣本圖例對(duì)決策樹(shù)進(jìn)行訓(xùn)練，得到每個(gè)節(jié)點(diǎn)預(yù)先設(shè)定的閾值以及最后一層節(jié)點(diǎn)中對(duì)應(yīng)不同作弊事件的概率值，并根據(jù)所述決策樹(shù)的數(shù)據(jù)來(lái)判斷相應(yīng)的作弊事件。通過(guò)以上的技術(shù)方案，就可以自動(dòng)檢測(cè)考場(chǎng)監(jiān)控視頻中出現(xiàn)的考生作弊行為和監(jiān)考老師的不作為現(xiàn)象，而不再需要工作人員時(shí)刻緊盯視頻畫(huà)面來(lái)搜索作弊事件，從而節(jié)省大量的人力物力財(cái)力，并提高了工作效率。
文檔編號(hào)G06K9/62GK101916365SQ20101022633
公開(kāi)日2010年12月15日 申請(qǐng)日期2010年7月6日 優(yōu)先權(quán)日2010年7月6日
發(fā)明者錢(qián)瑞 申請(qǐng)人:北京競(jìng)業(yè)達(dá)數(shù)碼科技有限公司