智能监考系统中的视频考务事件检测研究
发布时间：2021-10-23 02:25
智能监考系统是智能考试管理系统的关键和难点部分,其对于教育行政部门提高考试管理水平,降低考试过程的人力、财力投入,保证考试的公平性具有重要的意义。当前智能监考系统研究还存在诸多没有解决的关键和难点问题。本文研究和解决基于考场监控视频的智能监考系统中的考务事件检测的关键问题,提出相应的理论模型、关键算法。具体包括三个问题:第一个问题是考场全局考务事件检测。考场全局考务事件是指在时间轴上对考场监控视频各个片段的考场全局状态进行识别分类,结合考试时间和考务规则等预知的文本参数,以判断空考场、考生入场、考生离场、考前准备与考后收尾、考中等各个考务环节是否秩序正常和按时进行。另外,考中阶段的确定是考场局部考务事件检测的前提。针对考场全局运行状态分类问题,本文提出了双通道三维卷积神经网络模型D3DCNN,本文实验部分在考场数据集EMV-1及基准数据集UCF101上证明了 D3DCNN模型的有效性和先进性。第二个问题是考场监控视频时钟识别。在考场监控视频中,考务事件有三个要素,即视频信息、时钟信息、考务规则。考务事件与时间紧密关联,不同时间发生的同一视频内容有着完全不同的语义和重要性。视频时钟也是海...
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：108 页
【学位级别】：博士
【部分图文】：
图１．２考场监控视频样例??传统方法解决本文所面临的问题相对冗长复杂，泛化能力较差
？博士学位论文??ＤＯＣＴＯＲＡＬ?ＤＩＳＳＥＲＴＡＴＩＯＮ??３．１考场全局事件检测??３．１．１考场全局事件的定义??考场全局视频考务事件（简称考场全局事件）是指对考场监控视频中的各个时间片段的全??局视频场景进行识别分类，再结合视频时钟和考务规则，即得到符合或违背考务规则的考场全??局事件。考场全局事件检测的主要问题是考场全局状态视频场景分类。在基于考场监控视频的??智能监考系统中，我们可以根据不同考试阶段中考场人员群体表现出的不同运动模式，将考场??全局状态分为如下５类：??①空考场：无考场人员在内，亦无任何活动；??②准备及收尾：考场无考生，监考老师在考场内做考前考后的考务工作，如考前开启密封??考卷、考后逐桌收卷、汇总试卷及封袋等；??③考生入场：考生陆续从考场入口出现，进入考场各个区域的位置并坐下；??④考生离场：考试结束，考生起立且从考场各个区域涌向考场出口并从监控中消失；??⑤考中：考生在自己的位置上作答，监考老师逐桌分发试卷、巡场走动、驻足、坐定。??３．１．２考场全局状态分类流程??通过对视频帧序列中的人物群体的运动状态进行分类识别即可区分当前考场所处的全局状??态类别。如图３．１所示为本章双通道三维卷积神经网络进行考场全局状态分类识别的流程。??第１通ｊｌ：基于原始数据的动作检测网络??广输入数据＾?＿?／１１????光?第２通道：基于光流图的动作检测网络??｜?ｇ｜｜?／’、＃??预处理?光率图序列???一????双通道三维卷积网络??图３．１考场全局状态分类识别流程??２４??
博士学位论文??ＤＯＣＴＯＲＡＬ?ＤＩＳＳＥＲＴＡＩＩＯＮ??对于稠密匹配，如果只有上面的数据项是不够的，因为纯色区域的点无法通过上式计算找??到准确的偏移量，因此还需要加入一个平滑项。平滑项的目的是对于特征比较弱的区域的点，??其偏移量尽量向强特征点的偏移量靠近，或者说相邻两个特征点的偏移量相差不能太大，即偏??移量的变化率不能太大，公式化如式３．１２所示：??ＴｎｉＴｔ??ｕｄｘ．ｙｌｖｉｘ．ｙ＾＾＾＾＾ｙ?（３．１２）??上式中＝?＋?是梯度的模长，４０，ｙ）是一个类似的误差函数。将上面两??个公式合并起来就得到最终的目标函数如式３．１３所示：??ｖ）?—?Ｉ｛ｘ?＋?ｕ，ｙ?＋?ｖ））?＋?Ｘ?■?ｉｐ（＼Ｖｕ＼，＼Ｖｖ＼）＼ｄｘｄｙ?（３．１３）??为描述简单，上面的偏移量不写成函数形式，；ｌ是一个权重因子。目前主流??的稠密光流算法中，主要根据误差函数取绝对值函数和二次函数分成两大类：Ｌ１－光流（Ｌ１－范??数）和Ｌ２－光流（Ｌ２－范数）？??光流场是两帧图片中相对应的每个像素都有一个ｘ方向和ｙ方向的位移，光流计算得到的??光流图是个和原图大小相等的双通道图像，不同颜色表示不同的运动方向（使用ＨＳＶ颜色空间），??深浅表示运动的速度。图３．３（ａ）为对相距６帧（［ＦＰＳ＊?１／４１）的两幅考场图像提取的光流图示例；??３．３（ｂ）为输入双路三维卷积神经网络的光流图序列（考生离场）示例。??圃画：麵??参考帧?当前帧?光流图??（ａ）两幅考场图像提取的光流图示例??Ｍ??ＭＵ—Ｍ??（ｂ）光流图序列示例??图３．３考场监控视频帧光流图示例??３１??
【参考文献】：
期刊论文
[1]大规模考试信息化监考系统的设计与应用[J]. 肖国亮,李汉才,程煜. 中国考试. 2019(04)
[2]基于3D卷积神经网络的人体动作识别算法[J]. 张瑞,李其申,储珺. 计算机工程. 2019(01)
[3]智能无人监考考试系统设计与研究[J]. 李川. 电脑知识与技术. 2018(30)
[4]基于3D-CNN的暴力行为检测[J]. 周智,朱明,Yahya Khan. 计算机系统应用. 2017(12)
[5]一种基于三维卷积网络的暴力视频检测方法[J]. 宋伟,张栋梁,齐振国,郑男. 信息网络安全. 2017(12)
[6]基于背景消减法的考场作弊行为检测方法[J]. 蔺永政,吴小羽,李恒建,柳忠光. 济南大学学报(自然科学版). 2015(06)
[7]基于SVM的异常行为检测在电子考场中的应用研究[J]. 熊思. 湖北第二师范学院学报. 2013(08)
博士论文
[1]基于深度学习的暴力检测及人脸识别方法研究[D]. 丁春辉.中国科学技术大学 2017
[2]视频时间戳移除和重置方法及其教育应用的研究[D]. 成俊.华中师范大学 2016
[3]基于非场景目标特征的篮球视频事件检测及其体育教学应用的研究[D]. 丁万.华中师范大学 2015
硕士论文
[1]基于考场监控视频的智能监考方法研究[D]. 丁苗苗.中国科学技术大学 2017
[2]基于卷积神经网络的人体行为识别研究[D]. 刘璐璐.中国科学技术大学 2017
[3]山东大学电子监考系统的设计与实现[D]. 刘浩.山东大学 2015
[4]基于图像分析的考场视频监视系统分析与研究[D]. 刘鸾.西南交通大学 2014
[5]视频中数字时钟识别研究[D]. 荣铁.华中师范大学 2013
[6]电子监考异常行为的检测与研究[D]. 李婧.太原理工大学 2013
[7]头部运动分析及其在考场视频监控系统中的研究与应用[D]. 吴凯.北京理工大学 2011
[8]考场作弊行为智能分析方法研究[D]. 王奕波.国防科学技术大学 2011
[9]基于图像分析的智能考试监控系统[D]. 冯磊.北京交通大学 2011
[10]考场异常行为视频检测关键技术研究[D]. 陆勇.西北农林科技大学 2010
本文编号：3452292
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：108 页
【学位级别】：博士
【部分图文】：
图１．２考场监控视频样例??传统方法解决本文所面临的问题相对冗长复杂，泛化能力较差
？博士学位论文??ＤＯＣＴＯＲＡＬ?ＤＩＳＳＥＲＴＡＴＩＯＮ??３．１考场全局事件检测??３．１．１考场全局事件的定义??考场全局视频考务事件（简称考场全局事件）是指对考场监控视频中的各个时间片段的全??局视频场景进行识别分类，再结合视频时钟和考务规则，即得到符合或违背考务规则的考场全??局事件。考场全局事件检测的主要问题是考场全局状态视频场景分类。在基于考场监控视频的??智能监考系统中，我们可以根据不同考试阶段中考场人员群体表现出的不同运动模式，将考场??全局状态分为如下５类：??①空考场：无考场人员在内，亦无任何活动；??②准备及收尾：考场无考生，监考老师在考场内做考前考后的考务工作，如考前开启密封??考卷、考后逐桌收卷、汇总试卷及封袋等；??③考生入场：考生陆续从考场入口出现，进入考场各个区域的位置并坐下；??④考生离场：考试结束，考生起立且从考场各个区域涌向考场出口并从监控中消失；??⑤考中：考生在自己的位置上作答，监考老师逐桌分发试卷、巡场走动、驻足、坐定。??３．１．２考场全局状态分类流程??通过对视频帧序列中的人物群体的运动状态进行分类识别即可区分当前考场所处的全局状??态类别。如图３．１所示为本章双通道三维卷积神经网络进行考场全局状态分类识别的流程。??第１通ｊｌ：基于原始数据的动作检测网络??广输入数据＾?＿?／１１????光?第２通道：基于光流图的动作检测网络??｜?ｇ｜｜?／’、＃??预处理?光率图序列???一????双通道三维卷积网络??图３．１考场全局状态分类识别流程??２４??
博士学位论文??ＤＯＣＴＯＲＡＬ?ＤＩＳＳＥＲＴＡＩＩＯＮ??对于稠密匹配，如果只有上面的数据项是不够的，因为纯色区域的点无法通过上式计算找??到准确的偏移量，因此还需要加入一个平滑项。平滑项的目的是对于特征比较弱的区域的点，??其偏移量尽量向强特征点的偏移量靠近，或者说相邻两个特征点的偏移量相差不能太大，即偏??移量的变化率不能太大，公式化如式３．１２所示：??ＴｎｉＴｔ??ｕｄｘ．ｙｌｖｉｘ．ｙ＾＾＾＾＾ｙ?（３．１２）??上式中＝?＋?是梯度的模长，４０，ｙ）是一个类似的误差函数。将上面两??个公式合并起来就得到最终的目标函数如式３．１３所示：??ｖ）?—?Ｉ｛ｘ?＋?ｕ，ｙ?＋?ｖ））?＋?Ｘ?■?ｉｐ（＼Ｖｕ＼，＼Ｖｖ＼）＼ｄｘｄｙ?（３．１３）??为描述简单，上面的偏移量不写成函数形式，；ｌ是一个权重因子。目前主流??的稠密光流算法中，主要根据误差函数取绝对值函数和二次函数分成两大类：Ｌ１－光流（Ｌ１－范??数）和Ｌ２－光流（Ｌ２－范数）？??光流场是两帧图片中相对应的每个像素都有一个ｘ方向和ｙ方向的位移，光流计算得到的??光流图是个和原图大小相等的双通道图像，不同颜色表示不同的运动方向（使用ＨＳＶ颜色空间），??深浅表示运动的速度。图３．３（ａ）为对相距６帧（［ＦＰＳ＊?１／４１）的两幅考场图像提取的光流图示例；??３．３（ｂ）为输入双路三维卷积神经网络的光流图序列（考生离场）示例。??圃画：麵??参考帧?当前帧?光流图??（ａ）两幅考场图像提取的光流图示例??Ｍ??ＭＵ—Ｍ??（ｂ）光流图序列示例??图３．３考场监控视频帧光流图示例??３１??
【参考文献】：
期刊论文
[1]大规模考试信息化监考系统的设计与应用[J]. 肖国亮,李汉才,程煜. 中国考试. 2019(04)
[2]基于3D卷积神经网络的人体动作识别算法[J]. 张瑞,李其申,储珺. 计算机工程. 2019(01)
[3]智能无人监考考试系统设计与研究[J]. 李川. 电脑知识与技术. 2018(30)
[4]基于3D-CNN的暴力行为检测[J]. 周智,朱明,Yahya Khan. 计算机系统应用. 2017(12)
[5]一种基于三维卷积网络的暴力视频检测方法[J]. 宋伟,张栋梁,齐振国,郑男. 信息网络安全. 2017(12)
[6]基于背景消减法的考场作弊行为检测方法[J]. 蔺永政,吴小羽,李恒建,柳忠光. 济南大学学报(自然科学版). 2015(06)
[7]基于SVM的异常行为检测在电子考场中的应用研究[J]. 熊思. 湖北第二师范学院学报. 2013(08)
博士论文
[1]基于深度学习的暴力检测及人脸识别方法研究[D]. 丁春辉.中国科学技术大学 2017
[2]视频时间戳移除和重置方法及其教育应用的研究[D]. 成俊.华中师范大学 2016
[3]基于非场景目标特征的篮球视频事件检测及其体育教学应用的研究[D]. 丁万.华中师范大学 2015
硕士论文
[1]基于考场监控视频的智能监考方法研究[D]. 丁苗苗.中国科学技术大学 2017
[2]基于卷积神经网络的人体行为识别研究[D]. 刘璐璐.中国科学技术大学 2017
[3]山东大学电子监考系统的设计与实现[D]. 刘浩.山东大学 2015
[4]基于图像分析的考场视频监视系统分析与研究[D]. 刘鸾.西南交通大学 2014
[5]视频中数字时钟识别研究[D]. 荣铁.华中师范大学 2013
[6]电子监考异常行为的检测与研究[D]. 李婧.太原理工大学 2013
[7]头部运动分析及其在考场视频监控系统中的研究与应用[D]. 吴凯.北京理工大学 2011
[8]考场作弊行为智能分析方法研究[D]. 王奕波.国防科学技术大学 2011
[9]基于图像分析的智能考试监控系统[D]. 冯磊.北京交通大学 2011
[10]考场异常行为视频检测关键技术研究[D]. 陆勇.西北农林科技大学 2010
本文编号：3452292
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3452292.html
最近更新
教材专著
