[发明专利]一种基于深度学习的考生考场异常行为分析方法

说明书

本发明公开提供了一种基于深度学习的考生考场异常行为分析方法。通过对考生骨架模型的检测后进行行为特征提取和分析，在考场监控视频中的考生异常行为分析存在明显的效果，能够解决了考场监控视频中人工查找异常，工作效率低及视频存储冗余大，无法过滤无关紧要的视频等问题。

技术领域

本发明涉及计算机视觉和模式识别领域，具体涉及一种基于深度学习的考生考场异常行为分析方法。

背景技术

考场中的视频监控系统大多处于传统模式，其主要功能和应用还是停留在摄像和存储上，即“只记录不判断”，一旦发现异常情况，只能通过人工回看存储的视频查找异常，因此目前的视频监控主要存在以下问题：需人工回看查找异常，工作效率低；视频存储冗余大，无法过滤无关紧要的视频。

近年来，随着计算机视觉领域的飞速发展，以及机器学习技术、深度学习技术等深度应用，基于监控视频的拓展研究领域越来越广泛，应用相关技术对视频中的人体行为进行分析，将现有的简单行为识别和语义描述推广到更为复杂的未知场景下的行为分析与自然语言描述变的越来越重要。目前视频行为分析方法主要通过深度学习实现，其中主要分为基于端到端的深度神经网络架构的方法和基于目标及骨架模型检测、目标跟踪和目标行为分析多端结合的方法。这两种方法在行为识别方面都取得了不错的效果。

但针对于考场监控视频，由于考场监控视频中存在多个考生目标，考生间隔较小，基于端到端的深度神经网络架构方法对考生行为分析效果不明显，无法准确判断考生是否存在异常行为、智能化的分析考生行为。

发明内容

针对以上问题，本发明的目的在于提供一种基于深度学习的考生考场异常行为分析方法。

本发明为实现上述目的，通过以下技术方案实现：一种基于深度学习的考生考场异常行为分析方法，包括以下步骤：

步骤(1)：通过视频监控装置采集考场视频图像；

步骤(2)：将采集考场视频图像以时间顺序组成图像序列并进行预处理后得到图像序列S；

步骤(3)：对图像序列S进行考生目标检测及考生骨架模型检测，得到每个考生的骨骼模型；

步骤(4)：分别对每个考生的图像序列S和对应的骨骼模型进行关联，建立每个考生的骨骼模型流；

步骤(5)：根据考场行为特点，删除骨骼模型流中记录考生下半身动作的骨骼关节点，得到每个考生在图像序列S中的考生目标骨架模型；

步骤(6)：对目标骨架模型建立统一的坐标系，在统一坐标系中计算连续多帧图像中目标考生的上半身关节坐标点的特征向量v；

步骤(7)：将特征向量v输入到用于识别异常行为特征向量的支持向量机分类器，通过支持向量机分类器分类判断得到考生的异常行为分析结果。

进一步，在步骤(2)中，所述的预处理包括采用高斯滤波平滑和直方图均衡化对图像的噪声进行抑制，所述图像序列S的尺寸为h×w。

进一步，所述步骤(3)包括：采用卷积神经网络在每个阶段设计不同层数和不同大小的卷积核进行考生目标检测及考生骨架模型检测，并采用两个分支的并行结构分别获得考生骨架关节坐标点置信图和考生骨架关节点关联关系。

进一步，所述步骤(4)包括：使用非极大值抑制算法确定每个考生在不同相邻图像序列之间所处的位置，跟踪考生目标，建立连续的图像序列S中每个考生的骨骼模型流。

进一步，所述特征向量v包括：目标考生的上半身关节坐标点的变化幅度值、方向和胳膊连接线、两肩连接线、头部连接线相互之间的角度变化值及所对应运动轨迹。

进一步，所述步骤(3)具体包括：