一种基于人体头部特征的考场偷窥作弊检测系统专利检索-框图企业组织专利检索查询-专利查询网

一种基于人体头部特征的考场偷窥作弊检测系统

阅读：284发布：2020-05-14

专利汇可以提供一种基于人体头部特征的考场偷窥作弊检测系统专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于人体头部特征的考场偷窥作弊检测系统，包括RGB-D 数据采集模块，采集关于考生的RGB彩色视频和深度信息数据；头部特征提取模块，由头部位置轨迹计算单元、头部姿态估计单元、眼神方向估计单元以及人脸识别单元组成，根据RGB-D视频数据分析头部位置轨迹、头部姿态、眼神注视方向和人脸身份等各种人体头部特征；作弊行为判定分类模块，对提取的头部特征按照多条规则分别判断是否作弊，再加权综合每条规则分类的结果得到最终是否偷窥作弊的结论。，下面是一种基于人体头部特征的考场偷窥作弊检测系统专利的具体信息内容。

权利要求

1.一种基于人体头部特征的考场偷窥作弊检测系统，其特征在于，包括：
RGB-D 数据采集模块，用于实时记录考场中监考人员及考生的RGB彩色视频和深度信息数据；
头部特征提取模块，用于逐帧对采集到的RGB-D视频数据进行分析，获取头部位置、头部姿态、头部运动轨迹、人脸身份以及眼神注视方向的等各种人体头部特征；
作弊行为判定分类模块，用于对RGB-D视频数据提取的特征按照若干条规则进行判断分类，再综合每条规则判断的结果给出最后是否偷窥作弊的结论。
2.根据权利要求1所述的一种基于人体头部特征的考场偷窥作弊检测系统，其特征在于，所述RGB-D数据采集模块由布置在考场前后固定位置的两个RGB-D摄像头组成，能够全面地采集考场中监考人员及考生的RGB彩色视频以及深度图片数据。
3.根据权利要求1所述的一种基于人体头部特征的考场偷窥作弊检测系统，其特征在于，所述头部特征提取模块包括头部位置轨迹计算单元、头部姿态估计单元、人脸识别单元和眼神方向估计单元。
4.根据权利要求3所述的一种基于人体头部特征的考场偷窥作弊检测系统，其特征在于，所述头部位置轨迹计算单元用深度学习脸部检测框架获取视频中每个考生的脸部矩形框，根据矩形框中点位置(u,v)找出对应深度图中的深度d，结合摄像头内参光心位置cx、cy以及焦距fx、fy，根据以下公式可以计算头部的空间位置坐标(x,y,z)，z＝d
在整个视频上用同样方法可以计算头部的运动轨迹以及热点位置区域。
5.根据权利要求3所述的一种基于人体头部特征的考场偷窥作弊检测系统，其特征在于，所述头部姿态估计单元将脸部检测得到的矩形框图片输入到深度卷积神经网络模型中，输出得到三个转向角的分类class_Pitch、class_Yaw、class_Roll，最后根据以下公式准确计算头部在三维空间的三个转向角：Pitch、Yaw、Roll，
Pitch＝(class_Pitch×2–90)°
Yaw＝(class_Yaw×2–90)°
Roll＝(class_Roll×2–90)°。
6.根据权利要求3所述的一种基于人体头部特征的考场偷窥作弊检测系统，其特征在于，所述眼神方向估计单元首先对脸部矩形框图片进行超分辨率处理，然后使用关键点识别获取双眼的特征点，将脸部矩形框以及双眼特征点一起作为眼神识别神经网络模型的输入，得到基于头部的注视方向，再结合头部姿态角度Pitch、Yaw、Roll，确定最终的目光朝向。
7.根据权利要求3至6任一项所述的一种基于人体头部特征的考场偷窥作弊检测系统，其特征在于，所述人脸识别单元使用深度人脸识别模型对检测到的脸部矩形框提取特征，计算该特征与考场数据库中考生的人脸特征的余弦值，余弦值最小的即为身份最匹配的考生。
8.根据权利要求1所述的一种基于人体头部特征的考场偷窥作弊检测系统，其特征在于，所述作弊行为判定分类模块，综合提取到的各种头部特征按照若干条规则作弊判断分类，每一条规则代表一个弱的作弊判定分类器；每个弱分类器的错误率为en，权重将N个弱分类器级联成一个最终判别是否偷窥作弊的强分类
若最终的偷窥作弊判定结果F>1，则考生存在偷窥作弊行为，0

说明书全文

一种基于人体头部特征的考场偷窥作弊检测系统

技术领域

[0001] 本发明涉及计算机视觉领域，尤其涉及到一种基于人体头部特征的考场偷窥作弊检测系统。

背景技术

[0002] 目前我国在考场防止作弊方面采取了很多措施，其中就包括了视频监控。虽然视频监控一定程度上弥补了人工监考不能统筹兼顾的缺点，但是相对来说视频监控更多地用来记录考场实况，预防较大的突发情况，而在考试后还是需要组织大量人力来回看分析监控视频，判断考生是否存在作弊行为。这样不仅效率低，而且也比较容易出现漏判、误判的情况，因此如果可以引入计算机视觉和大数据智能地对监控视频进行分析，检测是否有舞弊行为，既能提升效率也能提高准确率，保障考场纪律和考试公平。

[0003] 如今重要考场上利用通讯设备作弊可以通过金属探测杜绝，不容易被注意到的作弊行为主要都是属于偷窥他人答卷或者偷瞄私带的小抄等。针对作弊行为提出的大多数视频监控智能检测作弊方案都是基于人体姿态展开的。现有技术中，申请号为CN201910336784.8的中国专利申请“一种基于姿态的考试作弊检测方法”，通过姿态估计算法以及对人体骨架序列的运动学分析以识别考生状态，从而检测作弊行为。

[0004] 事实上大多数考场上不容易被发现的作弊行为，如偷窥他人试卷等主要是集中在上半身尤其是头部的运动，上述对全身人体骨架姿态进行估计的方法条件过于宽泛，检测效率低下，也没有具体的判断标准，准确性不高，并不实用。而且基于单个RGB彩色摄像头拍摄的视频，单目视角也很难对画面中的物体位置和后续运动轨迹进行准确的估计。

发明内容

[0005] 本发明为克服上述现有技术中的缺陷，提供一种基于人体头部特征的考场偷窥作弊检测系统，它能够根据考场采集的RGB-D视频数据，智能分析考生头部位置轨迹、头部姿态、眼神方向等特征，高效准确地判断考生是否存在偷窥作弊行为。

[0006] 为解决上述技术问题，本发明采用的技术方案是：

[0007] 一种基于人体头部特征的考场偷窥作弊检测系统，其特征在于，包括：

[0008] RGB-D 数据采集模块，用于实时记录考场中监考人员及考生的RGB彩色视频和深度信息数据；

[0009] 头部特征提取模块，用于逐帧对采集到的RGB-D视频数据进行分析，获取头部位置、头部姿态、头部运动轨迹、人脸身份以及眼神注视方向的特征；

[0010] 作弊行为判定分类模块，用于对RGB-D视频数据提取的特征按照若干条规则进行判断分类，再综合每条规则判断的结果给出最后是否偷窥作弊的结论。

[0011] 进一步地，系统各个模块之间的连接关系为：RGB-D数据采集模块将获取的RGB-D视频数据传递至头部特征提取模块，提取多种头部特征后，最后交由作弊行为判定分类模块判定是否存在偷窥作弊行为。

[0012] 进一步地，所述RGB-D数据采集模块，由布置在考场前后固定位置的两个RGB-D摄像头组成，能够全面地采集考场中监考人员及考生的RGB彩色视频以及深度图片数据。

[0013] 进一步地，所述头部特征提取模块，包括头部位置轨迹计算单元、头部姿态估计单元、人脸识别单元和眼神方向估计单元。

[0014] 进一步的，所述头部位置轨迹计算单元，首先使用深度学习脸部检测框架获取视频中每个考生的脸部矩形框，根据矩形框中点位置(u,v)找出对应深度图中的深度d，根据以下公式可以计算头部的空间位置坐标(x,y,z)；

[0015]

[0016]

[0017] z＝d

[0018] 其中，cx、cy为已知的RGB-D摄像头光心位置，fx、fy为焦距。然后，对整个视频序列应用便可以得到头部的运动轨迹以及热点区域。

[0019] 进一步的，所述头部姿态估计单元使用深度卷积神经网络模型，能够准确识别头部在三维空间的三个转向角：Pitch、Yaw、Roll。将脸部检测得到的矩形框图片输入到深度卷积神经网络模型中，输出得到三个转向角的分类class_Pitch、class_Yaw、class_Roll，[0020] Pitch＝(class_Pitch×2–90)°

[0021] Yaw＝(class_Yaw×2–90)°

[0022] Roll＝(class_Roll×2–90)°。

[0023] 进一步的，所述眼神方向估计单元，用以识别考生的眼神注视方向。首先对脸部检测得到的矩形框进行超分辨率处理，然后使用关键点识别技术从中获取双眼的特征点，将脸部矩形框以及双眼特征点一同输入到眼神识别神经网络模型中，输出其基于头部的注视方向，再结合头部姿态Pitch、Yaw、Roll的欧拉角，确定最终的目光朝向。

[0024] 进一步的，所述人脸识别单元，使用深度人脸识别模型对检测到的脸部矩形框提取特征，计算该特征与考场数据库中考生的人脸特征的余弦值，余弦值最小的即为身份最匹配的考生。

[0025] 进一步地，所述作弊行为判定分类模块，对RGB-D视频数据提取的特征按照若干条规则进行判断分类，每一条规则代表一个弱的判定分类器，将N个弱分类器级联成一个最终判别是否偷窥作弊的强分类器Fn，计算每个弱分类器的错误率en，那么每个权重[0026] 最终的作弊判定分类器F为：F>1表明考生存在偷窥作弊行为，0

[0027] 与现有技术相比，有益效果是：本发明针对偷窥作弊行为，使用深度学习框架提取头部特征进行分析，相比其他做法，目标明确，检测更加高效迅速，特征更加具体，能够提高信息捕捉与判定的准确度；结合各种头部特征根据若干规则进行初步判断弱分类，最后再综合各个弱分类器的结果给出是否偷窥作弊的结论，这样的最终判定结果全面考虑了各种要素，更加精确可信；基于RGB-D摄像头得到的视频和深度数据能够为头部位置和运动轨迹带来更加精准的分析估计，解决了传统方法使用单目RGB彩色摄像头定位不准的问题。附图说明

[0028] 图1是本发明技术方案的结构框架示意图。

[0029] 图2为头部姿态估计的深度卷积神经网络模型框架示意图。

具体实施方式

[0030] 附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。

[0031] 实施例1：

[0032] 参阅图1，本发明实施例提供了一种基于人体头部特征的考场偷窥作弊检测系统，包括RGB-D数据采集模块、头部特征提取模块和作弊行为判定分类模块。三者的关系为RGB-D数据采集模块将RGB-D视频数据送至头部特征提取模块，头部特征提取模块提取多种头部特征后再传递给作弊行为判定分类模块，由其来得到最后的结果。

[0033] 在本实施例中，RGB-D数据采集模块，用于实时记录考场中监考人员及考生的RGB视频以及深度信息数据；

[0034] 具体地，考场前后分别放置两个型号为图漾FM510的RGB-D摄像头，摄像头能够录制高清的RGB彩色视频，以及对应视频的每一帧RGB图片，都有一张对应相同分辨率的16位深的深度数据图片。

[0035] 在本实施例中，头部特征提取模块，用于对采集到的RGB-D视频数据进行逐帧分析，获取头部的位置、运动轨迹、姿态角、人脸身份以及眼神注视方向的特征。头部特征提取模块由头部位置轨迹计算单元、头部姿态估计单元、眼神方向估计单元和人脸识别单元组成：

[0036] 具体地，头部位置轨迹计算单元，首先使用OpenCVDnn脸部检测框架获取RGB视频中每个考生的脸部矩形框，根据矩形框中心点位置(u,v)找出对应深度图中的深度d，结合预先知道的摄像头内参，光心位置cx、cy以及焦距fx、fy，代入以下公式可以计算头部的空间位置坐标(x,y,z)。

[0037]

[0038]

[0039] z＝d

[0040] 同理，对整个视频序列应用便可以得到头部的运动轨迹，根据运动轨迹可以计算头部位置热点区域；

[0041] 具体地，头部姿态估计单元使用深度卷积神经网络模型来准确计算头部在三维空间的三个转向角：Pitch、Yaw、Roll，该模型框架可参阅图2。首先将Pitch、Yaw、Roll按角度区间进行分类，[-90°,90°]每2°划分一个类别，可分成90个类别。将脸部检测得到的矩形框图片作为ResNet卷积神经网络的输入，得到的特征层分三个通道分别经过各自的全连接层和Softmax层，输出得到三个转向角的分类class_Pitch、class_Yaw、class_Roll，由以下公式可计算得到最后的姿态欧拉角：

[0042] Pitch＝(class_Pitch×2–90)°

[0043] Yaw＝(class_Yaw×2–90)°

[0044] Roll＝(class_Roll×2–90)°

[0045] 其中，Pitch>0表示向上抬头的角度，Pitch<0表示向下低头的角度；Yaw>0表示水平向左转头的角度，Yaw<0表示水平向右转头的角度；Roll>0表示向左肩膀侧头的角度，Roll<0表示向右肩膀侧头的角度。该头部姿态估计模型在几个经典的头部姿态数据集上都取得了很好的效果，Pitch、Yaw、Roll的绝对平均误差都在5°以下。

[0046] 具体地，眼神方向估计单元可以识别考生的眼神注视方向。首先对脸部检测得到的矩形框图片使用超分辨率卷积神经网络提高图片分辨率，然后使用Dlib的人脸关键点识别从中获取双眼的特征点位置，将脸部矩形框图片以及双眼特征点一同输入到眼神识别神经网络模型中，输出其基于头部的注视方向，再结合先前得到的头部姿态角Pitch、Yaw、Roll，计算最终的目光朝向。

[0047] 具体地，人脸识别单元对OpenCVDnn人脸检测获取的矩形框先进行人脸对齐，然后输入到深度学习人脸识别模型中提取特征向量，计算该特征向量与考场数据库中考生的人脸特征向量的余弦值，余弦值最小的即为身份最为相似匹配的考生。如此一来，一旦考生被判定存在偷窥作弊行为，便可立刻识别对应身份。

[0048] 在本实施例中，作弊行为判定分类模块，用于对RGB-D视频数据提取的特征按照若干条规则进行判断分类，再综合每条规则判断的结果给出最后是否偷窥作弊的结论。

[0049] 具体地，对RGB-D视频数据提取的特征按照一定规则判断是否偷窥作弊，每一条规则代表一个弱的判定分类器fn，将N个弱分类器级联成一个最终判别是否偷窥作弊的强分类器F，计算每个弱分类器的错误率en。

[0050] 作为一种可能的实现方式，根据每位考生提取的特征组合，至少可以根据三个规则计算考生是否存在偷窥作弊行为：

[0051] 若考生出现头部姿态|Yaw|>50°、Pitch<0，同时目光注视方向为下方的状态，且维持时间t>5s，表明考生向左右桌偷窥，f1＝1，否则，f1＝0；

[0052] 若后方摄像头捕捉到考生脸部，即|Yaw|超过90°，同时Pitch<0、目光注视方向为下方的状态，且维持时间t>5s，表明考生向后桌偷窥，f2＝1，否则，f2＝0；

[0053] 若头部位置(x,y,z)偏离热点区域超过阈值，同时Pitch<0、目光注视方向为前下方的状态，且维持时间t>5s，表明考生向前桌偷窥，f3＝1，否则，f3＝0。

[0054] 最终的作弊判定分类器F为：其中为每个弱分类器的权重。

[0055] F>1表明考生存在偷窥作弊行为，0

[0056] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

标题	发布/更新时间	阅读量
灌浆压力波动程控方法	2020-05-12	435
一种变频器故障诊断方法	2020-05-13	336
永磁同步电机的控制方法	2020-05-14	703
一种批量切割放置图形生成方法及装置	2020-05-08	534
双液压缸流量补偿同步起竖装置及其控制方法	2020-05-11	8
基于深度卷积神经网络的干扰识别模型及智能识别算法	2020-05-08	904
一种加入低通滤波器的逆变器系统及其改进的控制方法	2020-05-08	365
一种基于鱼眼镜头的单目测距方法	2020-05-13	740
数据处理方法、装置、设备及存储介质	2020-05-12	526
基于系统理论危害分析的列车自动防护系统安全分析方法	2020-05-13	484

一种基于人体头部特征的考场偷窥作弊检测系统

一种基于人体头部特征的考场偷窥作弊检测系统

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：