考场监控视频处理方法

摘要

本发明涉及一种考场监控视频处理方法，包括以下步骤：步骤一、准备样品图像，样本图像分为正样本和负样本，即判定为正面人脸的图像和判定为非正面人脸的图像，根据样本图像生成分类器；步骤二、接收考试监控视频，每隔一定时间间隔从视频中采集一幅考生摄像头捕获图像，并使用步骤一得到的分类器进行分类，判断捕获图像是否为正面人脸图像；步骤三、如果检测到非正面人脸图像连续存在超过一定时间，则判定考生可能存在作弊行为，提醒系统管理员注意，或者对考生采取警告、终止考试等处理措施；本发明提供了一种自动处理考场监控视频的方法，从而可以使用价格低廉的普通摄像头实现无监考人员的自动考场监控。

主权项

一种考场监控视频处理方法，包括以下步骤：步骤一、准备样品图像，样本图像分为正样本和负样本，即判定为正面人脸的图像和判定为非正面人脸的图像，根据样本图像生成分类器；步骤二、接收考试监控视频，每隔一定时间间隔从视频中采集一幅考生摄像头捕获图像，并使用步骤一得到的分类器进行分类，判断捕获图像是否为正面人脸图像；步骤三、如果检测到非正面人脸图像连续存在超过一定时间，则判定考生存在作弊行为，提醒系统管理员注意，或者对考生采取警告、终止考试处理措施；其中，步骤一中根据样本图像生成分类器的方法为：一、将样本图片记为(x₁,y₁)，…(x_n,y_n)，y_i＝1表示该样本为正例即判定为正面人脸的图像，y_i＝0表示该样本为负例即判定为非正面人脸的图像；二、将所有的样本图像归一化为标准大小的图像，并且将所有的样本进行灰度化；三、初始化样本权重:W_t,i表示第t次循环中第i个样本的误差权重，初始化时，若第i个样本为负例，令m为负例的样本个数；若第i个样本为正例，则令l为正例的样本个数；四、训练系统的强分类器，具体方法为：A.指定强分类器中包含的弱分类器的个数T，对t＝1,…T，循环执行以下步骤：1)归一化权重：其中t＝1，…T，T为训练的次数；2)对图像中每一个Haar特征f，训练一个弱分类器h(x,f,p,θ)；计算对应这个Haar特征f的弱分类器的分类误差；Haar特征就是用两个相邻的矩形组成的特征，其中一个用白色矩形表示，一个用黑色矩形表示，Haar特征模板包括边缘特征、线性特征、中心特征和对角线特征，每个特征模板内有白色和黑色两种矩形，特征模板在一幅图像子窗口内可以放置在任意放置并可以缩放，任意一种形态的任意一次缩放摆放称为一种特征，定义该模板的特征值为白色矩形像素和减去黑色矩形像素和，对于灰度图像，像素和即每个像素灰度值之和；3)选取最佳的即拥有最小错误率ε_t的弱分类器h_t(x)＝h(x,f_t,p_t,θ_t)，其中f_t,p_t,θ_t是使ε_t为最小的值；4)按照上一步得到的最佳弱分类器调整权重：$w_{t+1,i}=w_{t,i}{\beta }_t^{1-e_i}$其中，如果x_i被正确分类，e_i＝0，如果x_i被错误地分类，e_i＝1，B.最终得到的强分类器为：其中${\alpha }_t=\log \frac{1}{{\beta }_t};$步骤2)中，训练弱分类器的方法为：对每一个Haar特征f，训练一个弱分类器h(x,f,p,θ)其中f为Haar特征，θ为阈值，p指示不等号的方向，就是1和‑1，用来判别系统指定的是大于阈值符合标准还是小于阈值符合标准，x代表一个检测子窗口，f(x)代表该特征模板的特征值；对每个Haar特征f，训练一个弱分类器h(x,f,p,θ)，就是确定Haar特征f的最优阈值，使得这个弱分类器h(x,f,p,θ)对所有的训练样本的分类误差最低；对每个特征进行弱分类器训练的过程为：(1)对每个Haar特征f，得到所有训练样本的特征值；(2)将特征值排序；(3)对排好序的每个元素：(i)计算全部正样本的权重和T⁺；(ii)计算全部负样本的权重和T^‑；(iii)计算该元素前正样本的权重和S⁺；(iv)计算该元素前负样本的权重和S^‑；(v)选取当前元素的特征值和它前面的一个特征值之间的数作为阈值，并计算该阈值的分类误差为：e＝min(S⁺+(T^‑‑S^‑),S^‑+(T⁺‑S⁺))；(4)比较所有分类误差，得到使分类误差最小的阈值，作为针对特征f的弱分类器。