对考试作弊事件进行智能视频识别的方法

摘要

本发明实施例提供了一种对考试作弊事件进行智能视频识别的方法，首先针对考场监控视频，通过高斯混合模型的建立和更新，将所述考场监控视频中所有的像素点分为前景像素点和背景像素点；根据所述前景图像提取运动像素特征值，再将考生在考场中所处区域的特征值提取出来，作为下一步决策树判断的数据；使用一系列的样本图例对决策树进行训练，得到每个节点预先设定的阈值以及最后一层节点中对应不同作弊事件的概率值，并根据所述决策树的数据来判断相应的作弊事件。通过以上的技术方案，就可以自动检测考场监控视频中出现的考生作弊行为和监考老师的不作为现象，而不再需要工作人员时刻紧盯视频画面来搜索作弊事件，从而节省大量的人力物力财力，并提高了工作效率。

主权项

一种对考试作弊事件进行智能视频识别的方法，其特征在于，包括：针对考场监控视频，通过高斯混合模型的建立和更新，将所述考场监控视频中所有的像素点分为前景像素点和背景像素点，并得到前景图像和背景图像；根据所述前景图像提取运动像素特征值，再将考生在考场中所处区域的特征值提取出来，作为下一步决策树判断的数据，具体包括：首先，在得到所述前景图像和背景图像之后，假设F和B分别为得到的前景和背景图像，将F和B进行灰度化处理后再进行运动像素特征值的提取，记为FG和BG；先将FG分成6*6的Block块，对每一个块的像素值做累加统计得到STAFG(i)的值为： STAFG ( i ) = Σ m = 0 M Σ n = 0 N Grey ( Pixle m , n ) , Pixelm，n∈Block(i)，其中，M＝Height(FG)/6，N＝Width(FG)/6，i＝{1，2，…，36}；针对一定时序窗口内的STAFG(i)，若STAFG(i)＞ε1，则第i个Block块的STA值计入特征，记录满足这些条件块的集合为ComBlock{i1，…，il}，其中ε1是一个比较小的值，l为15；再对背景图像BG的Comblock块计算STABG(i)，则另一组特征为Add(i)＝STAFG(i)+Last_STAFG(i)，i∈Comblock，其中Last_STAFG(i)为上一帧的像素统计值；最后一组特征为满足ε1＜STAFG(i)＜ε2的块的STA值，这些块的集合记为AddBlock，其大小为2，则第一组特征大小为15，第二组特征大小为15，第三组为2，共提取了32维的特征向量，并进一步描述为：前15维：STAFG(i)，i∈Comblock；第16维至30维：Add(i)，i∈Comblock；第31维至32维：STAFG(i)，i∈Addblock；然后再采用决策树C4.5算法作为本算法的训练模型，使用一系列的样本图例对决策树进行训练，得到每个节点预先设定的阈值以及最后一层节点中对应不同作弊事件的概率值，并根据所述决策树的数据来判断相应的作弊事件，其中所述相应的作弊事件包括考生站立、考生离开或传递试卷。