申请/专利权人：武汉纺织大学

申请日：2024-01-29

公开（公告）日：2024-04-26

公开（公告）号：CN117649630B

主分类号：G06V20/40

分类号：G06V20/40;G06V20/52;G06V10/80;G06V10/774;G06V40/20;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2024.03.22#实质审查的生效;2024.03.05#公开

摘要：本发明公开了一种基于监控视频流的考场作弊行为识别方法，所述方法包括：S1：采集考场监控的视频数据，并对数据进行人工筛选预处理，制作考场行为数据集；S2：设计基于监控视频流的考场作弊行为识别网络模型，包括空间信息提取通道、时间信息提取通道和时空注意力机制特征融合模块；S3：训练考场作弊行为识别网络，得到训练好的考场作弊行为识别网络模型；S4：将训练好的考场作弊行为识别网络模型进行保存，并部署到实际系统中，用于实时的监控视频流的考场作弊行为识别。本发明通过设计基于监控视频流的考场作弊行为识别网络模型，对考场中考生的行为进行实时检测，提高考场作弊行为的识别准确性。

主权项：1.一种基于监控视频流的考场作弊行为识别方法，其特征在于，所述方法包括以下步骤：S1：采集考场监控的视频数据，并对视频数据进行人工筛选预处理，制作考场行为数据集，所述数据集包括训练集、验证集和测试集；S2：设计基于监控视频流的考场作弊行为识别网络模型，所述考场作弊行为识别网络模型包括空间信息提取通道、时间信息提取通道、时空注意力机制特征融合模块和特征融合模块；所述空间信息提取通道用于提取视频数据中的空间信息，所述空间信息包括考场中的背景环境信息和考生的位置信息；所述时间信息提取通道用于提取视频数据中的时间信息，所述时间信息包括考生的行为变化和作弊动作特征信息；所述时空注意力机制特征融合模块用于将所述时间信息提取通道中的时间信息特征融合到所述空间信息提取通道中的空间信息特征中，得到时空特征；所述特征融合模块将来自空间信息提取通道提取的空间通道特征向量和来自时间信息提取通道提取的时间通道特征向量进行叠加和融合，形成了一个综合特征向量，将所述综合特征向量送入分类器并输出结果；所述空间信息提取通道和所述时间信息提取通道均由四个阶段构成，每个阶段由数据抽帧模块、线性转换模块、数据降维模块、特征增强模块和特征提取模块中的一个或多个组合而成，所述空间信息提取通道的卷积通道为所述时间信息提取通道的18；S3：使用制作好的考场行为数据集训练所述考场作弊行为识别网络模型，得到训练好的考场作弊行为识别网络模型；S4：将训练好的考场作弊行为识别网络模型进行保存，并部署到实际系统中，用于实时的监控视频流的考场作弊行为识别；所述步骤S2中时空注意力机制特征融合模块包括归一化层、多头交叉注意力层、标准化层、多层感知机层、残差连接和随机失活层，其具体步骤包括：S231：首先通过三维卷积归一化对时间维度进行变换，使时间维度和空间维度统一；S232：采用多头交叉注意力机制，对每一阶段的输出特征与空间信息提取通道和时间信息提取通道之间的注意力分布图进行计算，将所述时间信息提取通道和空间信息提取通道生成的语义特征和空间特征在像素区域整合成一维向量的形式；S233：接着引入随机失活层；S234：通过多层感知机层和残差连接，对时间特征进行非线性变换和融合处理；S235：接着引入随机失活层；S236：最后利用标准化层对处理后的时间特征进行规范化处理，并将处理后的时间特征向量扩展到与空间特征向量相同的维度后进行连接，得到一个综合的时空特征。

全文数据：

权利要求：

百度查询： 武汉纺织大学 一种基于监控视频流的考场作弊行为识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD