基于视频监控的考场异常行为识别方法及实现

发布时间：2024-03-04 21:49

　　随着考生数量逐年急剧增加,现代考试竞争愈加激烈,考试的公平性愈显重要。目前,仅依靠人工排查考场视频数据以及现场监考老师发现异常行为的传统电子监考方式工作强度大且容易发生漏检、误检等情况。随着信息技术的快速发展,将人工智能技术应用于现代考场监考技术具有重要的实际意义。本文主要研究在高校环境下基于视频监控的考场异常行为识别方法及实现,通过计算机自动化技术完成基于考场视频的异常行为实时判断以辅助监考老师决策。在本课题研究中,将从硬件、软件技术相结合的方式完成上述系统功能设计。主要完成的工作有:1.通过分析考场环境特点以及考生在正常答题情况下和发生异常行为情况下的行为特点,提出基于视频监控的考场行为识别技术的系统需求,根据需求分析给出对应解决方案并进行系统设计。本系统由图像数据采集模块、系统控制模块以及异常行为报警模块构成,其中图像数据采集模块主要由网络摄像头组成,通过有线网络传输图像数据至控制模块,系统控制模块为系统枢纽,由服务器和显示设备实现,主要完成图像数据处理等相关工作,包括实现考生目标检测以及异常行为识别等功能,异常行为报警模块由嵌入式系统构成,当发现异常行为时,系统控制端将通过有线...

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

图2-6硬间隔分类间隔图

图2-6硬间隔分类间隔图分类面γ如图2-6所示，在最佳分隔超平面的分割下，分类间隔最大，所以支持向量机应如式（2-24）所示。2,1min2..()1,1,2,,bistyxbin（2-24）为求解ω和b，....

图2-7软间隔分类间隔图

图2-7软间隔分类间隔图针对线性不可分的情况，将对每个样本点引入松驰变量ξ≥0，所以式（2-23）可以改写成如式（2-28）所示，式中的惩罚系数C＞0，C的值越大代表对错误分类的惩罚越大。2,11min()2..()1,1,2,,0nbiiiiCs....

图2-8样本映射图

(3)非线性支持向量机还有一种情况就是样本D可能不存在一个能被正确划分的分隔超平面，如图2-8所示，对于这样的问题可以通过映射样本至线性可分特征空间内进行计算。

图3-1考场摄像头布局

相对于其他环境下的视频监控系统，高校考场视频监控环境具有独特的环境特点，经过大量调研分析发现，首先高校考室分为普通教室和阶梯教室，摄像头位置可能在教室两个角落或教室中间，如图3-1所示，但无论在上述哪种条件下，摄像头位置都处于不变状态。但需要注意的是，由于摄像头的拍摄角度是俯视考....

本文编号：3919227