一种基于人工智能的考场监测系统

1.本发明涉及视觉监控技术领域，更具体地说，本发明涉及一种基于人工智能的考场监测系统。


背景技术：

2.近年来，随着深度学习算法的不断完善和发展,特别是在与目标检测相结合方面,取得了突破性进展。而结合了计算机视觉技术的第三代智能视觉监控技术也实现了跨越式发展。因此,面对日益猖獗的考试作弊所导致的种种社会问题,基于深度学习的考场智能视觉监控系统在杜绝考试作弊方面就有极大的意义和价值。
3.专利授权公布号为cn111382721b的中国专利公开了一种基于人工智能的考场监测系统，该基于人工智能的考场监测系统不仅能够针对考场内外环境进行监控，并且还能够通过关于考场的图像对考场内的每一个人进行细节化的监控分析，从而确定当前考场内外环境和考场内的每一个人的行为动作与预设考场要求之间的差异，以此有针对性地对考场内部的每一个人进行排查和互动，同时也不针对考场的内外环境变化对考场进行有效的调控虽然可以对人员的动作进行捕捉，但是实际上使用时捕捉效果不佳，只是简单的对捕捉到的图像与预设的动作进行比对，但是实际考场中，应考人员的动作往往很小，因此，我们需要更采用更小的捕捉方式采集人员的面部表情和行为举止。
4.发明新型内容为了克服现有技术的上述缺陷，本发明的实施例提供一种基于人工智能的考场监测系统，对考场中监考人员和应试人员的面部表情和动作行为进行捕捉和分析，并比对数据库中行为，构建出考场中人员的行为模型，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种基于人工智能的考场监测系统，包括数据处理中心、监测模块、云端数据库模块、人机交互界面、数据分析模块、反馈模块和更新模块；所述监测模块用于对考场中人员的面部表情进行识别和动作行为的捕捉，并将识别和捕捉后的数据通过数据处理中心传递至数据分析模块；所述云端数据库模块用于储存考场中分析后的数据信息，并通过互联网下载现有的数据信息，形成数据分析时的数据库；所述人机交互界面便于使用者进行操作，实现人机交互作用；所述数据分析模块用于对考场中应考人员的动作行为进行分析，并构建应试行为模型，分析考场环境中应试人员的行为趋势；所述反馈模块用于接收后台监考人员、考场监考人员和考场应考人员反馈的数据，并将数据传递至数据处理中心中；所述更新模块用于接收数据分析模块分析的考场应试人员、监考人员的数据，并将数据通过数据处理中心传输至云端数据库模块中，并依此向云端数据库模块输入更新的
指令。
6.在一个优选地实施方式中，所述监测模块包括面部表情识别单元和面部表情监控单元；所述面部表情识别单元用于考场中监考人员和应试人员的面部表情进行监控，并采用至少个定制人脸抓拍摄像头，分布在考场的对角线区域中，进行无感化人脸识别；所述面部表情监控单元用于对考场中应考人员的面部表情进行监控，并将面部表情数据传递至数据处理中心中。
7.在一个优选地实施方式中，所述监测模块中对面部表情进行监控的方式分为两种，具体如下：第一种，人脸检测，对于人脸角度超过一定阈值的不检出；第二种，人脸识别聚类，通过多帧的人脸识别做聚类，聚类的依据主要是通过人脸识别的置信度以及上下帧之间的人脸位置变化来确定。
8.在一个优选地实施方式中，所述数据分析模块包括动作捕捉单元、分类单元和模型单元，检测人体的关键点，通过关键点描述人体骨骼信息；所述动作捕捉单元用于捕捉人体骨骼关键点，通过人体骨骼关键点描述人体姿态；所述分类单元对挖掘出来的动态特性进行分类，分成不同的行为类别输出；所述模型单元将分类后的行为数据用于构建行为模型；在一个优选地实施方式中，所述行为模型通过卷积神经网络建立，形成基于卷积神经网络的行为模型，具体步骤如下：步骤1：构建初始模型，所述初始模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、全连接层的初始权重矩阵和所述全连接层的初始偏置向量；步骤2：获取多个训练图像，在步骤1所述的各级卷积层上，使用所述各级卷积层上的初始卷积核和初始偏置矩阵，对每个训练图像分别进行卷积操作和最大池化操作，得到每个训练图像在所述各级卷积层上的第一特征图像；对每个训练图像在至少一级卷积层上的第一特征图像进行水平池化操作，得到每个训练图像在各级卷积层上的第二特征图像；步骤3：确定特征向量，根据每个训练图像在各级卷积层上的第二特征图像确定每个训练图像的特征向量；步骤4：确定类别概率向量，根据所述初始权重矩阵和初始偏置向量对每个特征向量进行处理，得到每个训练图像的类别概率向量；步骤5：调整模型参数，根据所述每个训练图像的类别概率向量及每个训练图像的初始类别，计算类别误差，并基于所述类别误差，对所述待训练行为模型的模型参数进行调整；步骤6：优化行为模型，对步骤6生成的模型参数和多个训练图像，继续进行模型参数调整的过程，不断迭代，直至达到新模型的模型参数。
9.在一个优选地实施方式中，所述步骤2中水平池化操作是指提取所述第一特征图像中的每个图像每行元素中的特征值最大值，按照所述每个图像的像素排列情况，将每个图像所有行提取到的最大值排列成一个一维向量。。
10.在一个优选地实施方式中，所述步骤6中迭代次数的次数与预设次数相同时，将迭代次数达到预设次数时所得到的模型参数作为训练好的行为模型的模型参数。
11.在一个优选地实施方式中，所述一种存储介质，所述存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行上述任意一项所述的一种基于人工智能的考场监测系统。
12.在一个优选地实施方式中，一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任意一项所述的一种基于人工智能的考场监测系统。
13.本发明的技术效果和优点：1、本发明通过对考场中监考人员和应试人员的面部表情和动作行为进行捕捉和分析，并比对数据库中行为，构建出考场中人员的行为模型，通过行为模型去监控考场中应试人员的行为举止，对于具有明显违规的操作可以快速且准确的识别出来，从而保证考场中的秩序，另外，可以对考场中的监考人员进行识别，防止监考人员和应试人员互相勾结；2、本发明通过构建卷积神经网络，并给予卷积神经网络构建行为模型，对监测模块捕捉到的数据进行最大池化操作和水平池化操作，从而提取出特征图像，并标识特征图像水平方向上的特征图像，并对特征图像进行训练，训练后的行为模型在识别行为方式时的适用范围比较广泛。
附图说明
14.图1为适用于本发明提出的一种基于人工智能的考场监测系统的框架示意图。
15.图2为适用于本发明中行为模型的建立流程示意图。
16.图3为适用于本发明实施例3中电子设备的结构示意图。
17.附图标记为：1、数据处理中心；2、监测模块；3、云端数据库模块；4、人机交互界面；5、数据分析模块；6、反馈模块；7、更新模块；8、电子设备；21、面部表情识别单元；22、面部表情监控单元；51、动作捕捉单元；52、分类单元；53、模型单元；81、处理器；82、通信接口；83、存储器；84、总线。
具体实施方式
18.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.实施例1参照说明书附图1，一种基于人工智能的考场监测系统，包括数据处理中心1、监测模块2、云端数据库模块3、人机交互界面4、数据分析模块5、反馈模块6和更新模块7；
监测模块2用于对考场中人员的面部表情进行识别和动作行为的捕捉，并将识别和捕捉后的数据通过数据处理中心1传递至数据分析模块5，监测模块2包括面部表情识别单元21和面部表情监控单元22，其中，面部表情识别单元21用于考场中监考人员和应试人员的面部表情进行监控，并采用至少2个定制人脸抓拍摄像头，分布在考场的对角线区域中，进行无感化人脸识别；面部表情监控单元22用于对考场中应考人员的面部表情进行监控，并将面部表情数据传递至数据处理中心1中；并且对面部表情进行监控的方式分为两种：第一种，人脸检测，对于人脸角度超过一定阈值的不检出，阈值为90度；第二种，人脸识别聚类，通过多帧的人脸识别做聚类，聚类的依据主要是通过人脸识别的置信度以及上下帧之间的人脸位置变化来确定。
20.云端数据库模块3用于储存考场中分析后的数据信息，并通过互联网下载现有的数据信息，形成数据分析时的数据库；人机交互界面4便于使用者进行操作，实现人机交互作用；数据分析模块5用于对考场中应考人员的动作行为进行分析，并构建应试行为模型，分析考场环境中应试人员的行为趋势，数据分析模块5包括动作捕捉单元51、分类单元52和模型单元53，用于检测人体的关键点，例如五官、肢体关节等；动作捕捉单元51用于捕捉人体骨骼关键点，通过人体骨骼关键点描述人体姿态，通过关键点描述人体骨骼信息，多人人体骨骼关键点检测主要有两个方向，一种是自上而下，另一种是自下而上，本实施例中具体解释如下：自上而下，人体骨骼关键点定位算法主要包含两个部分，人体检测和单人人体关键点检测，即首先通过rmpe算法将每一个人检测出来，然后在检测框的基础上针对单个人做人体骨骼关键点检测。
21.自下而上，本方法也包含两个部分，关键点检测和关键点聚类，即首先通过paf算法将图片中所有的关键点都检测出来，然后通过相关策略将所有的关键点聚类成不同的个体，其中对关键点之间关系进行建模的代表性算法有paf；分类单元52对挖掘出来的动态特性进行分类，分成不同的行为类别输出，分类单元52的行为类别具体为：站立、张望、摆头、抬头、摆手五种，并将每种数据；模型单元53将分类后的行为数据用于构建行为模型；反馈模块6用于接收后台监考人员、考场监考人员和考场应考人员反馈的数据，并将数据传递至数据处理中心1中；更新模块7用于接收数据分析模块5分析的考场应试人员、监考人员的数据，并将数据通过数据处理中心1传输至云端数据库模块3中，并依此向云端数据库模块3输入更新的指令。
22.参照图2，对本实施例中行为模型的建立方式进行具体的说明，行为模型通过卷积神经网络建立，形成基于卷积神经网络的行为模型，具体步骤如下：步骤1：构建初始模型，所述初始模型参数包括各级卷积层的初始卷积核、所述各级卷积层的初始偏置矩阵、全连接层的初始权重矩阵和所述全连接层的初始偏置向量；步骤2：获取多个训练图像，在步骤1所述的各级卷积层上，使用所述各级卷积层上的初始卷积核和初始偏置矩阵，对每个训练图像分别进行卷积操作和最大池化操作，得到
每个训练图像在所述各级卷积层上的第一特征图像；对每个训练图像在至少一级卷积层上的第一特征图像进行水平池化操作，得到每个训练图像在各级卷积层上的第二特征图像，水平池化操作是指提取所述第一特征图像中的每个图像每行元素中的特征值最大值，按照所述每个图像的像素排列情况，将每个图像所有行提取到的最大值排列成一个一维向量；步骤3：确定特征向量，根据每个训练图像在各级卷积层上的第二特征图像确定每个训练图像的特征向量；步骤4：确定类别概率向量，根据所述初始权重矩阵和初始偏置向量对每个特征向量进行处理，得到每个训练图像的类别概率向量；步骤5：调整模型参数，根据所述每个训练图像的类别概率向量及每个训练图像的初始类别，计算类别误差，并基于所述类别误差，对所述待训练行为模型的模型参数进行调整；步骤6：优化行为模型，对步骤6生成的模型参数和多个训练图像，继续进行模型参数调整的过程，不断迭代至迭代次数与预设次数相同时，将迭代次数达到预设次数时所得到的模型参数作为训练好的行为模型的模型参数，直至达到新模型的模型参数。
23.实施例2本实施例提供一种存储介质，存储介质存储有计算机可执行指令，其包含用于执行上述一种基于人工智能的考场监测系统的程序，该计算机可执行指令可执行实施例1中的一种基于人工智能的考场监测系统。
24.其中，存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd))等。
25.实施例3说明书附图3示出了本发明的另一个实施例的一种电子设备的结构框图。电子设备5可以是具备计算能力的主机服务器、个人计算机pc、或者可携带的便携式计算机或终端等。本发明具体实施例并不对电子设备的具体实现做限定。
26.该电子设备8包括至少一个处理器(processor)81、通信接口(communications interface)82、存储器(memory array)83和总线84。其中，处理器81、通信接口82、以及存储器83通过总线84完成相互间的通信。
27.通信接口82用于与网元通信，其中网元包括例如虚拟机管理中心、共享存储等。
28.处理器81用于执行程序。处理器81可能是一个中央处理器cpu，或者是专用集成电路asic（application specific integrated circuit），或者是被配置成实施本发明实施例的一个或多个集成电路。
29.存储器83用于可执行的指令。存储器83可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器83也可以是存储器阵列。存储器83还可能被分块，并且块可按一定的规则组合成虚拟卷。存储器83存储的指令可被处理器81执行，以使处理器81能够执行上述任一实施例中的数据库。
30.最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明
的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。