李新龍 匡夢林 包海曼

摘要：本論文將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到的考生異常行為檢測的智能視頻監(jiān)控系統(tǒng)中去。當(dāng)輸入多維圖像時，算法更為顯著，只用直接進(jìn)行圖像輸入，還能夠使考生異常行為識別的準(zhǔn)確性得到提升。

關(guān)鍵詞：3DCNN；行為識別；智能監(jiān)考

中圖分類號：TP391.41 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-9129（2019）04-0029-02

Abstract：In this thesis， the convolutional neural network is applied to the intelligent video surveillance system for the abnormal behavior detection of candidates. When multi-dimensional images are input， the algorithm is more significant， and only the image input is directly performed， and the accuracy of the candidate's abnormal behavior recognition can be improved.

Keywords：3DCNN；Behavior recognition；Intelligent invigilation

引言

在眾多神經(jīng)網(wǎng)絡(luò)當(dāng)中，卷積神經(jīng)網(wǎng)絡(luò)是學(xué)者們最多去愿意研究的。現(xiàn)如今由于標(biāo)記數(shù)據(jù)和GPU的快速發(fā)展使得那些關(guān)于卷積神經(jīng)網(wǎng)絡(luò)的研究取得了不起的結(jié)果。

1 考生異常行為數(shù)據(jù)庫的建立

根據(jù)考場的規(guī)則，作弊包括身體向左傾斜、向右傾斜或向后傾斜超出規(guī)定區(qū)域，向前或向后探頭、左右手臂向兩邊伸出超出規(guī)定區(qū)域，桌面上存在異常物品，轉(zhuǎn)移小紙條或答題卡的行為，包括舉手、倒地、未經(jīng)許可離開座位、與考場內(nèi)任何人員發(fā)生肢體沖突等其他行為。這些都是考場中的異常行為，需要準(zhǔn)確定。

2 基于3DCNN的考生異常行為檢測

本算法通過采用3D卷積神經(jīng)網(wǎng)絡(luò)技術(shù)解決人體行為的識別問題。

（1）輸入視頻：

（2）將輸入的視頻進(jìn)行預(yù)處理：

A.從圖像信息中篩選人體行為特征明顯的圖像，保存篩選后的圖像；

B.將保存的圖像統(tǒng)一大小為120×160像素；

C.將圖像信息分類標(biāo)記，將已統(tǒng)一大小的圖像均分為5份，1-4份作為訓(xùn)練樣本集，第5份作為測試樣本集，得到已標(biāo)記的圖像；

（3）構(gòu)建出3D卷積神經(jīng)網(wǎng)絡(luò)：

A.將已標(biāo)記的圖像，分別提取灰度、x和y方向的光流、x和y方向的梯度共計五個通道信息，得到圖像提取后的灰度值：

B.計算已標(biāo)記圖像的梯度在x和y方向；

C.計算圖像提取后的灰度值的變化率；

D.計算已標(biāo)記圖像的光流在x和y方向；

E.對五個通道信息中的每個通道分離進(jìn)行卷積核下采樣操作，得到每一層卷積層和下采樣層的特征圖maps的大?。?/p>

（4）將特征向量提取出來：

A.在第二層采樣層中得到的64張?zhí)卣鲌Dmaps，將每一張?zhí)卣鲌Dmap，大小為12×17像素，將其拉伸成一個向量，得到向量的維數(shù)為13056維的神經(jīng)元；

B.降維通過普通神經(jīng)網(wǎng)絡(luò)進(jìn)行，我們假設(shè)第一層全連接層的神經(jīng)元個數(shù)為6528，則第二層全連接層的神經(jīng)元個數(shù)為1000，得到的第二層神經(jīng)元為圖像的特征值；

（5）進(jìn)行分類訓(xùn)練

（6）測試結(jié)果輸出

3 實(shí)驗驗證及結(jié)果分析

我們應(yīng)用改進(jìn)后的3D CNN的混淆矩陣，通過實(shí)驗得出，改進(jìn)后的3D CNN中“手臂伸出”和“站立前傾”這兩個行為的正確率最高，達(dá)到100%，然后是“桌面異物”和“身體前傾”，“桌面異物”達(dá)到了98%，被分錯的樣本也被分到了“手臂伸出”，“舉手示意”這個行為正確率最低，但是也達(dá)到了92%，被分錯的樣本全部被當(dāng)成了“手臂伸出”，從總體上看，這個網(wǎng)絡(luò)的正確率是比較高的。

4 結(jié)束語

本文研究的是一種基于卷積神經(jīng)網(wǎng)絡(luò)的考生異常行為識別算法，可以使用在考場考試中的考生異常行為檢測，經(jīng)過測試和初步驗證，準(zhǔn)確率達(dá)到了比較可靠的程度。

參考文獻(xiàn)：

[1] 戴金波，龍曼麗，趙宏偉，陳奮君.考場異常行為檢測算法[J].吉林大學(xué)學(xué)報（工學(xué)版），2012.236～240

[2] 藺永政，吳小羽，李恒建，柳忠光.基于背景消減法的考場作弊行為檢測方法[J].濟(jì)南大學(xué)學(xué)報（自然科學(xué)版），2015，06.406～409

[3] Bouvrie J.Notes on Convolutional Neural Networks. MITCBCL Technical Report，2006.38～44

[4] Chandola V，Banerjee A，Kumar V.Anomaly detection：A survey[J].Acm Computing Surveys，2009，41（3）：75～79

[5] LeCun Y， Ranzato M. Deep learning tutorial. In： Tutorialsin International Conference on Machine Learning （ICML13）.Atlanta，USA：Citeseer，2013