(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202211072460.6
(22)申请日 2022.09.02
(71)申请人 华南师范大学
地址 510631 广东省广州市天河区中山大
道西55号
(72)发明人 朱定局
(74)专利代理 机构 广州粤高专利商标代理有限
公司 44102
专利代理师 彭东梅
(51)Int.Cl.
H04N 7/18(2006.01)
H04N 21/44(2011.01)
G06V 10/40(2022.01)
G06V 20/52(2022.01)
G06V 40/20(2022.01)G06Q 50/20(2012.01)
(54)发明名称
基于人工智能的自动监 考方法和机 器人
(57)摘要
基于人工智能的自动监考方法和机器人, 包
括: 典型特征检测步骤; 待检测帧标记步骤; 待检
测视频片段截取步骤; 作弊动作检测步骤; 监控
视频标记 步骤。 上述方法、 系统和机器人, 通过先
检测典型特征, 再在具备典型特征的那些视频段
进行作弊动作的检测, 就减少了很多不含有典型
特征的视频段的检测, 从而可以极大地提高检测
的速度和 效率。 这种方式, 对于实时视频监控同
样适用, 在没有典型特征出现时则无需进行作弊
动作的检测, 从而可 以极大地节省计算成本, 提
高检测速度, 能够达 到实时检测的效果。
权利要求书3页 说明书10页 附图2页
CN 115426482 A
2022.12.02
CN 115426482 A
1.一种人工智能方法, 其特 征在于, 所述方法包括:
典型特征检测步骤:获取考试的监控视频中每一帧图像, 将所述每一帧图像作为输入,
通过典型特征检测深度学习模型的计算, 得到的输出作为所述每一帧图像的典型特征的标
签; 若所述每一帧图像的典型特征 的标签不为空, 则根据所述每一帧图像的典型特征 的标
签中的标记范围从所述每一帧图像中截取标记范围内的图像; 将所述标记范围内的图像作
为输入, 通过考生识别图像深度学习模型 的计算, 得到的输出作为所述每一帧图像的典型
特征的标签中考 生的信息;
待检测帧标记步骤: 获取所述考试的监控视频中每一帧图像及所述每一帧图像的典型
特征的标签; 若所述每一帧图像的典型特征 的标签不为空, 则将根据所述典型特征 的标签
中典型特征 的名称确定对应的作弊动作的预设最大时长, 作为待检测预设时长; 若所述典
型特征的标签有多个不为空, 则根据所述典型特征的多个标签中多个典型特征的名称确定
对应的多个作弊动作的多个预设最大时长, 取多个预设最大时长中最大的多个预设最大时
长, 作为待检测预设时长; 若 所述每一帧图像的典型特征的标签不为空, 则将所述每一帧图
像标记为待检测帧, 将所述每一帧图像前所述待检测预设时长/2的时长的所有帧标记为待
检测帧, 将所述每一帧图像后所述待检测预设时长/2的时长的所有帧标记为待检测帧; 有
些帧会被重复地标记为待检测帧, 有些帧则不会被标记为待检测帧;
待检测视频片段截取步骤: 将所述考试的监控视频中标记为待检测帧且未标记为已抽
取的连续帧抽取 出来作为 一个待检测视频片段, 将已抽取的待检测帧标记为已抽取;
作弊动作检测步骤: 将所述待检测视频片段作为输入, 经过作弊动作检测深度学习模
型计算得到的输出作为所述待检测视频片段中作弊动作的标签; 将所述标记范围内的视频
片段作为输入, 通过考生视频识别深度学习模型 的计算, 得到的输出作为所述视频片段 的
作弊动作的标签中考生的信息; 将所有所述待检测视频片段中作弊动作的标签作为所述考
试的监控视频中作弊动作的标签;
监控视频标记步骤: 将所述带有每一种作弊动作的标签的所述待检测视频片段替换所
述考试的监控视频中对应的所述待检测视频片段, 得到标记了作弊动作后的监控视频。
2.根据权利要求1所述的人工智能方法, 其特 征在于, 所述方法还 包括:
视频监控步骤: 获取考试的监控视频;
作弊动作设置步骤: 获取用户设置的作弊动作;
获取作弊动作的视频步骤: 获取每一种所述作弊动作的视频样本;
获取作弊动作典型 特征设置步骤: 获取用户设置的作弊动作的典型 特征;
获取作弊动作的典型 特征的图像步骤: 获取每一种所述典型 特征的图像样本 。
3.根据权利要求1所述的人工智能方法, 其特 征在于, 所述方法还 包括:
建立考试作弊知识图谱步骤: 建立多个作弊动作实体、 多个典型特征实体、 多个考生实
体、 多个考场实体、 多个监 考老师实体;
考试作弊知识图谱关系定义步骤: 考生实体通过具有关系指向作弊动作实体; 考生实
体通过具有关系指向典型特征实体; 考生实体通过在关系指向考场 实体; 监考老师实体通
过在关系指向考场实体;
考试作弊知识图谱静态关系生成步骤: 根据用户设置的作弊动作的典型特征, 在典型
特征实体和作弊动作实体之间建立关系。权 利 要 求 书 1/3 页
2
CN 115426482 A
24.根据权利要求1所述的人工智能方法, 其特 征在于, 所述方法还 包括:
典型特征检测模型构建步骤:将每一种典型特征的图像样本作为输入, 将所述每一种
典型特征 的标签作为预期输出, 对深度学习模型进行训练和测试, 得到典型特征检测深度
学习模型;
作弊动作检测模型构建步骤:将每一种作弊动作的视频样本作为输入, 将所述每一种
作弊动作的标签作为预期输出, 对深度学习模型进行训练和测试, 得到作弊动作检测深度
学习模型;
考生图像识别模型构建步骤: 获取每一考生的照片, 将所述每一考生的照片作为输入,
将所述考生的信息作为预期输出, 对人脸图像识别深度学习模型进行迁移学习, 得到考生
图像识别深度学习模型;
考生视频识别模型构建步骤: 获取每一考生的视频, 将所述每一考生的视频作为输入,
将所述考生的信息作为预期输出, 对人脸视频识别深度学习模型进行迁移学习, 得到考生
视频识别深度学习模型。
5.一种人工智能系统, 其特 征在于, 所述系统包括:
典型特征检测模块:获取所述考试的监控视频中每一帧图像, 将所述每一帧图像作为
输入, 通过典型特征检测深度学习模型 的计算, 得到的输出作为所述每一帧图像的典型特
征的标签; 若所述每一帧图像的典型特征 的标签不为空, 则根据所述每一帧图像的典型特
征的标签中的标记范围从所述每一帧图像中截取标记范围内的图像; 将所述标记范围内的
图像作为输入, 通过考生识别图像深度学习模型 的计算, 得到的输出作为所述每一帧图像
的典型特征的标签中考 生的信息;
待检测帧标记模块: 获取所述考试的监控视频中每一帧图像及所述每一帧图像的典型
特征的标签; 若所述每一帧图像的典型特征 的标签不为空, 则将根据所述典型特征 的标签
中典型特征 的名称确定对应的作弊动作的预设最大时长, 作为待检测预设时长; 若所述典
型特征的标签有多个不为空, 则根据所述典型特征的多个标签中多个典型特征的名称确定
对应的多个作弊动作的多个预设最大时长, 取多个预设最大时长中最大的多个预设最大时
长, 作为待检测预设时长; 若 所述每一帧图像的典型特征的标签不为空, 则将所述每一帧图
像标记为待检测帧, 将所述每一帧图像前所述待检测预设时长/2的时长的所有帧标记为待
检测帧, 将所述每一帧图像后所述待检测预设时长/2的时长的所有帧标记为待检测帧; 有
些帧会被重复地标记为待检测帧, 有些帧则不会被标记为待检测帧;
待检测视频片段截取模块: 将所述考试的监控视频中标记为待检测帧且未标记为已抽
取的连续帧抽取 出来作为 一个待检测视频片段, 将已抽取的待检测帧标记为已抽取;
作弊动作检测模块: 将所述待检测视频片段作为输入, 经过作弊动作检测深度学习模
型计算得到的输出作为所述待检测视频片段中作弊动作的标签; 将所述标记范围内的视频
片段作为输入, 通过考生视频识别深度学习模型 的计算, 得到的输出作为所述视频片段 的
作弊动作的标签中考生的信息; 将所有所述待检测视频片段中作弊动作的标签作为所述考
试的监控视频中作弊动作的标签;
监控视频标记模块: 将所述带有每一种作弊动作的标签的所述待检测视频片段替换所
述考试的监控视频中对应的所述待检测视频片段, 得到标记了作弊动作后的监控视频。
6.根据权利要求5所述的人工智能系统, 其特 征在于, 所述系统还 包括:权 利 要 求 书 2/3 页
3
CN 115426482 A
3
专利 基于人工智能的自动监考方法和机器人
安全报告 >
其他 >
文档预览
中文文档
16 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共16页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 思考人生 于 2024-03-03 20:14:48上传分享