《研究生开题报告---考场人员行为分析关键技术文章教学材料》由会员分享，可在线阅读，更多相关《研究生开题报告---考场人员行为分析关键技术文章教学材料（7页珍藏版）》请在金锄头文库上搜索。
1、学号 2012204011昆明理工大学硕士研究生学位论文开题报告书专 业 计算机应用技术 姓 名 刘慧娟 入 学 时 间 2012年9月 导 师 李勃 拟定的论文题目 考场内人员行为分析关键技术研究报 告 日 期 研究生院1、论文选题的国内外研究动态及现状人体异常行为分析是计算机视觉技术中的一种，其主要是运用计算机视觉、图像分析、图像处理等技术从视频图像序列中识别，跟踪人体目标并对其行为进行描述和理解，从而发现异常行为。它在视频会议、医疗诊断，尤其是安防领域，吸引了国内外大量的研究工作者和生产商对其进行研究和发展，激发出广阔的应用前景，产生的巨大的经济效益和潜在的社会价值。在国外，许多欧洲发达
2、国家已经开展了大量的相关项目研究，国外已开展在复杂环境下的异常行为识别研究，如在智能家居中利用自适应学习和模糊时间窗来识别年长者或有特殊需要的人的行为1，从而提供帮助；研究贝叶斯框架与支持向量机方法来检测人体异常行为2 ；利用粒子滤波结合时差频差同时估计来检测复杂场景中的运动目标3，表明粒子滤波在处理非线性运动目标跟踪效果很好。在美国，成立了以卡耐基梅隆大学和麻省理工学院(MIT)等多个高校联合参与，由美国国防部高举研究项目署(DARPA)带头组织的视觉监控重大项目(VSAM)2131，该项目采用了应用于普通的民用和公共场景下的自动视频理解技术；雷丁大学研究了车辆和行人的跟踪和人车交互作用的识
3、别；通过建立外观模型实现对多人的跟踪4，可以进行实时视觉监控系统跟踪，并且可以准确的定位和分割出人的身体部分5，对检测人是否携带物品等行为也有很好的社会价值；以色列很多厂商已经迅速占领了智能监控设备的国际市场。很多产品被广泛应用飞机场，铁路，港口等公共场所，如美国海关边防局采用智能视频监控技术实时的监控着北方与南方边境；迈阿密机场通过使用智能监控系统提高了该机场的整体安全性能。此外，IBM与微软等国际著名的IT行业巨头也加大力度对该领域进行核心技术研发，提高该领域的商业化应用前景。学术研究领域中，一些权威的国际期刊(如3CV、IVCI等)，还有很多重要的国际学术交流会议(如CVPR、ICCV等
4、)都对智能监控领域和人体的行为特征产生浓厚兴趣并给予高度重点的研究与关注。在国内，智能视频监控技术得到国家的高度重视，很多研究机构和商家也加入到科研生产的行列，国内的许多核心期刊也将这一课题列入重点关注内容，全国智能视觉监控学术会议（IVS）也已经成功召开两届，促进了该领域的研究和发展。中国科学园自动化研究所的模式识别国家重点实验室(NLPRR)对该领域做了大量的研究，生物识别与安全技术研究中心的研究取得重大进展，主要包括异常行为的检测与报警；人体异常动作的识别与跟踪：监控状态下的人脸识别；异常物体的滞留或丢失检测；公共场合人群的人数统计和交通流量评估：人与车辆的多目标检测，跟踪和分类；车辆计
5、数和拥堵报警等；谭铁牛院士领衔的中科院自动化研究所模式识别国家重点实验室，长期以来致力于计算机视觉领域的研究和应用。其视觉监控组研发的拥有自主知识产权的交通监控原型系统 Vstar 已得到广泛应用；西安电子科技大学研究的基于主题隐马尔科夫模型的人体异常行为识别6，能较好地完成监控场景中实时异常行为检测和在线正常行为识别的任务；山东大学提出了一种以人的动作序列图像的轮廓为特征,基于RBF神经网络的人的日常行为识别方法7；中南大学研究结合粒子滤波与Mean shift的高速运动目标跟踪8。随着人体异常行为分析研究和相关技术的发展，计算机视觉技术下对人的行为分析朝着更智能更精确的方向发展。人的异常行
6、为识别9是指对人体行为通过机器语言和算法进行分析和描述，并采用自然语言对其进行理解，这个过程为行为一视频一分析一描述一行为，即测试序列与预先建立的异常行为模板的参考序列进行模板匹配，可以简单的认为是时空变化的数据分类。因此，人体异常行为识别的关键技术是如何依靠样本建立人体行为的模型序列，并且该模板能够适应在相似背景下的空间和时问尺度上的变化特征来更新和学习。然而，相关的研究多是针对某一特定场合下的特定对象的行为识别，研究对象数量一般不超过两个，以研究独立对象居多。迄今尚未见到针对考场众多考生行为异常检测与识别的研究报告。因此，研究考场中考生异常行为智能检测理论、方法和一些关键技术，对开发高考智
7、能检测系统，实现高考公平均具有重要的理论价值和社会效益。参考文献1 Ros, M,Cullar, M.P,Delgado, M.Online recognition of human activities and adaptation to habit changes by means of learning automata and fuzzy temporal windows J. Information Sciences,2013,220.2 Yufeng Chen, Guoyuan Liang, Ka Keung Lee,Yangsheng Xu. Abnormal Behavior
8、Detection by Multi-SVM-Based Bayesian NetworkJ. Information Acquisition,2007,1.3 Jeong ACho,Hanbyeul Na,Sunwoo Kim,Chunsoo Ahn. Moving-Target Tracking Based on Particle Filter with TDOA/FDOA MeasurementsJ. ETRI journal ,2012,34(2).4 YangJ and Waibel AA real-time face trackerIn：Proc IEEE Work shop on
9、 Applications o ComputerVision，Sarasota，USA1996，142-1475 Lakany H，Hayes G，Hazlewood M，etcHuman walking：tracking and analysisIn：Proc IEE Colloquium on Motion Analysis and Tracking，SavoyPlace，London，1999，5(14)，5305416 朱旭东,刘志镜.基于主题隐马尔科夫模型的人体异常行为识别J.计算机科学,2012,39(3).7 黄 彬,田国会,李晓磊.利用轮廓特征识别人的日常行为J.光电激光光,2
10、008,19(12).8 李弟平，邹北骥，傅自钢.结合粒子滤波与Mean shift的高速运动目标跟踪J.小型微型计算机系统,2011,32(8).9 张一智能视频监控中的目标识别与异常行为建模D上海：上海交通大学，200910 牛彦. 关于透视变换的研究J. 计算机辅助设计与图形学学报. 2001,13(6):1-3. 11 代勤，王延杰，韩广良. 基于改进Hough变换和透视变换的透视图像矫正J. 液晶与显示,2012,27(4): 552-556.12 于晨. 基于模板匹配技术的运动物体检测的研究D. 重庆：重庆大学，2007.13 陆勇. 考场异常行为视频检测关键技术研究D. 杨凌：西
11、北农林科技大学，2010.14 刘国军. 基于可移动拍摄大场景下的人体运动跟踪关键技术的研究与应用D.哈尔滨：哈尔滨工业大学，2009.15 徐春生,曹兰. 标准化校级考场巡查系统设计与建设J. 实验技术与管理.2013,30(12):121-124.16 刘国军. 基于可移动拍摄大场景的人体运动跟踪关键技术的研究与应用D.哈尔滨：哈尔滨工业大学，2009.17 郑伟华. 基于自适应变换和空域同态变换的人脸光照补偿方法研究D. 湖南：湘潭大学，2010.18 吕凤花. 基于SVM的考虑倾斜角度的车辆分类方法的研究D. 昆明：昆明理工大学,2011.19 张琪. 结合边缘检测的图像二值化算法D.
12、 长春：吉林大学，2011.20 孙吉花. 背景减除的算法研究D. 长沙：国防科学技术大学, 2006.21 王奕波. 考场作弊行为智能分析方法研究D. 长沙：国防科学技术大学,2011. 22 胡志明. 视频图像中运动目标跟踪技术研究D. 重庆：重庆大学，2011.23 邱磊, 管一弘. 基于HIS空间模糊聚类的彩色图像分割新方法J. 微型机与应用.2011,30(22):46-48.24 黄信想, 刘秉瀚. 基于HSV色彩空间的云模型车辆阴影检测J. 福州大学学报. 2008, 36(6):89-813.25 刘晓乐. 基于肤色及模板匹配的人脸跟踪方法研究D. 吉林：东北师范大学,2007
13、.26 杨小军. 基于粒子滤波的混合估计理论与应用D. 西安：西北工业大学,2006.27 朱明清. 基于粒子滤波的鲁棒视觉目标跟踪算法研究D. 合肥：中国科学技术大学,2011.28 刘艳丽, 宇贻鑫. 大系统尔可夫模型状态转移概率矩阵的快速形成方法J. 天津大学学报.2013,46(9):791-798.2、研究内容、试验设计方案研究内容1、 基于考场模型库的考场考生统计建立考生信息（考号、考生、座位号等）数据库与课桌行列数不同的考场模型库，根据已获取的视频帧图像，自动识别考场是属于几排几列的模型，根据相关方法统计出考场人数，并通过点击图像中考生所在位置，自动显示该考生的信息。2、 基于考
14、场的考生典型异常行为分析通过摄像头的监控录像，对视频中考生行为进行分析，考生的异常行为初步定为以下几种情况：1）交头接耳；2）传递物品；3）双手较长时间同时位于桌面下方。出现以上情况自动报警，巡考人员也可以通过点击有异常行为的考生，选择此考生异常所属的作弊类型然后进行上报。3、 基于考场的监考人员行为分析通过摄像头的监控录像，对视频中监考人员行为进行分析，并记录监考人员运动轨迹，制定信誉评价制度对其进行评价打分。监考人员异常行为初步定为以下几种情况:1）考场内无监考人员或监考人数大于两人；2)站在某个考生身边超过一定时间；3)两名监考教师长时间待在一起。出现以上异常情况自动报警并截取有异常发生
15、的视频段。试验设计方案：1、 基于考场模型库的考场考生统计首先通过实验设计考场模型库中相关字段，通过对图像进行透视变换使得教室课桌前后排呈现一样的大小，截取模板后进行模板匹配识别不同考场模型的课桌，进而根据一定的方法进行考位区域人的检测，从而实现考场的考生统计。2、 异常行为分析对于考生需要识别出考生的考位区域，若其与周围考生的考位区域连通，则可能由异常行为发生；对于监考人员则需要选择某种目标跟踪算法对监考人员的轨迹进行跟踪，判断其是否走出考场外或两名监考人员长时间待在一起，从而根据轨迹来对其做信誉评价。3、必备的实验条件、设备、存在的主要问题1 资源方面软件环境：操作系统：Windows系列操作系统开发工具：Microsoft Visual Studio 2010 使用到的库函数：opencv数据库：Mic
