CN110738151B - 一种采用运动编码的考场视频人体主姿态确定方法 - Google Patents
一种采用运动编码的考场视频人体主姿态确定方法 Download PDFInfo
- Publication number
- CN110738151B CN110738151B CN201910937648.4A CN201910937648A CN110738151B CN 110738151 B CN110738151 B CN 110738151B CN 201910937648 A CN201910937648 A CN 201910937648A CN 110738151 B CN110738151 B CN 110738151B
- Authority
- CN
- China
- Prior art keywords
- motion
- gesture
- examinee
- coding
- posture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种采用运动编码的考场视频人体主姿态确定方法，包括如下步骤：S1：对考生进行运动编码：从考生视频的每一帧中提取考生姿态构成姿态序列，之后，根据该序列对考生进行运动编码；S2：静止片段划分：利用运动编码，检测考试视频中的静止片段；S3：姿态分类：计算S2中检测到的每个静止片段的姿态均值，并根据姿态均值创建姿态类别数组；S4：主姿态划分：遍历姿态类别数组，将总持续时间最长的姿态对应的类别作为考生的主姿态；S5：考生肘关节的合理运动范围确定。该采用运动编码的考场视频人体主姿态确定方法可以准确快速的确定考生在考试期间的主姿态以及考生处于主姿态时肘关节的合理运动范围。
Description
技术领域
本发明属于计算机视觉和视频理解领域，特别提供了一种采用运动编码的考场视频人体主姿态确定方法。
背景技术
为了分析考试中的考风问题，如考生作弊行为、监考老师不作为等，在高考、研究生考试、成人自考和学业水平测试等各类考试后，需要对考试视频进行事后人工分析。考试视频分析需要大量的时间和金钱成本，尤其是大型考试，需要大量的人力观看考试视频。因此急需研发一套考试视频大数据分析系统，以自动分析考生的行为，进而分析考试中存在的问题。
考试过程中，考生的主要活动为答卷，考生的主姿态为写姿态，考生处于写姿态时肘关节的活动范围对分析考生是否为答卷或是其他行为有重要的参考价值。
因此，如何准确确定考生在考试期间内的主姿态以及考生肘关节的活动范围，成为人们亟待解决的问题。
发明内容
鉴于此，本发明的目的在于提供一种采用运动编码的考场视频人体主姿态确定方法，以解决现有技术中考风人工分析需要大量人力和财力的问题。
本发明提供的技术方案是：一种采用运动编码的考场视频人体主姿态确定方法，包括如下步骤：
S1：对考生进行运动编码：从考生视频的每一帧中提取考生姿态构成姿态序列，之后，根据该序列对考生进行运动编码，以编码的形式衡量人体多个关节点的运动；
S2：静止片段划分：利用S1中的运动编码，检测考试视频中的静止片段，用于筛选考生在考试期间处于静止的时间段；
S3：姿态分类：计算S2中检测到的每个静止片段的姿态均值，并根据姿态均值创建姿态类别数组；
S4：主姿态划分：遍历姿态类别数组，计算每一个类别姿态的总持续时间，并按总持续时间降序排序，之后，将总持续时间最长的姿态对应的类别作为考生的主姿态；
S5：考生肘关节的合理运动范围确定：利用S4中考生主姿态类别中肘关节的平均位置确定考生肘关节的合理运动范围。
优选，S1中，所述运动编码包括：关键点运动编码、夹角变化编码、肢体朝向变化编码、肩膀朝向变化编码。
进一步优选，关键点运动编码包括脖子、左肩、右肩、左肘、右肘、左腕、右腕关键点的运动编码，编码过程如下：首先计算对应关键点在M帧内发生的位移量dis，如果dis<T1，则不存在运动，编码为0；如果dis>＝T1，则存在运动，并计算运动方向direct，每45度划分一个方向，direct在区间(337.5,22.5]编码为1，每45度编码改变1，编码分别为1到8，M选取的图像帧数，T1为预设的位移参考值。
进一步优选，夹角变化编码包括左下臂与左上臂夹角、左上臂与肩的夹角、右下臂与右上臂的夹角、右上臂与肩的夹角变化编码，如果对应的角度变化大于T2，则编码为1，如果对应角度变化小于-T2，则编码为2，其它情况编码为0，其中，T2为预设的夹角变化参考值。
进一步优选，肢体朝向变化编码包括左下臂、左上臂、右下臂、右上臂方向的变化编码，如果对应肢体朝向的变化角度大于阈值T3，则编码为1，如果对应角度变化小于-T3，则编码为2，其它情况编码为0，其中，T3为预设的肢体朝向的变化角度参考值。
进一步优选，肩膀朝向变化编码：肩膀朝向包括左倾、右倾和水平三种，水平编码为0，左倾编码为1，右倾编码为2。
进一步优选，S2包括如下步骤：
S21：初始化静止片段数组，使其为空；
S22：遍历考生姿态序列，如果前后帧考生视频中的运动编码没有发生变化，则继续进行下一帧判断，直到前后帧运动编码发生变化，此时，将该段运动编码没有发生变化的时间区间的姿态序列放到静止片段数组中，直到姿态序列遍历结束。
进一步优选，S22中，还包括对该段运动编码没有发生变化的时间区间对应时长进行检测的步骤，若时长>时长预设值T4，将该段运动编码没有发生变化的时间区间的姿态序列放到静止片段数组中，以保证静止片段的时间长度。
进一步优选，S3具体包括如下步骤：
S31：遍历静止片段数组，计算每个静止片段序列的姿态均值，作为该静止片段的姿态代表；
S32：初始化姿态类别数组，并将静止片段数组中第一个静止片段的姿态代表放入到姿态类别数组中去，同时记录对应静止片段的开始时间，结束时间，以及持续时间；
S33：遍历静止片段数组，如果静止片段的姿态代表相似于姿态类别数组中任意一个姿态，则将其归为对应的类别中去，如果静止姿态代表不相似于姿态类别数组中任意一个姿态，则将对应的静止姿态代表加入到姿态类别数组中去，作为一个新的类别。
进一步优选，S5中，考生肘关节的合理运动范围为以考生主姿态类别中肘关节的平均位置为中心，以考生平均肩长的1/4为半径的圆形区域。
本发明提供的采用运动编码的考场视频人体主姿态确定方法，通过对视频中人的姿态进行统计和聚类分析，可以确定视频中人的主姿态(写姿态)，还可以确定主姿态时肘关节的合理运动范围，适用于各种室内视频分析。
具体实施方式
下面将结合具体的实施方案对本发明进行进一步的解释，但并不局限本发明。
本发明提供了一种采用运动编码的考场视频人体主姿态确定方法，包括如下步骤：
S1：对考生进行运动编码：从考生视频的每一帧中提取考生姿态构成姿态序列，之后，根据该序列对考生进行运动编码，以编码的形式衡量人体多个关节点的运动；
所述运动编码包括：关键点运动编码、夹角变化编码、肢体朝向变化编码、肩膀朝向变化编码，其中，
关键点运动编码包括脖子、左肩、右肩、左肘、右肘、左腕、右腕关键点的运动编码，编码过程如下：首先计算对应关键点在M帧内发生的位移量dis，如果dis<T1，则不存在运动，编码为0；如果dis>＝T1，则存在运动，并计算运动方向direct，每45度划分一个方向，direct在区间(337.5,22.5]编码为1，每45度编码改变1，编码分别为1到8，M为选取的图像帧数，可根据经验数据获得，T1为预设的位移参考值；
夹角变化编码包括左下臂与左上臂夹角、左上臂与肩的夹角、右下臂与右上臂的夹角、右上臂与肩的夹角变化编码，如果对应的角度变化大于T2，则编码为1，如果对应角度变化小于-T2，则编码为2，其它情况编码为0，其中，T2为预设的夹角变化参考值；
肢体朝向变化编码包括左下臂、左上臂、右下臂、右上臂方向的变化编码，如果对应肢体朝向的变化角度大于阈值T3，则编码为1，如果对应角度变化小于-T3，则编码为2，其它情况编码为0，其中，T3为预设的肢体朝向的变化角度参考值；
肩膀朝向变化编码：肩膀朝向包括左倾、右倾和水平三种，水平编码为0，左倾编码为1，右倾编码为2。
S2：静止片段划分：利用S1中的运动编码，检测考试视频中的静止片段，用于筛选考生在考试期间处于静止的时间段；
具体包括如下步骤：
S21：初始化静止片段数组，使其为空；
S22：遍历考生姿态序列，如果前后帧考生视频中的运动编码没有发生变化，则继续进行下一帧判断，直到前后帧运动编码发生变化，此时，将该段运动编码没有发生变化的时间区间的姿态序列放到静止片段数组中，直到姿态序列遍历结束。
其中，S22中，还包括对该段运动编码没有发生变化的时间区间对应时长进行检测的步骤，若时长>时长预设值T4，将该段运动编码没有发生变化的时间区间的姿态序列放到静止片段数组中，以保证静止片段的时间长度。
S3：姿态分类：计算S2中检测到的每个静止片段的姿态均值，并根据姿态均值创建姿态类别数组；
具体包括如下步骤：
S31：遍历静止片段数组，计算每个静止片段序列的姿态均值，作为该静止片段的姿态代表；
S32：初始化姿态类别数组，并将静止片段数组中第一个静止片段的姿态代表放入到姿态类别数组中去，同时记录对应静止片段的开始时间，结束时间，以及持续时间；
S33：遍历静止片段数组，如果静止片段的姿态代表相似于姿态类别数组中任意一个姿态，则将其归为对应的类别中去，如果静止姿态代表不相似于姿态类别数组中任意一个姿态，则将对应的静止姿态代表加入到姿态类别数组中去，作为一个新的类别。
S4：主姿态划分：遍历姿态类别数组，计算每一个类别姿态的总持续时间，并按总持续时间降序排序，之后，将总持续时间最长的姿态对应的类别作为考生的主姿态，其中，每一个类别姿态的总持续时间可由该类姿态的总帧数粗略判定；
S5：考生肘关节的合理运动范围确定：利用S4中考生主姿态类别中肘关节的平均位置确定考生肘关节的合理运动范围；
优选，考生肘关节的合理运动范围为以考生主姿态类别中肘关节的平均位置为中心，以考生平均肩长的1/4为半径的圆形区域。
该采用运动编码的考场视频人体主姿态确定方法，使用人体姿态分析考生的运动规律，通过分析考生姿态数据，以每个考生为单位，可确定每个考生的主姿态，同时还可以进一步确定每个考生肘关节的运动范围。本方法拥有较高的准确性以及鲁棒性，可以实现多人主姿态以及肘关节运动范围的确定。
上面对本发明的实施方式做了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (8)
1.一种采用运动编码的考场视频人体主姿态确定方法，其特征在于，包括如下步骤：
S1：对考生进行运动编码：从考场视频的每一帧中提取考生姿态构成姿态序列，之后，根据该序列对考生进行运动编码，以编码的形式衡量人体多个关节点的运动；
S2：静止片段划分：利用S1中的运动编码，检测考场视频中的静止片段，用于筛选考生在考试期间处于静止的时间段；
S2包括如下步骤：
S21：初始化静止片段数组，使其为空；
S22：遍历考生姿态序列，如果前后帧考场视频中的运动编码没有发生变化，则继续进行下一帧判断，直到前后帧运动编码发生变化，此时，将运动编码没有发生变化的时间区间的姿态序列放到静止片段数组中，直到姿态序列遍历结束；
S3：姿态分类：计算S2中检测到的每个静止片段的姿态均值，并根据姿态均值创建姿态类别数组；
S3具体包括如下步骤：
S31 ：遍历静止片段数组，计算每个静止片段序列的姿态均值，作为该静止片段的姿态代表；
S32：初始化姿态类别数组，并将静止片段数组中第一个静止片段的姿态代表放入到姿态类别数组中去，同时记录对应静止片段的开始时间，结束时间，以及持续时间；
S33：遍历静止片段数组，如果静止片段的姿态代表相似于姿态类别数组中任意一个姿态，则将其归为对应的类别中去，如果静止姿态代表不相似于姿态类别数组中任意一个姿态，则将对应的静止姿态代表加入到姿态类别数组中去，作为一个新的类别；
S4：主姿态划分：遍历姿态类别数组，计算每一个类别姿态的总持续时间，并按总持续时间降序排序，之后，将总持续时间最长的姿态对应的类别作为考生的主姿态；
S5：考生肘关节的合理运动范围确定：利用S4中考生主姿态类别中肘关节的平均位置确定考生肘关节的合理运动范围。
2.按照权利要求1所述采用运动编码的考场视频人体主姿态确定方法，其特征在于：S1中，所述运动编码包括：关键点运动编码、夹角变化编码、肢体朝向变化编码、肩膀朝向变化编码。
3.按照权利要求2所述采用运动编码的考场视频人体主姿态确定方法，其特征在于：关键点运动编码包括脖子、左肩、右肩、左肘、右肘、左腕、右腕关键点的运动编码，编码过程如下：首先计算对应关键点在M帧内发生的位移量dis，如果dis<T1，则不存在运动，编码为0；如果dis>=T1，则存在运动，并计算运动方向direct，每45度划分一个方向，direct在区间(337.5,22.5]编码为1，每45度编码改变1，编码分别为1到8，M为选取的图像帧数，T1为预设的位移参考值。
4.按照权利要求2所述采用运动编码的考场视频人体主姿态确定方法，其特征在于：夹角变化编码包括左下臂与左上臂夹角、左上臂与肩的夹角、右下臂与右上臂的夹角、右上臂与肩的夹角变化编码，如果对应的角度变化大于T2，则编码为1，如果对应角度变化小于-T2，则编码为2，其它情况编码为0，其中，T2为预设的夹角变化参考值。
5.按照权利要求2所述采用运动编码的考场视频人体主姿态确定方法，其特征在于：肢体朝向变化编码包括左下臂、左上臂、右下臂、右上臂方向的变化编码，如果对应肢体朝向的变化角度大于阈值T3，则编码为1，如果对应角度变化小于-T3，则编码为2，其它情况编码为0，其中，T3为预设的肢体朝向的变化角度参考值。
6.按照权利要求2所述采用运动编码的考场视频人体主姿态确定方法，其特征在于：肩膀朝向变化编码：肩膀朝向包括左倾、右倾和水平三种，水平编码为0，左倾编码为1，右倾编码为2。
7.按照权利要求1所述采用运动编码的考场视频人体主姿态确定方法，其特征在于：S22中，还包括对运动编码没有发生变化的时间区间对应时长进行检测的步骤，若时长>时长预设值T4，将运动编码没有发生变化的时间区间的姿态序列放到静止片段数组中，以保证静止片段的时间长度。
8.按照权利要求1所述采用运动编码的考场视频人体主姿态确定方法，其特征在于：S5中，考生肘关节的合理运动范围为以考生主姿态类别中肘关节的平均位置为中心，以考生平均肩长的1/4为半径的圆形区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910937648.4A CN110738151B (zh) | 2019-09-30 | 2019-09-30 | 一种采用运动编码的考场视频人体主姿态确定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910937648.4A CN110738151B (zh) | 2019-09-30 | 2019-09-30 | 一种采用运动编码的考场视频人体主姿态确定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110738151A CN110738151A (zh) | 2020-01-31 |
| CN110738151B true CN110738151B (zh) | 2022-05-20 |
Family
ID=69269830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910937648.4A Active CN110738151B (zh) | 2019-09-30 | 2019-09-30 | 一种采用运动编码的考场视频人体主姿态确定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110738151B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128336A (zh) * | 2021-03-10 | 2021-07-16 | 恒鸿达科技有限公司 | 一种引体向上测试计数方法、装置、设备和介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793922B (zh) * | 2013-09-12 | 2016-07-06 | 电子科技大学 | 一种特定姿态实时检测方法 |
| CN109255296A (zh) * | 2018-08-06 | 2019-01-22 | 广东工业大学 | 一种基于深度卷积神经网络的日常人体行为识别方法 |
| CN110147736A (zh) * | 2019-04-25 | 2019-08-20 | 沈阳航空航天大学 | 一种基于姿态的重复异常行为检测方法 |
-
2019
- 2019-09-30 CN CN201910937648.4A patent/CN110738151B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110738151A (zh) | 2020-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110032992B (zh) | 一种基于姿态的考试作弊检测方法 | |
| CN110674785A (zh) | 一种基于人体关键点跟踪的多人姿态分析方法 | |
| KR20200005987A (ko) | 터치입력을 이용한 인지장애 진단 시스템 및 방법 | |
| CN103324937A (zh) | 标注目标的方法和装置 | |
| CN110781762A (zh) | 一种基于姿态的考试作弊检测方法 | |
| WO2015153266A1 (en) | Method and system for analyzing exam-taking behavior and improving exam-taking skills | |
| US7409373B2 (en) | Pattern analysis system and method | |
| KR102895525B1 (ko) | 명찰형 웨어러블 디바이스를 활용한 앙상블 지도학습 기반의 일상생활동작 분류 방법 및 장치 | |
| CN118628947A (zh) | 基于人工智能的医学临床操作技能辅助评价方法和系统 | |
| CN108762503A (zh) | 一种基于多模态数据采集的人机交互系统 | |
| CN114863571B (zh) | 一种基于计算机视觉的协作机器人手势识别系统 | |
| CN112001219B (zh) | 一种多角度多人脸识别考勤方法及系统 | |
| CN103150552B (zh) | 一种基于人头计数的驾驶培训管理方法 | |
| CN112101074A (zh) | 一种在线教育辅助评分方法和系统 | |
| CN116343335A (zh) | 一种基于动作识别的运动姿态矫正方法 | |
| CN110738151B (zh) | 一种采用运动编码的考场视频人体主姿态确定方法 | |
| CN114639168A (zh) | 一种用于跑步姿态识别的方法和系统 | |
| CN116580359B (zh) | 基于时空特征的施工人员重度疲劳检测系统及方法 | |
| Jiang et al. | A classroom concentration model based on computer vision | |
| Caddeo et al. | Sim2Surf: A Sim2Real Surface Classifier for Vision-Based Tactile Sensors With a Bilevel Adaptation Pipeline | |
| CN116894978A (zh) | 一种融合面部情绪与行为多特征的线上考试防作弊系统 | |
| CN119625835B (zh) | 基于人体关键点度量的多人深蹲实时计数方法 | |
| CN111243057A (zh) | 一种校园人员流动轨迹绘制方法 | |
| Suzuki et al. | Skeleton-based visualization of poor body movements in a child's gross-motor assessment using convolutional auto-encoder | |
| CN115205967A (zh) | 一种基于人体识别的运动动作判定方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201102 Address after: Room d09-629, international software park, No. 863-9, shangshengou village, Hunnan District, Shenyang City, Liaoning Province Applicant after: Shenyang Tuwei Technology Co., Ltd Address before: 110136, Liaoning, Shenyang, Shenbei New Area moral South Avenue No. 37 Applicant before: SHENYANG AEROSPACE University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |