專利名稱：對考場視頻進行監(jiān)控處理的方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種對考場視頻進行監(jiān)控處理的方法及裝置。
背景技術(shù)：
目前，數(shù)字化技術(shù)的迅速興起拓展了人們開發(fā)更多自動化技術(shù)的想象空間，例如 在圖像處理領(lǐng)域，自動的對象檢測和識別技術(shù)引起了人們越來越多的關(guān)注，而視頻是在時 間軸上相互關(guān)聯(lián)的一系列圖像的集合，對視頻的檢測也是在圖像處理與分析的基礎(chǔ)之上 的。舉例來說，在教育考試遠程電子巡查指揮系統(tǒng)中，所采用的攝像頭絕大多數(shù)都是 定焦廣角攝像頭，這是為了防止有人在考試過程中利用云臺和鏡頭的變焦操作，將畫面推 近到考卷內(nèi)容，從而竊取試卷機密。但是，定焦廣角攝像頭存在畫面不清晰、色彩不鮮艷、無 法進行控制等問題，并不是最理想的選擇；同時考慮到設(shè)備的充分利用，很多學(xué)校都希望在 考試結(jié)束后還能用攝像頭完成日常教學(xué)的功能，對于這種應(yīng)用來說，定焦攝像頭的畫面質(zhì) 量和效果是無法接受的。如何使用可變焦、帶云臺的攝像頭，同時又可以有效避免考試過程 中的非法濫用是急需解決的問題。按照現(xiàn)有技術(shù)中對考場進行監(jiān)控的方案，需要人為對考場中的各種事件進行判斷 和處理，缺乏智能化的分析處理手段，若使用可變焦、帶云臺的攝像頭，則無法有效智能的 避免其在考試過程中的非法濫用。

發(fā)明內(nèi)容
本發(fā)明實施例提供了一種對考場視頻進行監(jiān)控處理的方法及裝置，能夠解決變焦 攝像頭代替定焦廣角攝像頭使用的問題，有效避免在考試過程中對變焦鏡頭的非法濫用。本發(fā)明實施例提供了一種對考場視頻進行監(jiān)控處理的方法，包括通過對考場上監(jiān)控視頻圖像進行智能分析，判斷所述視頻圖像中是否存在考卷圖 像；若存在考卷圖像，則控制網(wǎng)管系統(tǒng)的云臺操作，將所述視頻圖像拉遠至看不見所 述考卷圖像，同時對出現(xiàn)所述考卷圖像的區(qū)域進行遮擋。本發(fā)明實施例還提供了一種對考場視頻進行監(jiān)控處理的裝置，包括智能分析模塊，用于對考場上監(jiān)控視頻圖像進行智能分析，判斷所述視頻圖像中 是否存在考卷圖像；控制處理模塊，用于在所述智能分析模塊判斷存在考卷圖像時，控制網(wǎng)管系統(tǒng)的 云臺操作，將所述視頻圖像拉遠至看不見所述考卷圖像，同時對出現(xiàn)所述考卷圖像的區(qū)域 進行遮擋處理。由上述所提供的技術(shù)方案可以看出，首先通過對考場上監(jiān)控視頻圖像進行智能分 析，判斷所述視頻圖像中是否存在考卷圖像；若存在考卷圖像，則控制網(wǎng)管系統(tǒng)的云臺操作，將所述視頻圖像拉遠至看不見所述考卷圖像，同時對出現(xiàn)所述考卷圖像的區(qū)域進行遮 擋。這樣就能夠解決變焦攝像頭代替定焦廣角攝像頭使用的問題，有效避免在考試過程中 對變焦鏡頭的非法濫用。


圖1為本發(fā)明實施例所提供對考場視頻進行監(jiān)控處理的方法流程示意圖；圖2為本發(fā)明實施例所舉實例具體實現(xiàn)的結(jié)構(gòu)示意圖；圖3為本發(fā)明實施例所提供對考場視頻進行監(jiān)控處理裝置的結(jié)構(gòu)示意圖。
具體實施例方式本發(fā)明實施例提供了 一種對考場視頻進行監(jiān)控處理的方法及裝置，能夠防止有人 在考試過程中利用云臺對變焦鏡頭的操作竊取試卷機密，有效利用計算機檢測技術(shù)自動對 此種現(xiàn)象進行規(guī)避，從而有利于避免有人主觀有意或客觀無意的利用監(jiān)控設(shè)備進行作弊， 在一定程度上維護了考試的公正；同時解決了變焦攝像頭代替定焦廣角攝像頭使用的問 題，也有效避免考試過程中對變焦鏡頭的非法濫用。為更好的描述本發(fā)明實施例，現(xiàn)結(jié)合附圖對本發(fā)明的具體實施例進行說明，如圖1 所示為本發(fā)明實施例所提供對考場視頻進行監(jiān)控處理的方法流程示意圖，所述方法包括步驟11 對考場上監(jiān)控視頻圖像進行智能分析，判斷視頻圖像中是否存在考卷圖像。在該步驟中，在獲得考場上的監(jiān)控視頻圖像之后，就可以通過對考場上監(jiān)控視頻 圖像進行智能分析，判斷出該視頻圖像中是否存在考卷圖像。在具體實現(xiàn)過程中，對考場上 的監(jiān)控視頻圖像進行智能分析的方式可以通過試卷遮擋算法來實現(xiàn)，具體就是對監(jiān)控視頻 圖像進行顏色和區(qū)域分析，采用混合高斯模型、區(qū)域增長、形狀分析等算法檢測出該監(jiān)控視 頻圖像中的考卷圖像，具體實現(xiàn)過程如下所示1)首先對監(jiān)控視頻圖像進行預(yù)處理和像素初選，具體來說就是對圖像中的每個像 素的顏色進行分析，提取圖像中的淺色像素。由于實際中試卷的底面顏色一般為白色或其 他淺色，所以在第一步首先從顏色分析，獲取可能的試卷信息，由于在圖像中白色的三像素 為(255，255，255)，因此可以按照如下公式來提取淺色像素 其中，上式中的piXel_White(i，j)為圖像在(i，j)點為淺色像素的標(biāo)示值，1代 表該點為淺色像素，0則相反；red表示像素中三原色的紅色像素值，green表示像素中三原 色的綠色像素值，blue表示像素中三原色的藍色像素值；Tl、T2表示所設(shè)定的提取淺色像 素的閾值。2)通過上述方式提取淺色像素之后，再基于自適應(yīng)高斯混合模型對像素的 顏色信息進行檢測。具體來說就是使用自適應(yīng)高斯混合模型，通過迭代的期望最大 EM (Expectation-Maximum)算法來調(diào)整所述高斯混合模型 GMM (Gaussian mixture model) 的相應(yīng)參數(shù)，從而可以使模型隨著時間的改變而自動的更新，以提高檢測的準(zhǔn)確率。
在具體實現(xiàn)過程中，為了更準(zhǔn)確地估計視頻流中試卷像素的顏色分布，迭代的期 望最大EM算法更適合處理樣本點是陸續(xù)到達的情況，即當(dāng)每個樣本執(zhí)行一次E步，就執(zhí)行 一次M步，而不必等所有的數(shù)據(jù)都參與E步計算以后，再執(zhí)行M步。上述的迭代EM算法是一種在不完全數(shù)據(jù)情況下，計算極大似然估計或者后驗分 布的迭代算法，它可分為兩個步驟即E步和M步。E步(Expectation st印)表示在給定 觀測數(shù)據(jù)和前一次迭代所得到的參數(shù)估計的情況下計算完全數(shù)據(jù)對應(yīng)的對數(shù)似然函數(shù)的 條件期望；M步(Maximization step)表示用極大化對數(shù)似然函數(shù)以確定參數(shù)的值，并用于 下步的迭代。該算法要求在E步和M步之間不斷迭代直至收斂為止。從上述的過程可知，每個樣本對分布帶來的影響，都會很快的在M步體現(xiàn)，從而實 現(xiàn)了在線更新參數(shù)。而使用的樣本點來自對閾值初選策略得到的候選像素進行采樣，像素 將作為增量訓(xùn)練數(shù)據(jù)，從而不斷更新自適應(yīng)高斯混合模型的參數(shù)，從而使模型能夠逐漸學(xué) 習(xí)到監(jiān)控視頻上的所有像素在不同相機、不同視角和不同光照下的顏色分布。經(jīng)過高斯混合模型檢測后，雖然可以把絕大多數(shù)的試卷像素檢測出來，但仍然存 在很多像素被錯誤地識別成了試卷區(qū)域，這是由于我們僅利用了像素級上的顏色信息，在 后面的分析過程中，我們將進一步通過區(qū)域分析和形狀信息來進一步進行精確地識別。3)通過區(qū)域增長與形狀分析，綜合判斷出所述視頻圖像中是否存在考卷圖像。具體來說就是，將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域；針對所構(gòu)成的區(qū)域進 行形狀特征和淺色像素特征的分析后，再次對待選的區(qū)域進行檢測，判斷其中是否存在黑 色像素，若存在，則判斷該區(qū)域中存在考試圖像。在具體實現(xiàn)過程中，可以首先選擇4X4窗口的多結(jié)構(gòu)元素的組合對圖像進行形 態(tài)學(xué)處理(主要為開閉運算)，一方面4X4窗口信息損失相對較少，速度較快，邊緣信息保 留也相對最好；另一方面利用多結(jié)構(gòu)元素的組合可以實現(xiàn)對各方向利用多結(jié)構(gòu)元素的組合 可以實現(xiàn)對各方向和形狀噪聲的濾除。然后在進行區(qū)域增長與分析處理，這里所述的區(qū)域增長的基本思想是將具有相似 性質(zhì)的像素集合起來構(gòu)成區(qū)域，具體算法如下(1)在二元圖像中根據(jù)從左到右從上到下的順序搜索未被標(biāo)記的像素；(2)若像素f (i，j)未被標(biāo)記，將創(chuàng)建一個基于f(i，j)的新的區(qū)域。這樣我們反 復(fù)地搜集與f(i，j)具有相似的像素值并從f(i，j)可達的像素。所有這些像素被標(biāo)記成相 同的標(biāo)記，該標(biāo)記對應(yīng)著像素值；(3)若二元圖像中仍存在未被標(biāo)記的像素，轉(zhuǎn)向第二步；(4)若區(qū)域R的像素數(shù)量低于給定的閾值，該區(qū)域?qū)⒈粍h除并被合并到鄰近區(qū)域。 標(biāo)記為1的區(qū)域閾值不同于標(biāo)記為0的區(qū)域閾值，這是由于一些被試卷區(qū)域包圍的標(biāo)記為 0的區(qū)域是有意義的區(qū)域，比如地面，而另一方面在大多數(shù)情況下被非試卷區(qū)域標(biāo)記為1的 區(qū)域是沒有意義的區(qū)域和噪音。經(jīng)過上述過程，標(biāo)記為1的區(qū)域被判為待選的試卷區(qū)域，標(biāo)記為0的區(qū)域為非試卷 區(qū)域。然后在對上述待選的試卷區(qū)域進行區(qū)域分析，這里區(qū)域分析主要為兩個特征的分 析形狀特征和像素特征；通過這兩種特征就可以綜合判斷出是否存在考卷圖像。首先是形狀特征的分析，在進行作弊試卷判別時，通過前面幾個步驟的處理，已經(jīng)
5
其中，ii i,」是該區(qū)域各階的中心距。得到上述的各種形狀特征后，按照預(yù)先制定的規(guī)則，根據(jù)不同的閾值數(shù)據(jù)來判斷 是否為待選的考卷圖像。然后再進行像素特征的分析，具體就是對待選的考卷圖像區(qū)域進行檢測，判斷其 中是否存在黑色像素；如果存在，則就可以判斷出該圖像區(qū)域存在考卷圖像。步驟12 若存在考卷圖像，則針對該考卷圖像進行相應(yīng)的處理。具體來說，就是在存在考卷圖像時，控制網(wǎng)管系統(tǒng)的云臺操作，將該視頻圖像拉遠 至看不見所述考卷圖像，同時對出現(xiàn)所述考卷圖像的區(qū)域進行遮擋。進行遮擋的方式可以 通過對出現(xiàn)考卷圖像的區(qū)域加馬賽克來處理，即加上白色像素塊來進行遮擋。通過上述實施例技術(shù)方案的實施，就可以解決變焦攝像頭代替定焦廣角攝像頭使 用的問題，有效避免了在考試過程中對變焦鏡頭的非法濫用。舉例來說，如圖2所示為本發(fā)明實施例所舉實例具體實現(xiàn)的結(jié)構(gòu)示意圖，圖中包 括攝像頭、電子監(jiān)考網(wǎng)管和管理系統(tǒng)。首先，電子監(jiān)考網(wǎng)管從攝像頭處獲取到考試監(jiān)控視頻數(shù)據(jù)；然后管理系統(tǒng)通過上 述方法實施例所述的算法來智能分析處理所獲取到的視頻數(shù)據(jù)；管理系統(tǒng)在將處理結(jié)果返 回到電子監(jiān)考網(wǎng)管中，并發(fā)出云臺控制命令；所述電子監(jiān)考網(wǎng)管再根據(jù)該控制命令控制攝 像頭的運動，并對出現(xiàn)考卷圖像的區(qū)域做馬賽克處理。另外，本發(fā)明實施例還提供了一種對考場視頻進行監(jiān)控處理的裝置，如圖3所示 為所提供裝置的結(jié)構(gòu)示意圖，所述裝置包括
得到了待選試卷區(qū)域的二值圖像，提取該待選試卷區(qū)域的形狀特征包括(1)高度尺度公式定義為Fl = RgnH/ImgH，其中ImgH為圖像高度，RgnH為區(qū)域 的高度；(2)寬度尺度公式定義為F2 = RgnW/ImgW，其中ImgW為圖像高度，RgnW為區(qū)域 的高度；(3)整體尺度公式定義為F3 = RgnH/RgnW，選取這個特征是為了避免太寬或太窄 的區(qū)域被判定為試卷區(qū)域；(4)伸長度公式定義為？4 = 1^11仏，1)/1& 仏，1)，其中肌11仏，1)為區(qū)域的最小 矩形面積，Max(L, ff)為最大矩形面積；其中，最小外接矩形的長定義為連接目標(biāo)邊界上最 遠兩點的距離，位于長軸兩側(cè)的目標(biāo)邊界點到長軸的最遠距離之和。(5)形狀因子公式定義為*其中P是區(qū)域的周長，A是區(qū)域的 面積。(6)內(nèi)切圓半徑公式定義為F6 = 2 A/p.(7)偏心率偏心率在一定程度上描述了區(qū)域的緊湊性，公式定義為
智能分析模塊，用于對考場上監(jiān)控視頻圖像進行智能分析，判斷所述視頻圖像中 是否存在考卷圖像；控制處理模塊，用于在所述智能分析模塊判斷存在考卷圖像時，控制網(wǎng)管系統(tǒng)的 云臺操作，將所述視頻圖像拉遠至看不見所述考卷圖像，同時對出現(xiàn)所述考卷圖像的區(qū)域 進行遮擋處理。其中，該智能分析模塊中可包括預(yù)處理模塊，用于對考場上監(jiān)控視頻圖像中每個像素的顏色進行分析，提取所述 視頻圖像中的淺色像素。像素檢測模塊，用于基于自適應(yīng)高斯混合模型對像素的顏色信息進行檢測。綜合判斷模塊，用于通過區(qū)域增長與形狀分析，綜合判斷出所述視頻圖像中是否 存在考卷圖像。以上各模塊的具體實現(xiàn)過程可參考上述方法實施例中所述。值得注意的是，上述裝置實施例中，所包括的各個單元只是按照功能邏輯進行劃 分的，但并不局限于上述的劃分，只要能夠?qū)崿F(xiàn)相應(yīng)的功能即可；另外，各功能單元的具體 名稱也只是為了便于相互區(qū)分，并不用于限制本發(fā)明的保護范圍。綜上所述，本發(fā)明實施例能夠解決變焦攝像頭代替定焦廣角攝像頭使用的問題， 有效避免在考試過程中對變焦鏡頭的非法濫用。以上所述，僅為本發(fā)明較佳的具體實施方式
，但本發(fā)明的保護范圍并不局限于此， 任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換， 都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)該以權(quán)利要求書的保護范 圍為準(zhǔn)。
權(quán)利要求
一種對考場視頻進行監(jiān)控處理的方法，其特征在于，包括通過對考場上監(jiān)控視頻圖像進行智能分析，判斷所述視頻圖像中是否存在考卷圖像；若存在考卷圖像，則控制網(wǎng)管系統(tǒng)的云臺操作，將所述視頻圖像拉遠至看不見所述考卷圖像，同時對出現(xiàn)所述考卷圖像的區(qū)域進行遮擋。
2.如權(quán)利要求1所述的方法，其特征在于，所述通過對考場上監(jiān)控視頻圖像進行智能 分析，判斷所述視頻圖像中是否存在考卷圖像，具體包括對考場上監(jiān)控視頻圖像中每個像素的顏色進行分析，提取所述視頻圖像中的淺色像素；基于自適應(yīng)高斯混合模型對像素的顏色信息進行檢測；通過區(qū)域增長與形狀分析，綜合判斷出所述視頻圖像中是否存在考卷圖像。
3.如權(quán)利要求1所述的方法，其特征在于，所述基于自適應(yīng)高斯混合模型對像素的顏 色信息進行檢測，具體包括基于自適應(yīng)高斯混合模型，通過迭代的期望最大EM算法來調(diào)整所述高斯混合模型的 相應(yīng)參數(shù)，使所述模型隨時間的改變而自動更新。
4.如權(quán)利要求1所述的方法，其特征在于，所述通過區(qū)域增長與形狀分析，綜合判斷出 所述視頻圖像中是否存在考卷圖像，具體包括將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域；針對所構(gòu)成的區(qū)域進行形狀特征和淺色像素特征的分析后，再次對待選的區(qū)域進行檢 測，判斷其中是否存在黑色像素，若存在，則判斷該區(qū)域中存在考試圖像。
5.如權(quán)利要求1所述的方法，其特征在于，所述對出現(xiàn)所述考卷圖像的區(qū)域進行遮擋， 具體包括對出現(xiàn)所述考卷圖像的區(qū)域進行馬賽克處理，加上白色像素塊進行遮擋。
6.一種對考場視頻進行監(jiān)控處理的裝置，其特征在于，包括智能分析模塊，用于對考場上監(jiān)控視頻圖像進行智能分析，判斷所述視頻圖像中是否 存在考卷圖像；控制處理模塊，用于在所述智能分析模塊判斷存在考卷圖像時，控制網(wǎng)管系統(tǒng)的云臺 操作，將所述視頻圖像拉遠至看不見所述考卷圖像，同時對出現(xiàn)所述考卷圖像的區(qū)域進行 遮擋處理。
7.如權(quán)利要求6所述的裝置，其特征在于，所述智能分析模塊包括預(yù)處理模塊，用于對考場上監(jiān)控視頻圖像中每個像素的顏色進行分析，提取所述視頻 圖像中的淺色像素；像素檢測模塊，用于基于自適應(yīng)高斯混合模型對像素的顏色信息進行檢測；綜合判斷模塊，用于通過區(qū)域增長與形狀分析，綜合判斷出所述視頻圖像中是否存在 考卷圖像。
全文摘要
本發(fā)明實施例提供了一種對考場視頻進行監(jiān)控處理的方法及裝置，首先通過對考場上監(jiān)控視頻圖像進行智能分析，判斷所述視頻圖像中是否存在考卷圖像；若存在考卷圖像，則控制網(wǎng)管系統(tǒng)的云臺操作，將所述視頻圖像拉遠至看不見所述考卷圖像，同時對出現(xiàn)所述考卷圖像的區(qū)域進行遮擋。這樣就能夠解決變焦攝像頭代替定焦廣角攝像頭使用的問題，有效避免在考試過程中對變焦鏡頭的非法濫用。
文檔編號G06T7/00GK101895728SQ20101019964
公開日2010年11月24日 申請日期2010年6月8日 優(yōu)先權(quán)日2010年6月8日
發(fā)明者錢瑞 申請人:北京競業(yè)達數(shù)碼科技有限公司