基于3D卷积神经网络的考生异常行为识别研究

李新龙 匡梦林 包海曼

摘要：本论文将卷积神经网络应用到的考生异常行为检测的智能视频监控系统中去。当输入多维图像时，算法更为显著，只用直接进行图像输入，还能够使考生异常行为识别的准确性得到提升。

关键词：3DCNN；行为识别；智能监考

中图分类号：TP391.41 文献标识码：A 文章编号：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

在众多神经网络当中，卷积神经网络是学者们最多去愿意研究的。现如今由于标记数据和GPU的快速发展使得那些关于卷积神经网络的研究取得了不起的结果。

1 考生异常行为数据库的建立

根据考场的规则，作弊包括身体向左倾斜、向右倾斜或向后倾斜超出规定区域，向前或向后探头、左右手臂向两边伸出超出规定区域，桌面上存在异常物品，转移小纸条或答题卡的行为，包括举手、倒地、未经许可离开座位、与考场内任何人员发生肢体冲突等其他行为。这些都是考场中的异常行为，需要准确定。

2 基于3DCNN的考生异常行為检测

本算法通过采用3D卷积神经网络技术解决人体行为的识别问题。

（1）输入视频：

（2）将输入的视频进行预处理：

A.从图像信息中筛选人体行为特征明显的图像，保存筛选后的图像；

B.将保存的图像统一大小为120×160像素；

C.将图像信息分类标记，将已统一大小的图像均分为5份，1-4份作为训练样本集，第5份作为测试样本集，得到已标记的图像；

（3）构建出3D卷积神经网络：

A.将已标记的图像，分别提取灰度、x和y方向的光流、x和y方向的梯度共计五个通道信息，得到图像提取后的灰度值：

B.计算已标记图像的梯度在x和y方向；

C.计算图像提取后的灰度值的变化率；

D.计算已标记图像的光流在x和y方向；

E.对五个通道信息中的每个通道分离进行卷积核下采样操作，得到每一层卷积层和下采样层的特征图maps的大小：

（4）将特征向量提取出来：

A.在第二层采样层中得到的64张特征图maps，将每一张特征图map，大小为12×17像素，将其拉伸成一个向量，得到向量的维数为13056维的神经元；

B.降维通过普通神经网络进行，我们假设第一层全连接层的神经元个数为6528，则第二层全连接层的神经元个数为1000，得到的第二层神经元为图像的特征值；

（5）进行分类训练

（6）测试结果输出

3 实验验证及结果分析

我们应用改进后的3D CNN的混淆矩阵，通过实验得出，改进后的3D CNN中“手臂伸出”和“站立前倾”这两个行为的正确率最高，达到100%，然后是“桌面异物”和“身体前倾”，“桌面异物”达到了98%，被分错的样本也被分到了“手臂伸出”，“举手示意”这个行为正确率最低，但是也达到了92%，被分错的样本全部被当成了“手臂伸出”，从总体上看，这个网络的正确率是比较高的。

4 结束语

本文研究的是一种基于卷积神经网络的考生异常行为识别算法，可以使用在考场考试中的考生异常行为检测，经过测试和初步验证，准确率达到了比较可靠的程度。

参考文献：

[1] 戴金波，龙曼丽，赵宏伟，陈奋君.考场异常行为检测算法[J].吉林大学学报（工学版），2012.236～240

[2] 蔺永政，吴小羽，李恒建，柳忠光.基于背景消减法的考场作弊行为检测方法[J].济南大学学报（自然科学版），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