[发明专利]考场监控摄像头

权利要求书

1.一种考场监控摄像头，包括与具体处理设备连接的接口、音视频传感器、生物信息传感器、控制模块，其特征在于，

音视频传感器用于捕捉考生的音视频信息；

生物信息传感器用于捕捉考生的生物信息；

控制模块与连接的具体处理设备通讯，获得考生的核实生物信息，并与生物信息传感器捕捉到的生物信息比较，以进行考生的身份验证，并将结果传输到具体处理设备。

2.根据权利要求1所述的一种考场监控摄像头，其特征在于，音视频传感器兼做生物信息传感器，捕捉考生的正面图像作为考生的生物信息，并与考生的核实照片进行比较，以进行考生的身份验证。

3.根据权利要求1或2所述的一种考场监控摄像头，其特征在于，控制模块还包括对考生监考视频图像进行处理，以判断是否是作弊行为的子模块，包括以下步骤：

步骤一、预置或从监考服务器下载根据样本图像生成的图像分类器；

步骤二、接收考试监控视频，每隔一定时间间隔从视频中采集一幅考生摄像头捕获图像，并使用步骤一得到的分类器进行分类，判断捕获图像是否为正面人脸图像；

步骤三、如果检测到非正面人脸图像连续存在超过一定时间，则判定考生可能存在作弊行为，提醒系统管理员注意，或者对考生采取警告、终止考试等处理措施；

其中，步骤一中根据样本图像生成分类器的方法为：

一、将样本图片记为(x₁，y₁)，...(x_n,y_n)，y_i＝1表示该样本为正例即判定为正面人脸的图像，y_i＝0表示该例为负例即判定为非正面人脸的图像；

二、将所有的样本图像归一化为标准大小的图像，并且将所有的样本进行灰度化；

三、初始化样本权重：

W_t，i表示第t次循环中第i个样本的误差权重，初始化时，若第i个样本为负例，令m为负例的样本个数；若第i个样本为正例，则令l为正例的样本个数；

四、训练系统的强分类器，具体方法为：

A.指定强分类器中包含的弱分类器的个数T，对t＝1，...T，循环执行以下步骤：

1)归一化权重：

其中t＝1，...T，T为训练的次数；

2)对每一个Haar特征f，训练一个弱分类器h(x，f，p，θ)；计算对应这个特征的弱分类器的分类误差；Haar特征就是用两个相邻的矩形组成的特征，其中一个用白色矩形表示，一个用黑色矩形表示，Haar特征模板包括边缘特征、线性特征、中心特征和对角线特征，每个特征模板内有白色和黑色两种矩形，特征模板在一幅图像子窗口内可以放置在任意放置并可以缩放，任意一种形态的任意一次缩放摆放称为一种特征，定义该模板的特征值为白色矩形像素和减去黑色矩形像素和，对于灰度图像，像素和即每个像素灰度值之和；

3)选取最佳的即拥有最小错误率ε_t的弱分类器h_t(x)＝h(x，f_t，p_t，θ_t)，其中f_t，p_t，θ_t是使εt为最小的值；

4)按照上一步得到的最佳弱分类器调整权重：

wt+1,i=wt,iβt1-ei]]>

其中，如果x_i被正确分类，e_i＝0，如果x_i被错误地分类，e_i＝1，

B.最终得到的强分类器为：

其中αt=log1βt;]]>

步骤2)中，训练弱分类器及计算加权错误率的方法为：

对每一个特征f，训练一个弱分类器h(x，f，p，θ)

其中f为特征，θ为阈值，p指示不等号的方向，就是1和-1，用来判别系统指定的是大于阈值符合标准还是小于阈值符合标准，x代表一个检测子窗口，f(x)代表该特征模板的特征值；

对每个特征f，训练一个弱分类器h(x，f，p，θ)，就是确定f的最优阈值，使得这个弱分类器h(x，f，p，θ)对所有的训练样本的分类误差最低；

对每个特征进行弱分类器训练的过程为：

(1)对每个特征f，得到所有训练样本的特征值；

(2)将特征值排序；

(3)对排好序的每个元素：

(i)计算全部正样本的权重和T⁺；

(ii)计算全部负样本的权重和T^-；

(iii)计算该元素前正样本的权重和S⁺；

(iv)计算该元素前负样本的权重和S^-；

(v)选取当前元素的特征值和它前面的一个特征值之间的数作为阈值，并计算该阈值的分类误差为：

e＝min(S⁺+(T^--S^-)，S^-+(T⁺-S⁺))；

(4)比较所有分类误差，得到使分类误差最小的阈值，作为针对特征f的弱分类器。