[发明专利]基于光照生成对抗网络的课堂听课异常检测方法

说明书

本发明公开了一种基于光照生成对抗网络的课堂听课异常检测方法，包括有以下步骤：采集真实课堂头部姿态数据、渲染光照课堂头部姿态数据、构建光照生成对抗网络、产生生成对抗样本、构建头部姿态检测模型、课堂头部姿态检测、课堂听课异常检测。本发明通过使用深度神经网络，提高了对头部区域定位的准确性，降低非头部区域对不听课状态判断的干扰。

技术领域

本发明属于异常检测技术领域，更为具体地讲，涉及一种基于光照生成对抗网络的课堂听课异常检测方法。

背景技术

计算机异常检测是在不需要人为干预情况下，利用计算机视觉理论和视频分析的方法对摄像头等监控设备记录的视频序列进行分析，实现对结构化场景中目标的定位、识别和跟踪，并在此基础上分析和判断目标的行为，得出对图像内容含义的理解以及对客观场景的解释，并从而指导和规划行动。

现有的异常检测方法常采用特定的统计分析方法、以及深度学习方法。申请号为201510141935.6的中国专利《一种用于复杂结构化场景的人群运动轨迹异常检测方法》通过提取监控视频历史数据中复杂结构化场景内的人群运动轨迹并对人群运动轨迹进行分段，进行基于最大最小距离的多中心聚类算法的学习，使用基于LOF算法的异常检测，高效、实用地解决了人群运动轨迹检测问题。申请号为201410795393.X的中国专利《基于时间递归神经网络的人群异常检测和定位系统及方法》使用时间递归神经网络对采集的样本数据进行分析训练以完成异常检测。申请号为201710305833.2的中国专利《一种视频异常检测方法》利用灰度投影算法完成全局运动估计，有效地实现图像抖动检测及抖动程度估计。该方法常常容易陷入局部最优解，当训练数据集大、训练网络复杂时，训练时间往往很高，代价过大，效率过低。

目前异常检测的主要应用领域包括智能交通、智能监控等。申请号为201410799626.3的中国专利《一种交通异常检测方法及系统》将正常交通视频图像序列分为视频块序列，检测视频块序列中的镜头数量，建立视频块序列中的镜头数量的高斯模型，利用高斯模型对测试交通视频图像进行异常检测。申请号为201510670786.2的中国专利《基于运动重构技术的交通场景异常检测方法》利用运动模式的空间位置信息，探索了不同运动模式间的空间结构信息，解决了现有的异常检测方法对该特定场景的不适用性。申请号为201710131835.4的中国专利《基于Isolation Forest的城市道路交通异常检测方法》以道路为检测对象，根据道路在不同时段的平均运行速度划分不同类别数据集，基于每个数据集训练一个Isolation Forest，通过检测道路速度在Isolation Forest中到根节点的距离来判断道路是否异常。申请号为201510046984.1的中国专利《一种基于车辆轨迹相似性的异常检测方法》再计算典型轨迹与该类车辆轨迹的相似性度量建立偏差统计模型，得到相似性度量的置信区间，最后计算待测轨迹与典型轨迹的相似性度量，根据置信区间判断是否异常。但该方法复杂，场景适应度低，需要大量的真实数据集，数据成本大。

现有的异常检测方法还未涉及课堂教学监考过程中的听课状态分析，本发明的任务与现有的课堂视频、头部姿态数据与现有异常检测方法不同。本发明在方法实现上与现有的异常检测方法区别在于，在深度学习方法的基础上，不仅使用3D模型和光照渲染生成样本，而且使用基于生成对抗网络，生成光照优化后的头部姿态数据，解决光照渲染头部位置图像与真实头部位置图像数据特征的不一致性。使用生成对抗样本能够有效的提高头部姿态检测的准确性，并通过对头部姿态检测的统计分析，实现课堂听课异常状态判断。

发明内容

为了弥补已有技术的不足，本发明提出一种基于光照生成对抗网络的课堂听课异常检测方法。

本发明采用的技术方案是：

一种基于光照生成对抗网络的课堂听课异常检测方法，其特征在于：包括有以下步骤：

步骤S1：采集真实课堂头部姿态数据：

采集并获取真实课堂中的视频帧，构建头部位置检测模型，标记候选头部位置图像，获取训练集和训练参数；