یک روش نیمه نظارت شده و مبتنی بر شباهت حالت بدن برای تشخیص ناهنجاری رفتاری مرتبط با تقلب در ویدئوهای نظارتی آزمون های الکترونیکی

تشخیص ناهنجاری در ویدئو های نظارتی مرتبط با رفتارهای انسانی در کاربردهای مختلف از اهمیت بسیاری برخوردار است. در آزمون های الکترونیکی، امکان شناسایی تقلب از طریق دوربین های نظارتی وجود دارد، اما تحقیقات گذشته بیشتر بر الگوهای از پیش تعریف شده متمرکز بوده و به روش هایی که رفتارهای غیرعادی را بدون مشاهده نمونه هایی از آنها می توانند تشخیص دهند، کمتر پرداخته اند. این مطالعه یک رویکرد نیمه نظارت شده[۱] مبتنی بر اسکلت بدن برای تشخیص رفتارهای غیرطبیعی در ویدئو های نظارتی آزمون های الکترونیکی پیشنهاد می دهد. روش ارائه شده، بردارهای ویژگی مبتنی بر اسکلت قاب های متوالی را بر اساس شباهت آن ها تقسیم بندی می کند. شباهت با استفاده از فاصله اقلیدسی بین مفاصل اسکلت ها و میانگین و انحراف معیار آنها محاسبه می شود. سپس بخش های مشابه از مجموعه آموزشی، که فاقد ناهنجاری هستند، ترکیب شده و بخش های متمایزی را تشکیل می دهند که برای تشخیص نمونه های عادی استفاده می شوند. در مرحله آزمایش، قابی که به هیچ یک از الگوهای به دست آمده از مرحله آموزش شباهت نداشته باشد، به عنوان ناهنجاری تشخیص داده می شود. برای بهبود رتبه بندی قاب های غیرهنجار، از تخصیص امتیاز نا هنجاری با در نظر گرفتن اندازه قطعه و حداکثر فاصله بین ویژگی ها استفاده شده است. در مقایسه با الگوریتم های پیشرفته تشخیص ناهنجاری مبتنی بر بازسازی داده ها، روش پیشنهادی در معیار AUC ۱۰ درصد بهبود را نشان داده و به عدد ۸۳/۰ دست یافت. همچنین با تعیین برچسب داده ها بدون نیاز به پردازش تمام ورودی ها، امکان استفاده از این روش در کاربردهای برخط نیز وجود دارد. Semi-Supervised

کلیدواژه ها:

نظارت ویدئویی ، آزمون الکترونیکی ، تشخیص ناهنجاری نیمه نظارت شده ، ویژگی های مبتنی بر اسکلت ، تشخیص تقلب ، اندازه گیری شباهت اسکلت