标准考场环境下的考试作弊行为检测方法及系统技术方案

本发明专利技术公开了一种标准考场环境下的考试作弊行为检测方法及系统，方法包括以下步骤：获取标准考场的考场背景图像，并对标准考场中考生进行实时监控；将实时监控的每一帧图像与考场背景图像进行背景差分处理获得掩模图像，并在掩模图像中确定考生所在的候选区域；在考试开始之前获取考生正坐面签图像，利用预训练的卷积神经网络对考生所在的候选区域进行人脸检测和识别，确认每个考生身份；定位每个考生的人体关键部位，得到考生的肢体常规活动范围；根据考试过程中考生头部和手部的运动状态进行判定其是否存在作弊行为。本发明专利技术提高了监控系统的利用效率，能够有效减少考试作弊行为，大幅减轻人工监考负担。

【技术实现步骤摘要】
标准考场环境下的考试作弊行为检测方法及系统
本专利技术涉及一种标准考场环境下的考试作弊行为检测方法及系统，属于人工智能和计算机视觉

技术介绍
计算机技术和监控技术已经广泛应用于人类社会的各个领域，在中小学、高校、技术院校等各类教育机构，教室已普遍安装监控系统，成为日常安防、考试监考的重要工具。目前，监控系统主要起影像记录的作用，要想得到有用的信息，需要大量人员观看并筛选监控视频。近年来，随着人工智能热潮的兴起，模式识别和计算机视觉技术发展迅速，“智慧校园”成为当下流行的热点，监控系统的智能化是其亟待解决的关键技术之一。监控系统在考试监考中发挥着极其重要的作用。就目前的实际应用情况而言，考场中的监控系统只能起记录考试过程的作用，监考工作主要还是通过人工的方式，监控系统的利用效率较低。为了实现考试作弊行为的智能检测，针对线上考试和线下考试两种不同方式，人们做了相应的研究。对于线上考试，每个考生使用一台设备，通常一台设备连接一个监控摄像头，很容易得到考生的正面清晰图像。由此，大多数方法首先利用正面人脸图像进行人脸识别，确认考生身份；进而根据屏幕前人脸是否变化来判断是否存在擅自离场、替考或多人考试等作弊行为。针对其他作弊行为，2017年戴承耕在《视线检测在考试监控系统中的研究与应用》中提出一种基于视线检测的考生异常行为检测方法；2019年胡森博在《基于视频的在线考试作弊行为检测方法的研究》中提出一种结合头部姿态、屏幕注视点估计及嘴部状态识别的作弊行为检测方法。这些方法对于在线考试中的作弊行为有一定的检测效果。对于线下考试，通常一个考场只设置一个或两个监控摄像头，摄像头视野大，考生在图像中所占尺寸较小，与线上考试得到的图像有很大不同。2014年段秀娟在《智能化考试状态识别监控方法研究与仿真》中提出了一种利用傅里叶系数归一化方法提取考试状态特征，再利用聚类RBF神经网络算法对考试状态进行识别，根据人体轮廓的形变判断考生是否存在作弊行为的方法；同年，刘鸾在《基于图像分析的考场视频监视系统分析与研究》中提出一种基于高斯混合背景建模法与肤色分割定位相结合的作弊行为检测方法，定位考生的脸及双手，根据这些关键部位的运动情况判别作弊嫌疑行为；2019年冯超等人在《基于OpenPose的作弊动作辅助识别方法及系统》的专利(申请号为201910122838.0)中提出一种基于OpenPose计算考生实时肢体角度的作弊动作辅助识别方法。可见，对于线下考试中的作弊行为智能检测，存在以下技术问题：(1)图像分析受环境影响大，光照条件变化时，检测效果难以保证；(2)考试作弊行为复杂，类型多样，难以对每一种作弊行为分别进行检测。
技术实现思路
为了解决上述问题，本专利技术提出了一种标准考场环境下的考试作弊行为检测方法及系统，能够有效减少考试作弊行为，大幅减轻人工监考负担。本专利技术解决其技术问题采取的技术方案是：第一方面，本专利技术实施例提供的一种标准考场环境下的考试作弊行为检测方法，包括以下步骤：获取标准考场的考场背景图像，并对标准考场中考生进行实时监控；将实时监控的每一帧图像与考场背景图像进行背景差分处理获得掩模图像，并将掩模图像中不为0的区域所对应的监控视频中的每一帧图像的区域作为考生所在的候选区域；在考试开始之前获取考生正坐面签图像，利用预训练的卷积神经网络对考生所在的候选区域进行人脸检测和识别，确认每个考生身份；定位每个考生的人体关键部位，得到考生的肢体常规活动范围；根据考试过程中每一帧图像中考生头部和手部的位置，确定考生头部和手部的运动状态，并根据考生的肢体是否超出常规活动范围判定其是否存在作弊行为。作为本实施例一种可能的实现方式，所述标准考场是指光照稳定、室内光线不受外界天气影响和不随时间变化，且设有一个能够获取覆盖全部考生座位监控画面的广角监控摄像头的考场。作为本实施例一种可能的实现方式，所述广角监控摄像头设置在标准考场的前方屋顶正中央处。作为本实施例一种可能的实现方式，获取标准考场的考场背景图像的过程为：在标准考场空场情况下采集一组多帧图像序列；计算背景图像和每个像素位置的标准差：其中，B(m,n)是背景图像，fi(m,n)是第i帧图像，共K1帧图像参与平均，σ(m,n)是背景图像中像素位置(m,n)的标准差。作为本实施例一种可能的实现方式，所述图像序列时长为20至60秒之间。作为本实施例一种可能的实现方式，将实时监控的每一帧图像与考场背景图像进行背景差分处理获得掩模图像的过程具体为：将实时监控的每一帧图像逐帧与考场背景图像进行比较获得掩模图像δj(m,n)，比较公式如下：其中，gj(m,n)是第j帧图像，B(m,n)是背景图像，T(m,n)为阈值。作为本实施例一种可能的实现方式，定位每个考生的人体关键部位，得到考生的肢体常规活动范围的过程为：对考试正式开始后N分钟内的实时监控图像根据AlphaPose获得第j帧图像中第s个考生头部位置左手位置和右手位置计算每个考生头部、左手和右手的活动范围：其中，K2是考试正式开始后N分钟内参与头部、手部位置统计的图像帧数；分别表示第s个考生头部、左手、右手的平均位置；和和和分别表示第s个考生头部、左手、右手的水平方向和垂直方向的标准差，即常规活动范围。作为本实施例一种可能的实现方式，确定考生头部和手部的运动状态，并根据考生的肢体是否超出常规活动范围判定其是否存在作弊行为的过程为：根据考试正式开始N分钟之后每一帧图像中考生头部和手部的位置，确定考生头部和手部的运动状态；如果考生头部偏离常规活动范围超过一定程度，即当或时，则认为该考生出现疑似作弊行为，向监考人员发送提示警报；如果考生左手或右手偏离常规活动范围超过一定程度，即：当左手或时，或者，右手或时，则认为该考生出现疑似作弊行为，向监考人员发送提示警报；所述α和β为系数。作为本实施例一种可能的实现方式，所述预训练的卷积神经网络具有一个输入层、三个卷积层与池化层、一个全连接层、一个输出层；其中卷积层卷积核大小为(3,3)，步长为1；池化层采用最大值采样，采样大小为2*2；全连接层神经元个数为512。第二方面，本专利技术实施例提供的一种标准考场环境下的考试作弊行为检测系统，包括：实时监控模块，用于获取标准考场的考场背景图像，并对标准考场中考生进行实时监控；差分处理模块，用于将实时监控的每一帧图像与考场背景图像进行背景差分处理获得掩模图像，并将掩模图像中不为0的区域所对应的监控视频中的每一帧图像的区域作为考生所在的候选区域；考生身份确认模块，用于在考试开始之前获取考生正坐面签图像，利用预训练的卷积神经网络对考生所在的候选区域进行人脸检测和识别，确认每个考生身份；常规活动范围获取模块，用于定位每本文档来自技高网...

【技术保护点】
1.一种标准考场环境下的考试作弊行为检测方法，其特征是，包括以下步骤：/n获取标准考场的考场背景图像，并对标准考场中考生进行实时监控；/n将实时监控的每一帧图像与考场背景图像进行背景差分处理获得掩模图像，并将掩模图像中不为0的区域所对应的监控视频中的每一帧图像的区域作为考生所在的候选区域；/n在考试开始之前获取考生正坐面签图像，利用预训练的卷积神经网络对考生所在的候选区域进行人脸检测和识别，确认每个考生身份；/n定位每个考生的人体关键部位，得到考生的肢体常规活动范围；/n根据考试过程中每一帧图像中考生头部和手部的位置，确定考生头部和手部的运动状态，并根据考生的肢体是否超出常规活动范围判定其是否存在作弊行为。/n

【技术特征摘要】
1.一种标准考场环境下的考试作弊行为检测方法，其特征是，包括以下步骤：
获取标准考场的考场背景图像，并对标准考场中考生进行实时监控；
将实时监控的每一帧图像与考场背景图像进行背景差分处理获得掩模图像，并将掩模图像中不为0的区域所对应的监控视频中的每一帧图像的区域作为考生所在的候选区域；
在考试开始之前获取考生正坐面签图像，利用预训练的卷积神经网络对考生所在的候选区域进行人脸检测和识别，确认每个考生身份；
定位每个考生的人体关键部位，得到考生的肢体常规活动范围；
根据考试过程中每一帧图像中考生头部和手部的位置，确定考生头部和手部的运动状态，并根据考生的肢体是否超出常规活动范围判定其是否存在作弊行为。


2.根据权利要求1所述的标准考场环境下的考试作弊行为检测方法，其特征是，所述标准考场是指光照稳定、室内光线不受外界天气影响和不随时间变化，且设有一个能够获取覆盖全部考生座位监控画面的广角监控摄像头的考场。


3.根据权利要求2所述的标准考场环境下的考试作弊行为检测方法，其特征是，获取标准考场的考场背景图像的过程为：
在标准考场空场情况下采集一组多帧图像序列；
计算背景图像和每个像素位置的标准差：






其中，B(m,n)是背景图像，fi(m,n)是第i帧图像，共K1帧图像参与平均，σ(m,n)是背景图像中像素位置(m,n)的标准差。


4.根据权利要求3所述的标准考场环境下的考试作弊行为检测方法，其特征是，将实时监控的每一帧图像与考场背景图像进行背景差分处理获得掩模图像的过程具体为：
将实时监控的每一帧图像逐帧与考场背景图像进行比较获得掩模图像δj(m,n)，比较公式如下：



其中，gj(m,n)是第j帧图像，B(m,n)是背景图像，T(m,n)为阈值。


5.根据权利要求4所述的标准考场环境下的考试作弊行为检测方法，其特征是，定位每个考生的人体关键部位，得到考生的肢体常规活动范围的过程为：
对考试正式开始后N分钟内的实时监控图像根据AlphaPose获得第j帧图像中第s个考生头部位置左手位置和右手位置
计算每个考生头部、左手和右手的活动范围：


















其中，K2是考试正式开始后N分钟内参与头部、手部位置统计的图像帧数；分别表示第s个考生头部、左手、右手的平均位置；和和和分别表示第s个考生头部、左手、右手的水平方向和垂直方向的标准差，即常规活动范围。


6.根据权利要求5所述的标准考场环境下的考试作弊行为检测方法，其特征...

【专利技术属性】
技术研发人员：李孟晓，王保栋，孙农亮，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东;37