CN102890747A - 在线考试智能监控方法 - Google Patents

Abstract

本发明涉及一种在线考试智能监控的方法，包括以下步骤：把核实的生物统计数据、异常监督样本数据、考试问题数据存储到中央站；在远距离考试站输入考生生物统计数据；比较考生生物统计数据和核实的生物统计数据；在考试过程中，记录考试时的考生监督数据，将考生监督数据与异常监督样本数据进行比较，并判断考生是否存在异常考场行为；对考试站上运行的进程进行监控管理。本发明使考生身份核实、考卷发送、考场监督和考试系统监控过程自动化，并且提供了一个可靠和专用的考试环境，使得可以用最小的开销管理可靠的考试。

Description

在线考试智能监控方法

技术领域

本发明涉及一种在线考试监控系统，特别涉及一种可以实现智能监控和无人监考的在线考试智能监控系统，以及一种使用该系统实现智能监考的方法。

背景技术

近年来，随着计算机和互联网的发展，基于计算机和互联网技术的在线考试系统得到了发展，例如在大型的GRE、GMAT等考试中得到了推广应用。在线考试系统通常包括一个考试服务器，以及一个或多个考试站，考卷通过网络从服务器发送到考试站，考试站收集应试者应答数据，并发送回考试服务器。在进行这样的在线考试时，特别是在考试对考场纪律要求非常严格，或者考试结果对于可靠性要求非常高的时候，需要花费大量时间和精力来确保考试的完整性。首先，考生必须进行登记，确保有资格的人登记参加考试。其次，需要确保登记的人才被允许参加考试。在考试过程中，需要配备专门人员监督考试以确保不发生作弊。并且，在线考试中一个非常重要的方面是要确保计算机上考试问题信息以及计算机运行环境的安全，以确保应试者不会利用考试的机器作弊，或者考试信息不会被盗、泄露、被越权访问以及被修改。所有这些安全措施都需要大量经费和人力。

目前国内外对在线考试进行监考主要是采取集中机房、人工监考的方式。这种方式需要准备专用的考场，并采用传统的人工监考的方式。与传统的标准纸质考试相比较，这种在线考试方式只是在试卷生成和收集方面做出了改进，在监考方式方面仍然完全套用传统的方法。部分在线考试系统尝试性的增加了视频监控功能。美国Prometric(普尔文)考试公司就是国际上最大的计算机化教育和考试认证服务的公司，开创了计算机化考试技术和管理标准，用于GRE和TOFEL等考试的机考系统，就具有考场视频监控功能，但是这种技术只是实现了考试环境的视频记录，不能实现针对每个考试个体和计算机的同步监控，除此之外，这种监控系统还需要大量人力参与分析视频信息，不能实现对海量视频信息的自动分析、预测和利用。同时这种技术需要专用的监控设备，设备价格昂贵，安装、调试及维护需要专业人士进行，成本过高、灵活性差。

另外，在线考试中一个非常重要的方面是要确保计算机上考试问题信息以及计算机运行环境的安全，以确保应考者无法利用本地计算机作弊，以及考试信息不会被盗、泄露、被越权访问以及被修改。现在的在线考试系统采用的做法是为考试准备“干净”的计算机考试环境。这种方式需要准备专用的考试机，在考试前集中进行系统重装和软件部署，工作量大，耗时耗力，灵活性查，不能应用于应考者使用自备电脑进行考试的情况。

发明内容

本发明的目的在于开发一种针对在线考试的智能监控系统，汇集必需软件和硬件以提供完全无人值守的智能监考的远距离考场。

本发明的另一个目的在于使整个考试过程自动化，从而使应考者可以自动进行考试身份认证并完成考试，而不需要任何人员在现场。

本发明的另一个目的在于提供一种针对考试使用的计算机运行环境的监控系统，可用于普通的计算机，使得计算机上只有系统允许的应用程序运行，防止应考者使用计算机作弊，或者修改、复制计算机内的考试信息，从而不用为考试准备专门的考试机，甚至可以使考试在应试者自备的电脑上进行。

本发明的目的是通过以下基本技术方案实现的：

本发明提供了一种在线考试智能监控系统，包括一个中心站以及可以与中心站通信的一个或多个考试站；

中心站包括：数据存储装置，存储考试问题数据、考试应答数据、核实的生物统计数据和异常监督样本数据；数据处理器，可操作的连接到存储装置上，可以电子化发送考试问题数据到考试站并从考试站接收考试应答数据，还可以从考试站接收生物统计数据和考生监督数据；数据处理器包括生物统计数据比较模块，用来比较考生的生物统计数据与存储的、核实的生物统计数据；

考试站包括：数据处理器，可以与中央站通信，从中央站接收考试问题数据并显示给考生，接收考生的考试应答数据、生物统计数据和考生监督数据并发送给中央站；生物统计测量装置，用来把考生的生物统计数据输入到处理器；考生监督数据记录装置，用来记录考试时的考生监督数据，并把考生监督数据输入到处理器；数据存储装置可操作的连接到数据处理器，用来暂存考试过程开始所需的以及在考试过程中产生的数据；数据处理器还包括进程监控模块，用来对数据处理器的进程进行监控管理；

此外，系统还包括位于中央站或者考试站的考生监督数据处理模块，考生监督数据处理模块用来将考生监督数据与异常监督样本数据进行比较，并判断考生是否存在异常考场行为。

有益效果

本发明使考生身份核实、考卷发送、考场监督和考试系统监控过程自动化，并且提供了一个可靠和专用的考试环境，使在线考试的应试者可以选择方便的时间和地点进行考试。对于考试的组织和管理者来说，本发明消除了对支持系统的现场人员的需要，使得在线考试不用再依赖于专用的考试设备，用最小的开销管理可靠的考试。

附图说明

图1为根据本发明一个实施例的系统结构图；

图2为根据本发明一个实施例的中央站结构示意图；

图3为根据本发明一个实施例的考试站结构示意图；

图4为根据本发明一个实施例的系统模块结构图；

图5为根据本发明另一个实施例的系统模块结构图；

图6为根据本发明一个实施例的考试以及监督管理过程的流程图。

图中，1为中央站，2为考试站，10为中央站数据处理器，11为中央站显示器，12为中央站输入装置，13为中央站数据存储装置，14为生物统计数据比较模块14，15为考生监督数据处理模块，20为考试站数据处理器，21为考试站显示器，22为考试站输入装置，23为生物统计测量装置，24为考生监督数据记录装置，25为考试站数据存储装置，26为考试站进程监控模块。

具体实施方式

下面结合附图，具体说明本发明的优选实施方式。

图1、图2、图3是根据本发明的系统的结构图，表示根据本发明的一种系统的硬件，该系统用来控制管理自动化监督的可靠考试。系统包括一个中央站1和一个或多个考试中心。考试中心设置有中继服务器，并配置摄像头提供考试过程中整个考试中心的考试过程视频记录。在每个考试中心，设置一个或多个考试站2。

中央站1为一个主服务器，包括一个数据处理器10，数据处理器10有一个显示器11和一个诸如键盘之类的输入装置12与其相连，用来允许管理员与系统的交互，对系统进行控制、更新和管理。有一个数据存储装置13可操作的连接到数据处理器10，在数据存储装置13中存储有考试问题数据、考试应答数据、核实的生物统计数据和异常监督样本数据。

考试站2为一台具体的考试设备，包括一个数据处理器20，可以与中央站通信，通信方式可以是通过调制解调器、一根电话线、一个ISDN连接、一种卫星链路、或某种其他的适当数据链路。数据处理器20有一个显示器21和一个诸如触摸屏、键盘、画笔装置、或其他的输入装置22与其相连，用来允许考生与系统的交互，将考试问题数据显示给考生，并接收考生的考试应答数据。数据处理器20连接有一个生物统计测量装置23，以记录诸如应试者指纹图像、视网膜图像、声波纹、手的几何形状、应试者照片数字图像之类的生物统计数据，或其他能够识别个人的生物统计数据。数据处理器20还连接有一个考生监督数据记录装置24，用来记录考试时的考生监督数据，并把考生监督数据输入到处理器20。在最佳实施例中，监督数据是一种声频/视频记录，特别是在考试过程期间考生输入数据全过程的记录。一个存储装置25可操作的连接到数据处理器20，用来暂存考试过程开始所需的数据、以及在考试过程中产生的数据。

图4是根据本发明一个实施例的系统模块结构图。中央站1的数据存储装置13中存储有考试问题数据、考试应答数据、核实的生物统计数据和异常监督样本数据。相应的，数据处理器10可以电子化发送考试问题数据到考试站2并从考试站2接收考试应答数据，还可以从考试站2接收生物统计数据和考生监督数据。并且，数据处理器10还包括生物统计数据比较模块14和考生监督数据处理模块15，其中生物统计数据比较模块14用来比较考生的生物统计数据与存储的、核实的生物统计数据，考生监督数据处理模块15用来比较考生的考生监督数据与存储的异常监督样本数据，并判断考生是否存在异常考场行为。

考试站2的数据存储装置25用来暂存考试过程开始所需的数据例如从中央站处理器10接收的部分考试问题数据，以及在考试过程中产生的数据例如考生输入的生物统计数据、考试应答数据以及考试过程中产生的考生监督数据。相应的，数据处理器20从中央站1接收考试问题数据并显示给考生，接收考生的考试应答数据、生物统计数据和考生监督数据并发送给中央站1。此外，数据处理器20还包括进程监控模块26，用来对数据处理器的进程进行监控管理，在考试阶段只有特定的进程才允许运行。

图5是根据本发明另一个实施例的系统模块结构图。在大量考生考试的情况下，多个考试站的考生监督数据同时传输给中央站可能会造成网络拥塞。因此，考试开始前在考试站的数据存储装置中存储与中央站同步的异常监督样本数据，并在考试站配置考试监督数据处理模块，用来在考试站比较考生监督数据与存储的异常监督样本数据，并判断考生是否存在异常考场行为。只有在判断为异常考场行为的情况下，考试站才将考生监督数据上传到中央站。

在一个实施例中，系统被配置成包括一个主服务器和一个集中配置的大机房作为考场。机房中的每一台机器通过网线与服务器相连。由于是专用的考试场所和考试机器，因此每台考试机器在开始考试之前可以进行预先配置，将机器配置成“干净”的计算机考试环境。在考场内可以集中设置几台摄像机，以获取考试全过程的视频记录。这是目前在线考试通常采用的系统架构。

在本实施例中，每台考试机器连接有一个生物统计测量装置。考生报名时，需要登记本人的生物统计数据，如留下本人的指纹、数字图像等信息。在一个实施例中，考试站也可以作为报名时的登记站，考生通过考试机器连接的生物统计测量装置，留下本人的经核实的生物统计数据，上传到主服务器，并存储在主服务器的存储器中。在考生选择的考试时间，考生开始考试之前，考试机器通过连接的生物统计测量装置，记录考生的生物统计数据，并传输到主服务器。主服务器通过生物统计数据比较模块，将考生考试前输入的生物统计数据与预留的核实生物统计数据比较，进行身份认证，在身份认证通过的情况下才允许考试。进一步的，在考试的过程中，生物统计测量装置每隔一定的时间提取考生生物统计数据，与服务器中的核实生物统计数据进行比较。如果考试期间提取的考生生物统计数据发生较大的变化，可能出现考生考试期间替考现象的发生。

作为一种可选的优化方案，每台考试机器连接有一个摄像头，该摄像头可以同时兼做生物统计测量装置以及考生监督数据记录装置。当作为生物统计测量装置时，可以在考试前记录考生的数字图像，以和主服务器中预留的核实数字图像进行比对。当作为考生监督数据记录装置时，可以在考试过程中记录考生考试全过程的视频信息。

在本实施例中，主服务器接收到考试站上传的考试监督视频数据后，通过考生监督数据处理模块和主服务器预存的考场异常监督样本数据进行比对，并判断考生是否存在作弊行为，例如离开考试座位，或者使用了参考资料或电子设备。进一步的，考生监督数据处理模块在考试的过程中，获取摄像头捕获的考生人脸图像，并对人脸姿势进行识别，从人脸姿势中判断是否存在作弊的情况，例如转头偷看他人答案的行为。在判断考生作弊的情况下，将异常考试监督视频数据存储在主服务器的存储器中。作为进一步的优化，主服务器还包括考场异常行为更新模块，建立一套自学习的机制，对于新的确认的作弊行为进行分析学习，并更新主服务器中预先存储的异常监督样本数据。

在预先为考试准备“干净”的考试机的情形下，配置在考试机器上的考试环境软件包括运行在考试机器上的进程监控软件，该软件在操作系统启动后即常驻内存，监督系统进程，保证在考试阶段只有特定的进程才允许运行。

进一步的，在一个实施例中，考试机器上还配置了系统行为控制模块。该模块在考试期间监视和记录诸如键盘、鼠标操作的用户输入，并判断用户的输入是否为系统预设的非法操作，如果是非法操作则禁止用户的操作。例如，如果考生输入ALT+TAB的键盘组合，会触发系统程序切换的操作，会破坏考试程序的独占性，存在一定危险；如果考生输入TSKILL命令，该命令会删除系统进程，是比较危险的操作；如果用户尝试关闭考试窗口，或者尝试在应考软件和任何其他应用程序之间交换数据，也是不允许的。对于这些危险的操作，将其预先定义为非法操作，在检测到考生执行了这些操作时，系统会根据危险级别进行警告或者是禁止。)

进一步的，在一个实施例中，考试机器还连接有一个屏幕监督装置。随着计算机技术的发展，考生有可能利用系统漏洞和虚拟机等技术突破进程监控模块和系统行为控制模块的监控。作为一个可选的监考措施，可以为每台考试机器配置一个屏幕监督装置，以记录考试期间考生的屏幕数据。该屏幕监督装置可以是一个提供考试期间屏幕视频记录的摄像头，或者是通过操作系统的接口获得的屏幕数据，或者为了更加安全的目的，绕开操作系统，直接从显卡数据缓冲区获得屏幕显示数据。直接访问显存数据，根据显存数据绘画出当前用户显示的屏幕信息，可以真正的实现抓屏数据和屏幕显示数据的高度一致，对于防止操作系统层面的屏幕欺骗非常有效。

主服务器或考试机器的数据处理器包括与屏幕监督装置相应的屏幕分析模块，将获得的考生屏幕数据与考试时应当出现的屏幕数据进行比对，在诸如考生屏幕显示并非应考软件的情况下，判断出考生的作弊行为。作为进一步的优化，屏幕分析模块不需要预先获得考试时应当出现的屏幕数据，而是提取当前同时参加考试的全部考生的屏幕信息，得到当前应当出现的屏幕数据，并对差异较大的考生屏幕数据进行分析。例如，如果所有考生的屏幕上都应该出现应考软件的界面，某一个考生屏幕上出现的是别的应用程序的界面，则该考生的屏幕与其他考生屏幕存在较大差异，会被提取出来进行分析。

在另一个不同于专用考场和专用考试机的实施例中，系统被配置成包括一个主服务器和一个或多个非专用考试站，例如应试者自己的电脑。考试站可以通过调制解调器、一根电话线、一个ISDN连接、一种卫星链路、或某种其他的适当数据链路连接到主服务器。考生在开始考试之前，从主服务器下载安装软件包并在考试站上安装。在考试站上安装的软件包括生物统计测量装置和考生监督数据记录装置的支持软件，还包括进程监督模块、系统行为控制模块、考生监督数据处理模块以及与主服务器同步的异常监督样本数据。安装完软件后，系统首先提醒考生连接好相应的生物统计测量装置和考生监督数据记录装置，并通过输入生物统计数据进行身份认证，在身份认证通过后考生开始考试。在考试过程中，安装在考试站的软件对考试站进行近程监控和考生行为监控，记录考生监督数据并对考生监督数据和异常监督样本数据进行比对，当判断出现作弊行为时，根据行为性质执行警告考生或终止考试的操作，并将相应的考生监督数据上传到主服务器。如果考试机器连接有屏幕监督装置，则相应的，考试站上还会安装屏幕分析模块，对屏幕监督数据进行处理，判断是否出现作弊行为，并在判断出现作弊行为时，将相应的屏幕监督数据上传到主服务器。

本实施例还提供了一种将考生监督数据与异常监督样本数据进行比对，通过人脸姿势判断是否是作弊行为的方法，包括以下步骤：

步骤一、准备样品图像，样本图像分为正样本和负样本，即判定为正面人脸的图像和判定为非正面人脸的图像，根据样本图像生成分类器；

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ε_t为最小的值；

4)按照上一步得到的最佳弱分类器调整权重：

$w_{t+1,i}=w_{t,i}{{\mathrm{\β}}_t}^{1-e_i}$

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 ${\mathrm{\α}}_t=\log \frac{1}{{\mathrm{\β}}_t};$

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。

图6示出了本发明进行在线考试智能监控的方法，包括以下步骤：

(a)把核实的生物统计数据存储到一个中央站处；

(b)把异常监督样本数据存储到所述中央站；

(c)把考试问题数据存储到所述中央站；

(d)在远距离考试站输入考生生物统计数据，以开始考试过程；

(e)把所述考生生物统计数据传送给中央站，并比较考生生物统计数据和核实的生物统计数据，由此核实所述考生生物统计数据；

(f)使中央站存储的考试问题数据可在考试站得到；

(g)存储应答所述考试问题数据而存储的考试应答数据；

(h)在考试过程中，考试站记录考试时的考生监督数据并传送到中央站，在中央站将考生监督数据与异常监督样本数据进行比较，并判断考生是否存在异常考场行为；或者使中央站存储的异常监督样本数据可在考试站得到，并在考试站将考生监督数据与异常监督样本数据进行比较，并判断考生是否存在异常考场行为；如果存在异常考场行为，采取相应措施；

(i)在考试过程中，考试站对考试站上运行的进程进行监控管理，如果出现非法进程，采取相应措施；

(j)结束考试过程。

在集中式机房的实施方式中，当考生到达考试站2时，要求考生确认是否参加考试，而开始考试过程。当考生确认准备开始考试时，考试机器的考生监督数据记录装置开始工作，同时提示考生通过生物统计数据测量装置输入生物统计数据，例如，为拍摄考生的静态照片要求考生面对着摄像机，或者要求考生把他的手或手指放入适当的记录装置。

如果在测量生物统计数据时有无效事件，那么使考试过程无效，并且停止考试。例如，无效事件可能是在考试站摄像头里出现了两个人，或者企图非法或欺骗的输入生物数据。

如果输入生物统计数据的过程有效，考试站将生物统计数据上传到中央站。中央站将传送的考生生物统计数据与预存的考生核实生物统计数据进行比对，如果数据不匹配，则停止考试，否则将考试问题数据传送到考试站开始考试。

在考试过程中，考生对显示设备上出现的问题进行应答。在此过程中，考试站持续记录考生监督数据并上传到中央站，同时进行进程监控以及考生行为控制，监督考生是否运行了非法进程或者出现了非法操作，如果有则终止考试。中央站对接收的考生监督数据进行处理，与系统预存的作弊行为的特征进行比较，判断是否存在作弊行为，如果存在也终止考试。

根据本发明的非专用考试站实施方案进行在线考试智能监控的方法为：在开始考试之前，考生连接到中央站并通过诸如http、ftp等方式下载并在考试机器上运行考试软件包。安装过程中，软件包会在考试机器上部署生物统计测量装置和考生监督数据记录装置的支持软件，还包括进程监督模块、系统行为控制模块、考生监督数据处理模块以及与主服务器同步的异常监督样本数据。软件包安装好后，系统首先要求考生确认是否参加考试，而开始考试过程。当考生确认准备开始考试时，系统提示连接好生物统计测量装置和考生监督数据记录装置，并提示考生通过生物统计数据测量装置输入生物统计数据。如果输入生物统计数据的过程有效，考试站将生物统计数据上传到中央站。中央站将传送的考生生物统计数据与预存的考生核实生物统计数据进行比对，如果数据不匹配，则停止考试，否则将考试问题数据传送到考试站开始考试。在考试过程中，考生对显示设备上出现的问题进行应答。在此过程中，考试站持续记录考生监督数据并与系统预存的作弊行为的特征进行比较，同时进行进程监控以及考生行为控制，监督考生是否运行了非法进程或者出现了非法操作。如果考试站判断用户存在作弊行为，则终止考试，并将相应的考生监督数据或非法进程即系统行为数据上传到中央站。

在一个实施例中，为每个考试站连接一个屏幕监督装置，并在考试站部署相应的屏幕分析模块。在考试过程中，考试站记录考生屏幕，并将获得的考生屏幕数据与考试时应当出现的屏幕数据进行比对，判断是否出现无效事件。该比对也可以在当前同时参加考试的全部考生的屏幕数据之间进行，提取差异较大的考生屏幕数据进行分析。

本发明不仅限于以上实施例，凡是利用本发明的设计思路，做一些简单变化的设计，都应计入本发明的保护范围之内。

Claims (10)

1.一种在线考试智能监控方法，包括以下步骤：

(a)把核实的生物统计数据存储到一个中央站处；

(b)把异常监督样本数据存储到所述中央站；

(c)把考试问题数据存储到所述中央站；

(d)在远距离考试站输入考生生物统计数据，以开始考试过程；

(e)把所述考生生物统计数据传送给中央站，并比较考生生物统计数据和核实的生物统计数据，由此核实所述考生生物统计数据；

(f)使中央站存储的考试问题数据可在考试站得到；

(g)存储应答所述考试问题数据而存储的考试应答数据；

(h)在考试过程中，考试站记录考试时的考生监督数据并传送到中央站，在中央站将考生监督数据与异常监督样本数据进行比较，并判断考生是否存在异常考场行为；或者使中央站存储的异常监督样本数据可在考试站得到，并在考试站将考生监督数据与异常监督样本数据进行比较，并判断考生是否存在异常考场行为；如果存在异常考场行为，采取相应措施；

(i)在考试过程中，考试站对考试站上运行的进程进行监控管理，如果出现非法进程，采取相应措施；

(j)结束考试过程。

2.根据权利要求1所述的一种在线考试智能监控方法，其特征在于，所述考试站的考生生物统计数据以及考生监督数据均为由同一个摄像头得到的图像或视频数据。

3.根据权利要求1或2所述的一种在线考试智能监控方法，其特征在于，在考试的过程中，还包括每隔一定的时间提取考生生物统计数据，与中央站的核实生物统计数据进行比较的步骤。

4.根据权利要求1或2所述的一种在线考试智能监控方法，其特征在于，在考试过程中，还包括考试站对系统行为进行控制的步骤，该步骤在考试期间监视和记录用户输入，并判断用户的输入是否为系统预设的非法操作，如果是非法操作则禁止用户的操作。

5.根据权利要求1或2所述的一种在线考试智能监控方法，其特征在于，在考试过程中，还包括考试站对屏幕进行监督的步骤，以记录考试期间考生的屏幕数据。

6.根据权利要求5所述的一种在线考试智能监控方法，其特征在于，考试站对屏幕进行监督的装置是一个提供考试期间屏幕视频记录的摄像头，或者是通过操作系统的接口获得的屏幕数据，或者为直接从显卡数据缓冲区获得的屏幕显示数据。

7.根据权利要求5所述的一种在线考试智能监控方法，其特征在于，中央站或考试站还包括与屏幕监督步骤相应的屏幕分析步骤，将获得的考生屏幕数据与考试时应当出现的屏幕数据进行比对，判断出考生的作弊行为。

8.根据权利要求7所述的一种在线考试智能监控方法，其特征在于，屏幕分析步骤不需要预先获得考试时应当出现的屏幕数据，而是提取当前同时参加考试的全部考生的屏幕信息，得到当前应当出现的屏幕数据，并对差异较大的考生屏幕数据进行分析。

9.根据权利要求1或2所述的一种在线考试智能监控方法，其特征在于，考试站上安装的软件，由考生在开始考试之前，从中央站下载安装软件包并在考试站上安装。

10.根据权利要求1或2所述的一种在线考试智能监控方法，其特征在于，中央站或考试站将考生监督数据与异常监督样本数据进行比较的方法为，在考试的过程中，获取摄像头捕获的考生人脸图像，并对人脸姿势进行识别，从人脸姿势中判断是否存在作弊的情况，具体步骤包括：

步骤一、准备样品图像，样本图像分为正样本和负样本，即判定为正面人脸的图像和判定为非正面人脸的图像，根据样本图像生成分类器；

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ε_t为最小的值；

4)按照上一步得到的最佳弱分类器调整权重：

$w_{t+1,i}=w_{t,i}{{\mathrm{\β}}_t}^{1-e_i}$

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

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。

Images