CN111382672A - 在线考试的作弊监测方法和装置 - Google Patents
在线考试的作弊监测方法和装置 Download PDFInfo
- Publication number
- CN111382672A CN111382672A CN201911425431.1A CN201911425431A CN111382672A CN 111382672 A CN111382672 A CN 111382672A CN 201911425431 A CN201911425431 A CN 201911425431A CN 111382672 A CN111382672 A CN 111382672A
- Authority
- CN
- China
- Prior art keywords
- examination
- user
- cheating
- image
- user image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 241000209202 Bromus secalinus Species 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims description 43
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 230000002068 genetic effect Effects 0.000 claims description 15
- 230000008054 signal transmission Effects 0.000 claims description 15
- 238000012806 monitoring device Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 230000006399 behavior Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 206010000117 Abnormal behaviour Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种在线考试的作弊监测方法和装置。其中,该方法包括:在用户登录考试系统的情况下,启动摄像装置获取用户图像;依据所获取的用户图像判断所述用户是否考试作弊。本发明解决了考试抄袭识别软件应用范围比较狭隘,且存在识别结果稳定性差的问题;在线考试中机器设施会遮挡监考人员视线,导致监察失利的技术问题。
Description
技术领域
本发明涉及在线考试领域,具体而言,涉及一种在线考试的作弊监测方法和装置。
背景技术
考试是一种知识水平鉴定方法,通过考试可以检测学生在一个阶段内的学习成果。 一般考试目的分为两种,一种是检测考试者对某方面知识或技能的掌握程度与情况,另一种是检验考试人员是否已经具备获得某种资格的基本能力。现阶段考试衍生出了 教师资格考试、学生阶段性考试、艺术评级考试等形式,由于考试的类型与内容不同, 因此考试的形式也发生着变化。传统考试形式以笔试和面试为主,随着互联网行业的 飞速发展,考试的形式也不局限于传统的笔试和面试,相关工作人员按照各个学科的 考试特点,设计研发了在线考试系统。在线考试是一种现代的、全新的考试模型,考 试人员可以根据自身的特点,快速构建考试、测评、练习等功能于一体的网络化考试 平台。能轻松完成全员考核、技能考核、岗位评估等工作。
但是针对在线考试系统仍采用传统的作弊检测手段,例如:1、通过主考及监考人员监督考试过程,以杜绝作弊行为;2、使用考试抄袭识别软件CopyDetect,判断雷同 卷。
但是上述作弊检测手段存在诸多问题,例如:考试抄袭识别软件应用范围比较狭隘,且存在识别结果稳定性差的问题;在线考试中机器设施会遮挡监考人员视线,导 致监察失利。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种在线考试的作弊监测方法和装置,以至少解决考试抄袭识别软件应用范围比较狭隘,且存在识别结果稳定性差的问题;在线考试中机器设施 会遮挡监考人员视线,导致监察失利的技术问题。
根据本发明实施例的一个方面,提供了一种在线考试的作弊监测方法,包括:在用户登录考试系统的情况下,启动摄像装置获取用户图像;依据所获取的用户图像判 断所述用户是否考试作弊。
可选的,在依据所获取的用户图像判断所述用户是否考试作弊之前,所述方法还包括:对所获取的用户图像进行预处理,其中,所述经过预处理后的用户图像用于执 行“依据所获取的用户图像判断所述用户是否考试作弊”步骤。
可选的,对所获取的用户图像进行预处理可以包括:对所述用户图像进行分割处理,以保留人像区域并去除背景区域;以及对所述用户图像进行灰度化处理。
可选的,使用预处理后的用户图像判断所述用户是否考试作弊,包括:基于改进遗传算法提取所述用户图像中的特征点,并基于所述特征点得到人脸特征向量集合和 行为特征向量集合;以所述人脸特征向量集合为基础将所述用户图像转换为人脸识别 模型对应的形式,并通过所述人脸识别模型判断所述用户图像与所述考试账号在数据 库中对应存储的图像是否匹配,其中,若不匹配则确定存在作弊状态;依据如下公式 计算所述行为特征向量集合与作弊样本特征集合之间的相似性,并判断所述相似性是 否高于预设阈值,其中,若高于预设阈值则确定存在异常状态;
可选的,在依据所获取的用户图像判断所述用户是否考试作弊之后,所述方法还包括:依据判断出的作弊程度,启动相应的报警程序。
可选的,所述作弊监测方法还包括:在用户登录考试系统的情况下,获取所述考试系统所处的操作系统的运行信息;并依据所述运行信息判断所述操作系统是否运行 指定程序外的其他程序,若操作系统运行有所述其他程序则确定存在作弊状态;在用 户登录考试系统的情况下,获取所述考试系统与服务器之间的信号传输频率,判断所 述信号传输频率是否处于预设范围内,若所述信号传输频率未处于预设范围内则确定 存在异常状态。
可选的,所述作弊监测方法还包括:在所述数据库中建立人脸图像信息库,其中,所述人脸图像信息库包括第一人脸库和第二人脸库,所述第一人脸库的数据来源于考 试申请资粮,所述第二人脸库的数据来源于考试期间获取的用户图像。
根据本发明实施例的另一方面,还提供了一种在线考试的作弊监测装置,包括:获取单元,用于在用户登录考试系统的情况下,启动摄像装置获取用户图像;第一判 断单元,用于依据所获取的用户图像判断所述用户是否考试作弊。
可选的,所述装置还包括:预处理单元,用于在依据所获取的用户图像判断所述用户是否考试作弊之前,对所获取的用户图像进行预处理,其中,所述经过预处理后 的用户图像用于执行“依据所获取的用户图像判断所述用户是否考试作弊”步骤。
可选的,预处理单元包括:分割模块,用于对所述用户图像进行分割处理,以保 留人像区域并去除背景区域;灰度化模块,用于对所述用户图像进行灰度化处理。
可选的,所述判断单元,包括:获取模块,用于基于改进遗传算法提取所述用户 图像中的特征点,并基于所述特征点得到人脸特征向量集合和行为特征向量集合;第 一判断模块,用于以所述人脸特征向量集合为基础将所述用户图像转换为人脸识别模 型对应的形式,并通过所述人脸识别模型判断所述用户图像与所述考试账号在数据库 中对应存储的图像是否匹配,其中,若不匹配则确定存在作弊状态;第二判断模块, 用于依据如下公式计算所述行为特征向量集合与作弊样本特征集合之间的相似性,并 判断所述相似性是否高于预设阈值,其中,若高于预设阈值则确定存在异常状态,
可选的,所述装置还包括:报警单元,用于在依据所获取的用户图像判断所述用户是否考试作弊之后,依据判断出的作弊程度,启动相应的报警程序。
可选的,所述作弊监测装置还包括:第二判断单元,用于在用户登录考试系统的情况下,获取所述考试系统所处的操作系统的运行信息;并依据所述运行信息判断所 述操作系统是否运行指定程序外的其他程序,若操作系统运行有所述其他程序则确定 存在作弊状态;第三判断单元,用于在用户登录考试系统的情况下,获取所述考试系 统与服务器之间的信号传输频率,判断所述信号传输频率是否处于预设范围内,若所 述信号传输频率未处于预设范围内则确定存在异常状态。
可选的,所述作弊监测装置还包括:建立单元,用于在所述数据库中建立人脸图像信息库,其中,所述人脸图像信息库包括第一人脸库和第二人脸库,所述第一人脸 库的数据来源于考试申请资粮,所述第二人脸库的数据来源于考试期间获取的用户图 像。
根据本申请的另一方面,提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序执行上述任意一项所述的在线考试的作弊监测方法。
根据本申请的另一方面,提供了一种处理器,所述处理器用于运行程序,其中, 所述程序运行时执行上述任意一项所述的在线考试的作弊监测方法。
在本发明实施例中,通过在用户登录考试系统的情况下,启动摄像装置获取用户图像;依据所获取的用户图像判断所述用户是否考试作弊,解决了考试抄袭识别软件 应用范围比较狭隘,且存在识别结果稳定性差的问题;在线考试中机器设施会遮挡监 考人员视线,导致监察失利技术问题。达到了有效提高了监考的工作效率,实现无纸 化智能巡检新模式的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图 中:
图1是根据本发明实施例的在线考试的作弊监测方法;
图2是一种可选的拍摄设备的安装结构的示意图;
图3是一种可选的拍摄设备的设计电路图;
图4是一种可选的在线考试的作弊监测方法的流程示意图;
图5是一种可选的改进遗传算法的分析流程的示意图;
图6是一种可选的人脸特征提取流程的示意图;
图7是一种可选的人脸识别模型的示意图;
图8是一种可选的异常状态匹配的示意图;
图9是根据本发明实施例的在线考试的作弊监测装置;
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例 仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领 域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于 本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这 样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在 这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的 任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方 法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚 地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种在线考试的作弊监测的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执 行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处 的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的在线考试的作弊监测方法,如图1所示,该方法包括 如下步骤:
步骤S102,在用户登录考试系统的情况下,启动摄像装置获取用户图像。
需要说明的是:用户在考试系统的登录页面中输入账号和密码、并触发登录控件后则视为用户登录考试系统。
还需要说明的是:摄像装置包括第一摄像机和第二摄像机,其中,第一摄像机设于用于登录考试系统的计算机显示器的正上方区域,以避免因镜头角度产生的结果偏 差;第二摄像机设置于用于登录考试系统的计算机显示器的左侧区域/右侧区域,具体 如图2所示。
其中,第一摄像机所获取的第一用户图像至少包括:考生的人脸识别参数,以验证考试人员是否为本人;第二摄像机所获取的第二用户图像至少包括:考生的身体位 置、头部位置、眼睛位置和手臂位置,以确定考生是否存在作弊等异常状态和行为。 也即,用户图像包括第一用户图像和第二用户图像,其中,所述第一用户图像包括用 户的人脸识别参数;所述第二用户图像至少包括用户的身体位置参数,例如:头部位 置、眼睛位置和手臂位置。
其中,针对不同的摄像机设置不同的采集参数。当用户在考试系统的登录页面中输入账号和密码、并触发登录控件时,第一摄像机则立即启动对用户进行拍照处理, 且第一摄像机的启动时间为1分钟。而第二摄像机对用户进行拍照处理的启动时间与 第一摄像机的启动时间相同,但是第二摄像机的关闭时间为考试结束时间(考试系统 中的预设结束时间、或用户提前交卷时间),其中,第二摄像机可连续工作2h,图像 采集的间隔时间为0.5秒。
需要说明的是:一般考试系统的硬件设备所采集到的图像信息会出现虚焦、延时、框图小等问题,避免上述情况发生,因此在本申请实施例中的摄像装置采用广角镜头。 同时,在本申请实施例中的摄像装置内部连接控制电路,以实现实时采集的效果,其 中,控制电路的设计与连接情况如图3所示。
步骤S104,依据所获取的用户图像判断所述用户是否考试作弊。
举例说明:如图4所示,当考生进入考场后选择对应的考试计算机,使用账号和 密码登陆到考试系统中。其中,当考生进入登陆界面后将自动启动计算机的摄像头装 置,拍摄第一张人脸信息。拍照结束后,将照片上传到服务器进行后台处理,判断该 考生是否与报名提交照片一致。进一步的,若考生通过身份验证后则进入考试系统, 利用图像采集装置(实时采集设备)采集实时画面,并以采集的用户图像作为初始数 据进行下一步的异常分析。考试结束后,在线智能考试系统将考生的答案提交到服务 器,同时也会将完整的监控视频和拍摄图像一并上传到服务器中,以备日后查验。
也即,依据所获取的用户图像判断所述用户是否考试作弊包括:获取用户在所述考试系统登录的登录账户,并将所述第一用户图像与所述登录账户的用户人脸信息进 行比对,进而基于比对结果判断所述用户是否考试作弊;基于所述第二用户图像确定 所述用户的活动范围,并将所述用户的活动范围与预设活动范围进行比对,进而基于 比对结果确定所述用户是否考试作弊。
进一步的,对基于用户图像进行异常分析进行举例说明。即,以用户图像的左下角为原点,建立X-Y坐标系,并标定考试人员正常的活动区域,可以用公式(1)来 表示;经过对实时监控序列的分析和研究,可以确定考生的一个正常活动范围,可以 用公式(2)来表示。
此时,当监控到的考生位置在规定的正常范围内,则无异常状态;若超出该范围,则表示考生的身体倾斜,存在异常状态。同理可以划分考生手臂、头以及眼睛等位置 的正常活动范围。
在一个可选的实施例中,在依据所获取的用户图像判断所述用户是否考试作弊之前,所述方法还包括:对所获取的用户图像进行预处理,其中,所述经过预处理后的 用户图像用于执行“依据所获取的用户图像判断所述用户是否考试作弊”步骤。
具体的,对所获取的用户图像进行预处理可以包括:1、对所述用户图像进行分割处理,以保留人像区域并去除背景区域;2、对所述用户图像进行灰度化处理。
也即,由于考试环境中的信号分布较为复杂,采集到的用户图像往往存在噪声等因素,严重影响后续步骤中对异常行为的特征提取与识别,因此需要对采集到的用户 图像进行预处理。
1、对所述用户图像进行分割处理,以保留人像区域并去除背景区域。
首先,定义背景图像为静止状态,且用户(考生)的异常行为属于运动目标。设 B为用户图像中的背景图像,b(x,y)表示的是B中像素(x,y)的灰度值,在所采集的视 频形式的用户图像序列中第t帧图像的灰度为i(x,y,t),那么考试采集图像中目标对象 的像素减去背景图形得到的像素灰度值可以用如下公式表示:
式中,Ωot与Ωbt分别表示第t帧视频图像中用户所占据的区域,以及第t帧视频图像中背景图像所占据的区域,也即,Ωot与 Ωbt分别表示第t帧视频图像中考生目标与背景所占据的共同区域,以及显示的背景与 背景图像相或得到的区域。进一步在图像分割过程中,需将Ωot对应的区域提取出来, Ωbt对应的区域去除。
2、对所述用户图像进行灰度化处理。
用户图像为RGB模式(或,图像分割处理的结果图像为RGB模式),为实现对 用户图像的灰度化处理,需将用户图像转换到YUV颜色模型中,随后求出每一个像 素点对应的颜色分量的平均值,得出的灰度值集合即为灰度化处理结果。其中,RGB 与YUV颜色模型的转换公式如下:
在一个可选的实施例中,使用预处理后的用户图像判断所述用户是否考试作弊,包括如下步骤:
步骤S1:基于改进遗传算法提取所述用户图像中的特征点,并基于所述特征点得到人脸特征向量集合和行为特征向量集合。
需要说明的是:改进遗传算法是为了搜索特征点,将特征点的搜索看成一个求函数最大值的优化问题的算法模型,而本申请实施例中采用改进遗传算法的上述公式来 获取用户图像中的特征点。其中,改进遗传算法可用下式来表示:
进一步的,利用改进遗传算法分析用户图像的过程如图5所示。也即,按照遗传 算法的操作过程,首先初始化种群,设置进化代数t的值为1,同时随机生成N个编 码长度为L的个体作为初始种群。接着执行算法的选择与搜索操作,计算当前种群的 多样性评价参数,并宏观调整种群的操作概率。使用种群中个体适应度的标准差,和 改进自适应的变异交叉概率公式,而得出第t代种群的交叉、变异的概率范围。最后 根据求解结果以及种群中个体的适应度,替换策略选择父代或子代个体组成个体集合。
其中,若变异产生的子代个体优于父代个体,则用子代优化结果代替父代个体,否则选择以小概率接受子代个体。最终保留下图像中的最优特征点以作为用户图像的 改进遗传算法的分析结果。
其中,进自适应的变异交叉概率公式为:
进一步的,在改进遗传算法的分析结果的基础上,分别从人脸特征和行为特征两个方面,提取用户图像中的异常特征以作为人脸特征向量集合和行为特征向量集合。 也即,在基于改进遗传算法提取第一用户图像的特征点的情况下,则可以基于所得到 的特征点得到人脸特征向量集合;在基于改进遗传算法提取第二用户图像的特征点的 情况下,则可以基于所得到的特征点得到行为特征向量集合。
其中,人脸特征向量集合的提取过程如图6所示。同理,按照相同的操作步骤, 分析用户图像中身体、头部和手的位置等参数信息特征,综合多方面的特征提取结果, 形成用户图像的特征向量集。
步骤S2:以所述人脸特征向量集合为基础将所述用户图像转换为人脸识别模型对应的形式,并通过所述人脸识别模型判断所述用户图像与所述考试账号在数据库中对 应存储的图像是否匹配,其中,若不匹配则确定存在作弊状态。
需要说明的是:人脸识别是为了验证在线智能考试中,是否存在替考作弊的异常行为。而在人脸识别的过程中需要先构建人脸识别模型,其中,人脸识别模型如图7 所示;并把采集的用户图像转换为该人脸识别模型中显示的形式,接着以人脸提取的 特征向量为基准,与人脸信息库中的考试账号对应存储的图像做比对,从而得出对应 的人脸识别结果。若识别结果与报考人员信息相同,则不存在替考作弊行为。
步骤S3:依据预设公式计算所述行为特征向量集合与作弊样本特征集合之间的相似性,并判断所述相似性是否高于预设阈值,若高于预设阈值则确定存在异常状态; 其中,预设公式为:式中,vp表示 的是用户图像的行为特征向量,rp表示作弊样本的行为特征向量,mp为特征向量对应 的权重,p表示考试异常状态特征分量的维度。
也即,使用异常行为特征匹配的方式,实现对考试异常行为状态的识别,其中, 特征匹配情况如图8所示。
举例说明:设置相似度的预设阙值为0.85,若Sim的计算结果高于0.85,则判定 用户在考试过程中存在异常状态,且输出相应的异常状态识别结果;若Sim的计算结 果没有高于0.85,则进行下一帧的状态识别
最后,在依据所述获取的用户图像判断所述用户是否考试作弊之后,所述方法还包括:依据判断出的作弊程度,启动相应的报警程序,其中,若确定用户存在异常状 态,则通知监考老师;若确定用户存在作弊状态,则通知监考老师并取消该用户的考 试成绩。进一步的,若用户存在异常状态严重等级得到阈值,也取消该用户的考试成 绩。
举例说明:一般情况下,当存在替考异常行为时,将立即通过局域网通知监考教师处理。另外在考试过程中出现作弊异常状态时,除通知监考教师外,还应基于作弊 异常状态的具体情况决定是否取消该考生的考试成绩。
需要说明的是:现阶段使用的在线智能考试系统,只允许Windows操作系统运行特定的浏览器,并与特定的服务器连接。而在考试过程中,考试人员可以通过篡改系 统后台程序的方法,接收由其他服务器发送到客户端的信息,运行非指定浏览器。因 此当考试信号异常状态识别时,可以根据服务器接收信号的频率来判断网络信息是否 为正常信息。
也即,所述作弊监测方法还包括:在用户登录考试系统的情况下,获取所述考试系统所处的操作系统的运行信息;并依据所述运行信息判断所述操作系统是否运行指 定程序外的其他程序,若操作系统运行有所述其他程序则确定存在作弊状态;在用户 登录考试系统的情况下,获取所述考试系统与服务器之间的信号传输频率,判断所述 信号传输频率是否处于预设范围内,若所述信号传输频率未处于预设范围内则确定存 在异常状态。
举例说明:假设考试系统的正常运行信号频率为f,受到环境干扰的影响产生约f0的偏差,则当检测到考试产生的信号频率不在[f-f0,f+f0]区间内,则存在异常状 态,其中,网络信号采集装置的开启与关闭时间则由监考人员控制,可连续工作12 小时。
需要说明的是:所述作弊监测方法还包括:在所述数据库中建立人脸图像信息库,其中,所述人脸图像信息库包括第一人脸库和第二人脸库,所述第一人脸库的数据来 源于考试申请资粮,所述第二人脸库的数据来源于考试期间获取的用户图像。
也即,人脸图像数据库的搭建分为两个环节。考生在申请考试时,申请资料包含考生照片,将所有报考人员的照片截取出来,存储在服务器对应的内存器中,形成人 脸图像信息库1。随之在考试期间,利用安装的图像采集设备,将实时采集到的视频 信息,以逐帧输出的方式提取,选择增加符合人脸模型的图像存储到存储器中,搭建 成人脸图像信息库2。
综上所述,本申请提出的在线考试的作弊监测方法,有效改善了传统方法的缺陷,且有效提高了监考的工作效率,实现了无纸化智能巡检新模式,而这对在线智能考试 系统的运行具有现实意义。
本申请实施例还提供了一种在线考试的作弊监测装置,需要说明的是,本申请实施例的在线考试的作弊监测装置可以用于执行本申请实施例所提供的用于在线考试的 作弊监测方法。以下对本申请实施例提供的在线考试的作弊监测装置进行介绍。
图9是根据本申请实施例的在线考试的作弊监测装置的示意图。如图9所示,该 装置包括:获取单元10和第一判断单元20。
获取单元10,用于在用户登录考试系统的情况下,启动摄像装置获取用户图像。
第一判断单元20,用于依据所获取的用户图像判断所述用户是否考试作弊。
可选的,所述装置还包括:预处理单元,用于在依据所获取的用户图像判断所述用户是否考试作弊之前,对所获取的用户图像进行预处理,其中,所述经过预处理后 的用户图像用于执行“依据所获取的用户图像判断所述用户是否考试作弊”步骤。
可选的,预处理单元包括:分割模块,用于对所述用户图像进行分割处理,以保 留人像区域并去除背景区域;灰度化模块,用于对所述用户图像进行灰度化处理。
可选的,所述判断单元,包括:获取模块,用于基于改进遗传算法提取所述用户 图像中的特征点,并基于所述特征点得到人脸特征向量集合和行为特征向量集合;第 一判断模块,用于以所述人脸特征向量集合为基础将所述用户图像转换为人脸识别模 型对应的形式,并通过所述人脸识别模型判断所述用户图像与所述考试账号在数据库 中对应存储的图像是否匹配,其中,若不匹配则确定存在作弊状态;第二判断模块, 用于依据如下公式计算所述行为特征向量集合与作弊样本特征集合之间的相似性,并 判断所述相似性是否高于预设阈值,其中,若高于预设阈值则确定存在异常状态,
可选的,所述装置还包括:报警单元,用于在依据所获取的用户图像判断所述用户是否考试作弊之后,依据判断出的作弊程度,启动相应的报警程序。
可选的,所述作弊监测装置还包括:第二判断单元,用于在用户登录考试系统的情况下,获取所述考试系统所处的操作系统的运行信息;并依据所述运行信息判断所 述操作系统是否运行指定程序外的其他程序,若操作系统运行有所述其他程序则确定 存在作弊状态;第三判断单元,用于在用户登录考试系统的情况下,获取所述考试系 统与服务器之间的信号传输频率,判断所述信号传输频率是否处于预设范围内,若所 述信号传输频率未处于预设范围内则确定存在异常状态。
可选的,所述作弊监测装置还包括:建立单元,用于在所述数据库中建立人脸图像信息库,其中,所述人脸图像信息库包括第一人脸库和第二人脸库,所述第一人脸 库的数据来源于考试申请资粮,所述第二人脸库的数据来源于考试期间获取的用户图 像。
本申请实施例提供的在线考试的作弊监测装置,通过获取单元10在用户登录考试系统的情况下,启动摄像装置获取用户图像;第一判断单元20依据所获取的用户图像 判断所述用户是否考试作弊,改善了传统方法的缺陷,且有效提高了监考的工作效率, 实现了无纸化智能巡检新模式,而这对在线智能考试系统的运行具有现实意义。
所述在线考试的作弊监测装置包括处理器和存储器,上述获取单元10和第一判断单元20等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序 单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来改善传统方法的缺陷。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述在线考试的作弊监测方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述在线考试的作弊监测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分, 可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件 可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所 显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模 块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到 多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案 的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成 的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时, 可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的 形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一 台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所 述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者 光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润 饰也应视为本发明的保护范围。
Claims (10)
1.一种在线考试的作弊监测方法,其特征在于,包括:
在用户登录考试系统的情况下,启动摄像装置获取用户图像;
依据所获取的用户图像判断所述用户是否考试作弊。
2.根据权利要求1所述的在线考试的作弊监测方法,其特征在于,在依据所获取的用户图像判断所述用户是否考试作弊之前,所述方法还包括:对所获取的用户图像进行预处理,其中,所述经过预处理后的用户图像用于执行“依据所获取的用户图像判断所述用户是否考试作弊”步骤。
3.根据权利要求2所述的在线考试的作弊监测方法,其特征在于,对所获取的用户图像进行预处理可以包括:对所述用户图像进行分割处理,以保留人像区域并去除背景区域;以及对所述用户图像进行灰度化处理。
4.根据权利要求2所述的在线考试的作弊监测方法,其特征在于,使用预处理后的用户图像判断所述用户是否考试作弊,包括:
基于改进遗传算法提取所述用户图像中的特征点,并基于所述特征点得到人脸特征向量集合和行为特征向量集合;
以所述人脸特征向量集合为基础将所述用户图像转换为人脸识别模型对应的形式,并通过所述人脸识别模型判断所述用户图像与所述考试账号在数据库中对应存储的图像是否匹配,其中,若不匹配则确定存在作弊状态;
依据如下公式计算所述行为特征向量集合与作弊样本特征集合之间的相似性,并判断所述相似性是否高于预设阈值,其中,若高于预设阈值则确定存在异常状态,
5.根据权利要求4所述的在线考试的作弊监测方法,其特征在于,在依据所获取的用户图像判断所述用户是否考试作弊之后,所述方法还包括:
依据判断出的作弊程度,启动相应的报警程序。
6.根据权利要求1-5中任意项所述的在线考试的作弊监测方法,其特征在于,所述作弊监测方法还包括:
在用户登录考试系统的情况下,获取所述考试系统所处的操作系统的运行信息;并依据所述运行信息判断所述操作系统是否运行指定程序外的其他程序,若操作系统运行有所述其他程序则确定存在作弊状态;
在用户登录考试系统的情况下,获取所述考试系统与服务器之间的信号传输频率,判断所述信号传输频率是否处于预设范围内,若所述信号传输频率未处于预设范围内则确定存在异常状态。
7.根据权利要求1-5中任意项所述的在线考试的作弊监测方法,其特征在于,所述作弊监测方法还包括:在所述数据库中建立人脸图像信息库,其中,所述人脸图像信息库包括第一人脸库和第二人脸库,所述第一人脸库的数据来源于考试申请资粮,所述第二人脸库的数据来源于考试期间获取的用户图像。
8.一种在线考试的作弊监测装置,其特征在于,包括:
获取单元,用于在用户登录考试系统的情况下,启动摄像装置获取用户图像;
第一判断单元,用于依据所获取的用户图像判断所述用户是否考试作弊。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述在线考试的作弊监测方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任意一项所述在线考试的作弊监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911425431.1A CN111382672A (zh) | 2019-12-31 | 2019-12-31 | 在线考试的作弊监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911425431.1A CN111382672A (zh) | 2019-12-31 | 2019-12-31 | 在线考试的作弊监测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111382672A true CN111382672A (zh) | 2020-07-07 |
Family
ID=71221431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911425431.1A Pending CN111382672A (zh) | 2019-12-31 | 2019-12-31 | 在线考试的作弊监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382672A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084994A (zh) * | 2020-09-21 | 2020-12-15 | 哈尔滨二进制信息技术有限公司 | 一种在线监考远程视频作弊研判系统及方法 |
CN112149553A (zh) * | 2020-09-21 | 2020-12-29 | 西安工程大学 | 一种考试作弊行为识别方法 |
CN112532918A (zh) * | 2020-10-25 | 2021-03-19 | 泰州锐比特智能科技有限公司 | 网课考试防作弊监控平台及方法 |
CN112686311A (zh) * | 2020-12-30 | 2021-04-20 | 杭州电子科技大学 | 一种在线考试系统 |
CN113706767A (zh) * | 2021-10-27 | 2021-11-26 | 深圳市恒裕惠丰贸易有限公司 | 一种自动识别钱币面值的登记储存系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292783A (zh) * | 2017-06-26 | 2017-10-24 | 深圳市斯维尔科技股份有限公司 | 在线考试监考方法、装置、终端及计算机可读存储介质 |
CN107797902A (zh) * | 2016-09-06 | 2018-03-13 | 北京百度网讯科技有限公司 | 用于监控机器人操作系统的消息传输频率的方法和装置 |
CN108985212A (zh) * | 2018-07-06 | 2018-12-11 | 深圳市科脉技术股份有限公司 | 人脸识别方法及装置 |
CN109961000A (zh) * | 2018-10-22 | 2019-07-02 | 大连艾米移动科技有限公司 | 一种智能考场防作弊系统 |
-
2019
- 2019-12-31 CN CN201911425431.1A patent/CN111382672A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797902A (zh) * | 2016-09-06 | 2018-03-13 | 北京百度网讯科技有限公司 | 用于监控机器人操作系统的消息传输频率的方法和装置 |
CN107292783A (zh) * | 2017-06-26 | 2017-10-24 | 深圳市斯维尔科技股份有限公司 | 在线考试监考方法、装置、终端及计算机可读存储介质 |
CN108985212A (zh) * | 2018-07-06 | 2018-12-11 | 深圳市科脉技术股份有限公司 | 人脸识别方法及装置 |
CN109961000A (zh) * | 2018-10-22 | 2019-07-02 | 大连艾米移动科技有限公司 | 一种智能考场防作弊系统 |
Non-Patent Citations (1)
Title |
---|
段秀娟;: "智能化考试状态识别监控方法研究与仿真" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084994A (zh) * | 2020-09-21 | 2020-12-15 | 哈尔滨二进制信息技术有限公司 | 一种在线监考远程视频作弊研判系统及方法 |
CN112149553A (zh) * | 2020-09-21 | 2020-12-29 | 西安工程大学 | 一种考试作弊行为识别方法 |
CN112532918A (zh) * | 2020-10-25 | 2021-03-19 | 泰州锐比特智能科技有限公司 | 网课考试防作弊监控平台及方法 |
CN112532918B (zh) * | 2020-10-25 | 2021-11-05 | 北方至信人力资源评价(北京)有限公司 | 网课考试防作弊监控平台及方法 |
CN112686311A (zh) * | 2020-12-30 | 2021-04-20 | 杭州电子科技大学 | 一种在线考试系统 |
CN113706767A (zh) * | 2021-10-27 | 2021-11-26 | 深圳市恒裕惠丰贸易有限公司 | 一种自动识别钱币面值的登记储存系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111382672A (zh) | 在线考试的作弊监测方法和装置 | |
CN109522815B (zh) | 一种专注度评估方法、装置及电子设备 | |
CN107609493B (zh) | 优化人脸图片质量评价模型的方法及装置 | |
CN100361131C (zh) | 信息处理设备、信息处理方法 | |
CN110945522B (zh) | 一种学习状态的判断方法、装置及智能机器人 | |
CN109298785A (zh) | 一种监测设备的人机联控系统及方法 | |
Hu et al. | Research on abnormal behavior detection of online examination based on image information | |
CN110110601A (zh) | 基于多时空注意力模型的视频行人重识别算法及装置 | |
CN111126366B (zh) | 一种活体人脸的判别方法、装置、设备及存储介质 | |
CN109919754A (zh) | 一种数据获取方法、装置、终端及存储介质 | |
CN110909722A (zh) | 基于目标动作检测的防作弊摄像头 | |
CN111598049B (zh) | 作弊识别方法和装置、电子设备、以及介质 | |
CN110543848B (zh) | 一种基于三维卷积神经网络的驾驶员动作识别方法及装置 | |
CN111291613A (zh) | 一种课堂表现评价方法及系统 | |
CN115205764B (zh) | 基于机器视觉的在线学习专注度监测方法、系统及介质 | |
CN112633221A (zh) | 一种人脸方向的检测方法及相关装置 | |
CN110781762A (zh) | 一种基于姿态的考试作弊检测方法 | |
EP1908016B1 (en) | Event detection method and video surveillance system using said method | |
CN113642507A (zh) | 基于多摄像头同人检测的考试监控方法、系统、设备及介质 | |
CN111310647A (zh) | 自动识别跌倒模型的生成方法和装置 | |
CN110175553A (zh) | 基于步态识别与人脸识别建立特征库的方法及装置 | |
CN114971425B (zh) | 数据库信息监控方法、装置、设备及存储介质 | |
CN116580432A (zh) | 一种在线考试监控方法、系统、计算设备及存储介质 | |
Yang et al. | Abnormal state recognition method for online intelligent examination based on improved genetic algorithm | |
CN112182537A (zh) | 监控方法、装置、服务器、系统以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200707 |
|
RJ01 | Rejection of invention patent application after publication |