CN111783554A - 考场违纪行为判别方法及系统 - Google Patents
考场违纪行为判别方法及系统 Download PDFInfo
- Publication number
- CN111783554A CN111783554A CN202010524781.XA CN202010524781A CN111783554A CN 111783554 A CN111783554 A CN 111783554A CN 202010524781 A CN202010524781 A CN 202010524781A CN 111783554 A CN111783554 A CN 111783554A
- Authority
- CN
- China
- Prior art keywords
- examinee
- distance
- examination room
- examination
- 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 51
- 238000012360 testing method Methods 0.000 claims abstract description 109
- 230000006399 behavior Effects 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000009825 accumulation Methods 0.000 claims description 13
- 210000005069 ears Anatomy 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims 1
- 238000012850 discrimination method Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 41
- 230000001186 cumulative effect Effects 0.000 description 12
- 230000009471 action Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 108700041286 delta Proteins 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Educational Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Social Psychology (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及考场及监考领域,公开了一种考场违纪行为判别方法及系统,可以准确有效地判别无人监考环境下的考场违纪行为,确保无人监考的网络化考试的可信度和有效性。该方法包括:获取第一考生和第二考生的座位信息和试题的答题信息;根据该座位信息计算第一考生和第二考生之间的座位距离;根据该答题信息分别计算该第一考生和第二考生的答题文本相似度和试题得分率;根据该座位距离、该答题文本相似度和该试题得分率计算对应于该第一考生和第二考生的考场违纪评分;以及根据该考场违纪评分判断该第一考生和第二考生之间是否存在相互抄袭的考场违纪行为。
Description
技术领域
本申请涉及考试及监考领域,特别涉及考场违纪行为判别技术。
背景技术
网络化考场具有考试流程无纸化、出卷快捷、考试组织实施方便等优点,已得到广泛应用。近年来,随着人工智能技术的成熟,网络化考场无人监考功能得到了大力推广,从而推动了考场违纪行为判别相关技术的迅速发展。然而,现有的考场违纪行为判别的准确率较低,阻碍了无人监考的发展。
发明内容
本申请的目的在于提供一种考场违纪行为判别方法及系统,可以准确有效地判别无人监考环境下的考场违纪行为,确保无人监考的网络化考试的可信度和有效性。
本申请公开了一种考场违纪行为判别方法,包括:
获取考场内考生的座位信息和试题的答题信息,所述答题信息包括答题文本和试题得分;
根据所述座位信息计算第一考生和第二考生之间的座位距离;
根据所述答题信息分别计算所述第一考生和第二考生的答题文本相似度、试题得分率;
根据所述座位距离、所述答题文本相似度和所述试题得分率计算对应于所述第一考生和第二考生的考场违纪评分;
根据所述考场违纪评分判断所述第一考生和第二考生之间是否存在相互抄袭的考场违纪行为。
在一个优选例中,所述根据所述座位距离、所述答题文本相似度和所述试题得分率计算对应于所述第一考生和第二考生的考场违纪评分之前,还包括:
获取考场内考生的局部图像;
根据所述局部图像分别计算所述第一考生和第二考生的局部移动累计距离;
所述根据所述座位距离、所述答题文本相似度和所述试题得分率计算对应于所述第一考生和第二考生的考场违纪评分,进一步包括:
根据所述座位距离、所述答题文本相似度、所述试题得分率和所述局部移动累计距离计算对应于所述第一考生和第二考生的考场违纪评分。
在一个优选例中,所述根据所述座位距离、所述答题文本相似度和所述试题得分率计算对应于所述第一考生和第二考生的考场违纪评分之前,还包括:
获取考场内考生的全局图像;
根据所述全局图像分别计算所述第一考生和第二考生的身体移动累计距离;
所述根据所述座位距离、所述答题文本相似度和所述试题得分率计算对应于所述第一考生和第二考生的考场违纪评分,进一步包括:
根据所述座位距离、所述答题文本相似度、所述试题得分率、所述局部移动累计距离和所述身体移动累计距离计算对应于所述第一考生和第二考生的考场违纪评分。
在一个优选例中,还包括:
获取考场内考生的局部图像;
根据所述局部图像计算考试时间内考生的局部移动累计距离,如果某一考生的局部移动累计距离大于第一预设阈值,则判定该考生存在交头接耳的考场违纪行为。
在一个优选例中,所述局部图像为脸部图像;
所述获取考场内考生的局部图像,进一步包括:
每隔第一预设时长从设置于考试计算机上的第一图像采集单元获取对应考生的脸部图像帧;
所述根据所述局部图像计算考试时间内考生的局部移动累计距离,如果某一考生的局部移动累计距离大于第一预设阈值,则判定该考生存在交头接耳的考场违纪行为,进一步包括:
计算所述对应考生的当前图像帧与上一图像帧的脸部中心位置的移动距离;
对所述对应考生在考试时间内的所有相邻图像帧的所述脸部中心位置的移动距离进行累加计算,确定所述对应考生的脸部移动累计距离;
如果某一考生的局部移动累计距离大于第一预设阈值,则判定该考生存在交头接耳的考场违纪行为。
在一个优选例中,还包括:
获取考场内考生的全局图像;
根据所述全局图像确定考生的身体移动累计距离,如果某一考生的身体移动累计距离大于第二预设阈值,则判定该考生存在随意走动的考场违纪行为。
在一个优选例中,获取考场内考生的全局图像,进一步包括:
每隔第二预设时长从设置于考场内的第二图像采集单元获取其拍摄范围内考生的全局图像帧;
所述根据所述全局图像确定考生的身体移动累计距离,如果某一考生的身体移动累计距离大于第二预设阈值,则判定该考生存在随意走动的考场违纪行为,进一步包括:
根据所述座位信息将所述全局图像帧划分为多个区域,每个座位对应一个区域;
分别将每个区域的当前图像帧与上一图像帧转化为灰度图后作差,并将差值图进行二值图化处理,生成对应的二值图;
将每个区域在考试时间内的所有相邻图像帧对应的所述二值图中的像素点进行累加计算,确定对应考生的身体移动累计距离;
如果某一考生的身体移动累计距离大于第二预设阈值,则判定该考生存在随意走动的考场违纪行为。
本申请还公开了一种考场违纪行为判别系统包括:
获取模块,用于获取考场内考生的座位信息和试题的答题信息,所述答题信息包括答题文本和试题得分;
计算模块,用于根据所述座位信息计算第一考生和第二考生之间的座位距离,根据所述答题信息分别计算所述第一考生和第二考生的答题文本相似度、试题得分率,以及根据所述座位距离、所述答题文本相似度和所述试题得分率计算对应于所述第一考生和第二考生的考场违纪评分;以及,
判断模块,根据所述考场违纪评分判断所述第一考生和第二考生之间是否存在相互抄袭的考场违纪行为。
本申请还公开了一种考场违纪行为判别系统包括:
存储器,用于存储计算机可执行指令;以及,
处理器,用于在执行所述计算机可执行指令时实现如前文描述的方法中的步骤。
本申请还公开了一种计算机可读存储介质所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现如前文描述的方法中的步骤。
本申请实施方式中,至少包括以下优点和有益效果:
根据考场内两个考生之间的座位距离、答题信息的文本相似度和试题的得分率的多个参数评分项计算两个考生的考场违纪评分,进而判别考试期间各考生之间是否相互抄袭,可以准确有效地判别无人监考环境下的抄袭行为的发生,确保无人监考的网络化考试的可信度和有效性。
进一步地,增加局部(例如脸部)移动距离参数评分项和身体移动累计距离项计算两个考生的考场违纪评分,提高了抄袭行为判别的准确度,同时也提高了无人监考的网络化考试的可信度和有效性。
进一步地,通过获取考场内全局图像和考生局部图像(例如脸部图像),计算考生的局部移动累计距离和身体移动累计距离,进而判别考试期间各考生是否交头接耳和随意走动,实现了准确有效地判别考生绝大部分的考场违纪行为,也进一步提高了无人监考的网络化考试的可信度和有效性。
进一步地,在获得准确有效的考场违规的判别结果后,可以以告警的形式提示考场管理员,大大节省监考方面的人力资源。
此外,本申请的实施方式可以合理利用已有的硬件资源,例如可以采用已有的考生计算机摄像头作为第一图像采集单元来采集考生局部图像,以及可以采用已有的考场摄像机作为第二图像采集单元来采集考场内全局图像等,在不增加硬件成本的前提条件下,实现了多种考场违纪行为的准确有效判别,易于实施,可以有效节约教育资源。
本申请的说明书中记载了大量的技术特征,分布在各个技术方案中,如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话,会使得说明书过于冗长。为了避免这个问题,本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征,都可以自由地互相组合,从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载),除非这种技术特征的组合在技术上是不可行的。例如,在一个例子中公开了特征A+B+C,在另一个例子中公开了特征A+B+D+E,而特征C和D是起到相同作用的等同技术手段,技术上只要择一使用即可,不可能同时采用,特征E技术上可以与特征C相组合,则,A+B+C+D的方案因技术不可行而应当不被视为已经记载,而A+B+C+E的方案应当视为已经被记载。
附图说明
图1是根据本申请第一实施方式的考场违纪行为判别方法流程示意图;
图2是根据本申请的第一考生和第二考生之间的座位距离的示例计算方法;
图3是根据本申请第一实施方式的步骤m和n的示例实现方式;
图4是根据本申请第二实施方式的考场违纪行为判别系统结构示意图。
具体实施方式
在以下的叙述中,为了使读者更好地理解本申请而提出了许多技术细节。但是,本领域的普通技术人员可以理解,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请的实施方式作进一步地详细描述。
本申请的第一实施方式涉及一种考场违纪行为判别方法,其流程如图1所示,该方法包括以下步骤:
在步骤101中,获取考场内考生的座位信息和试题的答题信息,所述答题信息包括答题文本和试题得分。
优选地,该试题为主观试题。
其中,该座位信息可以包括考生标识和座位标识的对应关系。该座位信息可以例如是在考试前预先存储在用于考场违纪行为判别的服务端,考试时直接获取即可;该座位信息还可以例如是在考生落座后,根据考生输入的证件号(例如准考证号)或者通过考生所使用的考试设备(例如考试计算机)对考生进行人脸识别来确定等。
之后,进入步骤102中,根据该座位信息计算第一考生和第二考生之间的座位距离。
其中,步骤102中的第一考生和第二考生之间的座位距离例如可以通过以下方法确定:如图2所示,第一考生(例如张三)的考试座位位于B1,第二考生(例如李四)的考试座位位于D4,张三和李四之间的座位距离可以为4+2=6。
之后,进入步骤103中,根据该答题信息分别计算该第一考生和第二考生的答题文本相似度和试题得分率。
其中,该第一考生和第二考生的答题文本相似度例如可以基于google的simHash汉明距离确定,答题文本相似度的取值范围为[0%,100%]。该第一考生和第二考生的试题得分率为该试题实际得分与该试题满分分值的比值。
之后,进入步骤104中,根据该第一考生和第二考生之间的座位距离以及该第一考生和第二考生的该答题文本相似度、试题得分率计算对应于该第一考生和第二考生的考场违纪评分。
之后,进入步骤105中,根据该考场违纪评分判断该第一考生和第二考生之间是否存在相互抄袭的考场违纪行为。
可选地,该步骤104之前,还包括以下步骤A和B:
在步骤A中,获取该第一考生和第二考生的局部图像;之后执行步骤B,根据该局部图像分别计算该第一考生和第二考生的局部移动累计距离。
例如,步骤A中,可以是从考试设备上设置的第一图像获取单元(例如考试计算机上设置的摄像头)获取考生的局部图像,该局部图像例如可以是脸部图像。步骤B中的该局部移动累计距离的示例计算方法将在后文中进行详细描述。
可选地,基于上述步骤A、B,该步骤104可以进一步实现为:根据该第一考生和第二考生的该答题文本相似度、该试题得分率、该局部移动累计距离以及该第一考生和第二考生之间的座位距离来计算对应于该第一考生和第二考生的考场违纪评分。
可选地,该步骤104之前,还包括以下步骤A′和B′:
在步骤A′中,获取考场内考生的全局图像;之后执行步骤B′,根据该全局图像分别计算该第一考生和第二考生的身体移动累计距离。
例如,步骤A′中,可以是从考场设置的一个或多个第二图像采集单元(例如摄像机)获取对应拍摄范围内的考生的身体图像(例如全身或者身体的一部分)。步骤B′中的该身体移动累计距离的示例计算方法将在后文中进行详细描述。
可选地,基于上述步骤A′、B′,该步骤104可以进一步实现为:根据该第一考生和第二考生的该答题文本相似度、试题得分率、该身体移动累计距离以及该第一考生和第二考生之间的座位距离计算对应于该第一考生和第二考生的考场违纪评分。
可选地,基于上述步骤A、B以及步骤A′、B′,该步骤104还可以进一步实现为:根据该第一考生和第二考生的该答题文本相似度、该试题得分率、该局部移动累计距离、该身体移动累计距离以及第一考生和第二考生之间的座位距离来计算对应于该第一考生和第二考生的考场违纪评分。
可选地,该考场违纪行为判别方法还包括以下步骤a和b:
在步骤a中,获取考场内考生的局部图像;之后执行步骤b,根据该局部图像计算考试时间内考生的局部移动累计距离,如果某一考生的局部移动累计距离大于第一预设阈值,则判定该考生存在交头接耳的考场违纪行为。
其中,该步骤a中的局部图像例如可以是脸部图像。
该局部图像为脸部图像的实施例中,该步骤a可以进一步实现为:每隔第一预设时长从设置于考试计算机上的第一图像采集单元获取对应考生的脸部图像帧。以及,该步骤b可以进一步实现为:首先,计算该对应考生的当前图像帧与上一图像帧的脸部中心位置的移动距离;之后,对该对应考生在考试时间内的所有相邻图像帧的该脸部中心位置的移动距离进行累加计算,确定该对应考生的脸部移动累计距离;如果某一考生的脸部移动累计距离大于第一预设阈值,则判定该考生存在交头接耳的考场违纪行为。
可选地,该考场违纪行为判别方法还包括以下步骤m和n:
在步骤m中,获取考场内考生的全局图像;之后执行步骤n,根据该全局图像确定考生的身体移动累计距离,如果某一考生的身体移动累计距离大于第二预设阈值,则判定该考生存在随意走动的考场违纪行为。
例如,可以是从考场设置的一个第二图像采集单元(例如摄像机)获取考场内所有考生的全局图像,该第二图像采集单元拍摄范围覆盖整个考场。也可以是从考场设置的多个第二图像采集单元获取考场内所有考生的全局图像,每个第二采集单元拍摄范围覆盖考场的一部分。其中该全局图像可以是考生的全身图像或身体的一部分图像。
可选地,该步骤m可以进一步实现为:每隔第二预设时长从设置于考场内的第二图像采集单元获取其拍摄范围内考生的全局图像帧。以及,该步骤n可以进一步实现为:首先,根据该座位信息将该全局图像帧划分为多个区域,每个座位对应一个区域;之后,分别将每个区域的当前图像帧与上一图像帧转化为灰度图后作差,并将差值图进行二值图化处理,生成对应的二值图;之后,将每个区域在考试时间内的所有相邻图像帧对应的该二值图中的像素点进行累加计算,确定对应考生的身体移动累计距离;如果某一考生的身体移动累计距离大于第二预设阈值,则判定该考生存在随意走动的考场违纪行为。
例如,如图3所示,其中一个第二图像采集单元拍摄画面中显示有A1、A2、B1、B2四个座位,将拍摄画面分为四个区域,分别标记为区域A1、A2、B1、B2。每间隔t秒采集一帧图像,将采集的每帧图像转化为灰度图,分别将对各个区域的当前图像帧的灰度图和前一图像帧的灰度图进行差帧法运算;得到差值图,取l为阈值,统计每个差值图中各个区域中值大于l点的个数,如果考试总时间为T,一共有N张差值图,则在T时间内,区域A1所有差值图所有大于l点的个数,记为βA1,同理,可以求得区域A2对应的βA2、区域B1对应βB1、区域B2对应βB2,当βA1(βA2、βB1或βB2)大于第二预设阈值时,说明座位Δ1(A2、B1或B2)区域的考生累计走动超过一定幅度,将被判定为随意走动的考场违纪行为。
为了能够更好地理解本申请的技术方案,下面结合具体的例子来进行说明,该例子中罗列的细节主要是为了便于理解,不作为对本申请保护范围的限制,具体步骤如下:
步骤①:获取考生1和考生2的一试题答题文本信息,将考生1和考生2的各试题答题文本经过文本相似度算法进行计算,求得文本相似度s,其中,s的取值范围为0到100%之间的数值。
步骤②:根据公式v=F(α1,β1,t1,α2,β2,t2,s,d)=s·η1·η2·η3计算考生1和考生2考场违纪评分;
其中,v表示考生1和考生2的考场违纪评分,α1和β1分别表示考生1的身体移动累计距离和脸部移动累计距离;α2和β2分别表示考生2的身体移动累计距离和脸部移动累计距离,t1和t2分别表示考生1、考生2的一道试题的得分率(即该试题实际得分与本题满分的比值),s表示考生1和考生2的一道试题文本的相似度,d为第一考生和第二考生的座位之间的座位距离,η1为考生1和考生2移动距离的权重系数,η2为考生1和考生2之间的座位距离的权重系数,η3为考生1和考生2的该试题得分率的加权系。
步骤③:取第一预设阈值TH=1,
当v≥1时,考生1和考生2将判定为存在相互抄袭的考场违纪行为;
当v<1时,考生1和考生2将判定为不存在相互抄袭的考场违纪行为。并且,当考生1、考生2的得分率为100%,表示考生1、考生2的答案都是正确答案,因此,该条件下η3=0,即考生1、考生2的该试题是满分时,无论相似度值s大小如何,都不会被判定为“相互抄袭”。
示例1:
此示例包括上述步骤①②③。并且,在步骤②的违纪评分计算时,根据考生1、考生2的身体移动累计距离和脸部移动累计距离、考生1与考生2之间的座位之间的座位距离、考生1与考生2的试题文本相似度以及考生1和考生2的试题得分率计算考生1和考生2考场违纪评分v。
具体的,在该示例中,η1的计算公式如下:
其中,l1、l2分别为两考脸部移动累计距离之和阈值、身体累计移动之和阈值,其取值大小可以通过实验寻找到较优值来确定;
η2的计算公式如下:
其中,d为考生的座位间距离。
η3的计算公式如下:
其中,t1,t2分别为考生1、考生2对于本试题的得分率(即本试题实际得分与本试题满分的比值。
示例2:
此示例包括上述步骤①②③。并且,在步骤②的违纪评分计算时,不考虑考生1、考生2的身体移动累计距离和脸部移动累计距离(即η1=1),而是只根据考生1与考生2之间的座位之间的座位距离、考生1和考生2的试题文本相似度以及考生1和考生2的试题得分率计算考生1和考生2考场违纪评分v。
具体的:
η2的计算公式如下:
需要说明,当考生1和考生2之间的座位距离大于5时,η2=0,无论主观题相似度计算的结果如何,都不会被判定为“相互抄袭”。
η3的计算公式如下:
示例3:
此示例包括上述步骤①②③。并且,在步骤②的违纪评分计算时,根据考生1、考生2的身体移动累计距离和脸部移动累计距离、考生1与考生2之间的座位之间的座位距离、考生1与考生2的试题文本相似度以及考生1和考生2的试题得分率计算考生1和考生2考场违纪评分v。
具体的,η1的计算公式如下:
其中,l1、l2分别为两考脸部移动累计距离之和阈值、身体移动累计距离之和阈值,可以为经验值,其取值大小确定可以通过实验寻找到较优值。
η2的计算公式如下:
需要说明,当考生之间的距离大于5时,η2=0,无论主观题相似度计算的结果如何,都不会被判定为相互抄袭。
η3的计算公式如下:
本示例中,η3的大小不但与t1,t2相关,而且与d相关,即根据t1,t2和d确定η3。
上述示例1、2和3中的试题可以但不限于为主观试题。
本申请的第二实施方式涉及一种考场违纪行为判别系统,其结构如图4所示,该考场违纪行为判别系统包括获取模块、计算模块和判断模块。
获取模块,用于获取考场内考生的座位信息和试题的答题信息,所述答题信息包括答题文本和试题得分。
优选地,该试题为主观试题。
其中,该座位信息可以包括考生标识和座位标识的对应关系。该座位信息可以例如是在考试前预先存储在该系统中的存储模块中,考试时直接获取;该座位信息还可以例如是在考生落座后,根据考生输入的证件号(例如准考证号)或者通过考生所使用的考试设备(例如考试计算机)对考生进行人脸识别来确定等。
计算模块,用于根据该座位信息计算第一考生和第二考生之间的座位距离,根据该答题信息分别计算该第一考生和第二考生的答题文本相似度、试题得分率,以及根据该第一考生和第二考生的该答题文本相似度、该试题得分率以及该第一考生和第二考生之间的座位距离计算对应于该第一考生和第二考生的考场违纪评分。
其中,该计算模块例如可以基于google的simHash汉明距离计算该答题文本相似度,答题文本相似度的取值范围为[0%,100%]。
其中,该计算模块对第一考生和第二考生之间的座位距离的计算方法例如可以是:如图2所示,第一考生(例如张三)的考试座位位于B1,第二考生(例如李四)的考试座位位于D4,张三和李四之间的座位距离可以为4+2=6。
可选地,该获取模块还用于获取考场内考生的局部图像;该计算模块还用于根据该局部图像分别计算该第一考生和第二考生的局部移动累计距离,以及根据该第一考生和第二考生的该答题文本相似度、该试题得分率、该局部移动距离以及该第一考生和第二考生之间的座位距离计算对应于该第一考生和第二考生的考场违纪评分。
例如,该获取模块可以是从考试设备上(例如考试计算机)设置的第一图像获取单元(例如摄像头)获取考生的局部图像,该局部图像例如是脸部图像等。
可选地,该获取模块还用于获取考场内考生的全局图像;该计算模块还用于根据该全局图像分别计算该第一考生和第二考生的身体移动累计距离,根据该第一考生和第二考生的该答题文本相似度、该试题得分率、该身体移动累计距离以及该第一考生和第二考生之间的座位距离计算对应于该第一考生和第二考生的考场违纪评分。
例如,该获取模块可以是从考场设置的一个第二图像采集单元(例如摄像机)获取考场内所有考生的全局图像,该第二图像采集单拍摄范围覆盖整个考场。该获取模块也可以是从考场设置的多个第二图像采集单元获取考场内所有考生的全局图像,每个第二采集单元拍摄范围覆盖考场的一部分。其中该全局图像可以是考生的全身图像或身体的一部分图像。
可选地,该计算模块还用于根据该第一考生和第二考生的该答题文本相似度、该试题得分率、该局部移动累计距离、该身体移动累计距离以及该第一考生和第二考生之间的座位距离计算对应于该第一考生和第二考生的考场违纪评分。
判断模块,用于根据计算模块计算的考场违纪评分判断该第一考生和第二考生之间是否存在相互抄袭的考场违纪行为。
可选地,该获取模块还用于获取考场内考生的局部图像;该计算模块还用于根据该局部图像计算考试时间内考生的局部移动累计距离;以及,该判断模块还用于如果某一考生的局部移动累计距离大于第一预设阈值,则判定该考生存在交头接耳的考场违纪行为。其中,该局部图像例如可以是脸部图像。
该局部图像为脸部图像的实施例中,该获取模块还用于每隔第一预设时长从设置于考试计算机上的第一图像采集单元获取对应考生的脸部图像帧;该计算模块还用于计算该对应考生的当前图像帧与上一图像帧的脸部中心位置的移动距离,以及对该对应考生在考试时间内的所有相邻图像帧的该脸部中心位置的移动距离进行累加计算,确定该对应考生的脸部移动累计距离;该判断模块还用于如果某一考生的脸部移动累计距离大于第一预设阈值,则判定该考生存在交头接耳的考场违纪行为。
可选地,该获取模块还用于获取考场内考生的全局图像;该计算模块还用于根据该全局图像确定考生的身体移动累计距离;该判断模块还用于如果某一考生的身体移动累计距离大于第二预设阈值,则判定该考生存在随意走动的考场违纪行为。
可选地,该获取模块还用于每隔第二预设时长从设置于考场内的第二图像采集单元获取其拍摄范围内考生的全局图像帧,以及根据该座位信息将该全局图像帧划分为多个区域,每个座位对应一个区域;该计算模块还用于分别将每个区域的当前图像帧与上一图像帧转化为灰度图后作差,并将差值图进行二值图化处理,生成对应的二值图,以及将每个区域在考试时间内的所有相邻图像帧对应的该二值图中的像素点进行累加计算,确定对应考生的身体移动累计距离;以及,该判断模块还用于如果某一考生的身体移动累计距离大于第二预设阈值,则判定该考生存在随意走动的考场违纪行为。
例如,如图3所示,其中一个第二图像采集单元拍摄画面中显示有A1、A2、B1、B2四个座位,该获取模块可以先将拍摄画面分为四个区域,分别标记为区域A1、A2、B1、B2,并每间隔t秒采集一帧图像,以及该计算模块将采集的每帧图像转化为灰度图,分别将对各个区域的当前图像帧的灰度图和前一图像帧的灰度图进行差帧法运算;得到差值图,取l为阈值,统计每个差值图中各个区域中值大于l点的个数,如果考试总时间为T,一共有N张差值图,则在T时间内,区域A1所有差值图所有大于l点的个数,记为βA1,同理,可以求得区域A2对应的βA2、区域B1对应βB1、区域B2对应βB2,当βA1(βA2、βB1或βB2)大于第二预设阈值时,说明座位A1(A2、B1或B2)区域的考生累计走动超过一定幅度,将被判定为随意走动的考场违纪行为。
第一实施方式是与本实施方式相对应的方法实施方式,第一实施方式中的技术细节可以应用于本实施方式,本实施方式中的技术细节也可以应用于第一实施方式。
需要说明的是,本申请的第一考生和第二考生可以是考场内的任意两个考生,也可以是考场内预设范围内的任意两个考生。
需要说明的是,本领域技术人员应当理解,上述考场违纪行为判别系统的实施方式中所示的各模块的实现功能可参照前述考场违纪行为判别方法的相关描述而理解。上述考场违纪行为判别系统的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现,也可通过具体的逻辑电路而实现。本申请实施例上述考场违纪行为判别系统如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本申请实施例的技术方案本质上或者说对现有技术做出贡献的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(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
相应地,本申请实施方式还提供一种计算机可读存储介质,其中存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现本申请的各方法实施方式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于,相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读存储介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
此外,本申请实施方式还提供一种考场违纪行为判别系统,其中包括用于存储计算机可执行指令的存储器,以及,处理器;该处理器用于在执行该存储器中的计算机可执行指令时实现上述各方法实施方式中的步骤。其中,该处理器可以是中央处理单元(CentralProcessing Unit,简称“CPU”),还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,简称“DSP”)、专用集成电路(Application Specific IntegratedCircuit,简称“ASIC”)等。前述的存储器可以是只读存储器(read-only memory,简称“ROM”)、随机存取存储器(random access memory,简称“RAM”)、快闪存储器(Flash)、硬盘或者固态硬盘等。本发明各实施方式所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
需要说明的是,在本专利的申请文件中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本专利的申请文件中,如果提到根据某要素执行某行为,则是指至少根据该要素执行该行为的意思,其中包括了两种情况:仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
在本申请提及的所有文献都被认为是整体性地包括在本申请的公开内容中,以便在必要时可以作为修改的依据。此外应理解,以上所述仅为本说明书的较佳实施例而已,并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例的保护范围之内。
Claims (10)
1.一种考场违纪行为判别方法,其特征在于,包括:
获取考场内考生的座位信息和试题的答题信息,所述答题信息包括答题文本和试题得分;
根据所述座位信息计算第一考生和第二考生之间的座位距离;
根据所述答题信息分别计算所述第一考生和第二考生的答题文本相似度、试题得分率;
根据所述座位距离、所述答题文本相似度和所述试题得分率计算对应于所述第一考生和第二考生的考场违纪评分;
根据所述考场违纪评分判断所述第一考生和第二考生之间是否存在相互抄袭的考场违纪行为。
2.如权利要求1所述的考场违纪行为判别方法,其特征在于,所述根据所述座位距离、所述答题文本相似度和所述试题得分率计算对应于所述第一考生和第二考生的考场违纪评分之前,还包括:
获取考场内考生的局部图像;
根据所述局部图像分别计算所述第一考生和第二考生的局部移动累计距离;
所述根据所述座位距离、所述答题文本相似度和所述试题得分率计算对应于所述第一考生和第二考生的考场违纪评分,进一步包括:
根据所述座位距离、所述答题文本相似度、所述试题得分率和所述局部移动累计距离计算对应于所述第一考生和第二考生的考场违纪评分。
3.如权利要求2所述的考场违纪行为判别方法,其特征在于,所述根据所述座位距离、所述答题文本相似度和所述试题得分率计算对应于所述第一考生和第二考生的考场违纪评分之前,还包括:
获取考场内考生的全局图像;
根据所述全局图像分别计算所述第一考生和第二考生的身体移动累计距离;
所述根据所述座位距离、所述答题文本相似度和所述试题得分率计算对应于所述第一考生和第二考生的考场违纪评分,进一步包括:
根据所述座位距离、所述答题文本相似度、所述试题得分率、所述局部移动累计距离和所述身体移动累计距离计算对应于所述第一考生和第二考生的考场违纪评分。
4.如权利要求1所述的考场违纪行为判别方法,其特征在于,还包括:
获取考场内考生的局部图像;
根据所述局部图像计算考试时间内考生的局部移动累计距离,如果某一考生的局部移动累计距离大于第一预设阈值,则判定该考生存在交头接耳的考场违纪行为。
5.如权利要求4所述的考场违纪行为判别方法,其特征在于,所述局部图像为脸部图像;
所述获取考场内考生的局部图像,进一步包括:
每隔第一预设时长从设置于考试计算机上的第一图像采集单元获取对应考生的脸部图像帧;
所述根据所述局部图像计算考试时间内考生的局部移动累计距离,如果某一考生的局部移动累计距离大于第一预设阈值,则判定该考生存在交头接耳的考场违纪行为,进一步包括:
计算所述对应考生的当前图像帧与上一图像帧的脸部中心位置的移动距离;
对所述对应考生在考试时间内的所有相邻图像帧的所述脸部中心位置的移动距离进行累加计算,确定所述对应考生的脸部移动累计距离;
如果某一考生的局部移动累计距离大于第一预设阈值,则判定该考生存在交头接耳的考场违纪行为。
6.如权利要求1所述的考场违纪行为判别方法,其特征在于,还包括:
获取考场内考生的全局图像;
根据所述全局图像确定考生的身体移动累计距离,如果某一考生的身体移动累计距离大于第二预设阈值,则判定该考生存在随意走动的考场违纪行为。
7.如权利要求6所述的考场违纪行为判别方法,其特征在于,获取考场内考生的全局图像,进一步包括:
每隔第二预设时长从设置于考场内的第二图像采集单元获取其拍摄范围内考生的全局图像帧;
所述根据所述全局图像确定考生的身体移动累计距离,如果某一考生的身体移动累计距离大于第二预设阈值,则判定该考生存在随意走动的考场违纪行为,进一步包括:
根据所述座位信息将所述全局图像帧划分为多个区域,每个座位对应一个区域;
分别将每个区域的当前图像帧与上一图像帧转化为灰度图后作差,并将差值图进行二值图化处理,生成对应的二值图;
将每个区域在考试时间内的所有相邻图像帧对应的所述二值图中的像素点进行累加计算,确定对应考生的身体移动累计距离;
如果某一考生的身体移动累计距离大于第二预设阈值,则判定该考生存在随意走动的考场违纪行为。
8.一种考场违纪行为判别系统,其特征在于,包括:
获取模块,用于获取考场内考生的座位信息和试题的答题信息,所述答题信息包括答题文本和试题得分;
计算模块,用于根据所述座位信息计算第一考生和第二考生之间的座位距离,根据所述答题信息分别计算所述第一考生和第二考生的答题文本相似度、试题得分率,以及根据所述座位距离、所述答题文本相似度和所述试题得分率计算对应于所述第一考生和第二考生的考场违纪评分;以及,
判断模块,根据所述考场违纪评分判断所述第一考生和第二考生之间是否存在相互抄袭的考场违纪行为。
9.一种考场违纪行为判别系统,其特征在于,包括:
存储器,用于存储计算机可执行指令;以及,
处理器,用于在执行所述计算机可执行指令时实现如权利要求1至7中任意一项所述的方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现如权利要求1至7中任意一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010524781.XA CN111783554A (zh) | 2020-06-10 | 2020-06-10 | 考场违纪行为判别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010524781.XA CN111783554A (zh) | 2020-06-10 | 2020-06-10 | 考场违纪行为判别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111783554A true CN111783554A (zh) | 2020-10-16 |
Family
ID=72755839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010524781.XA Pending CN111783554A (zh) | 2020-06-10 | 2020-06-10 | 考场违纪行为判别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783554A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136510A (zh) * | 2013-01-17 | 2013-06-05 | 京东方科技集团股份有限公司 | 一种监考系统及方法 |
CN105791299A (zh) * | 2016-03-11 | 2016-07-20 | 南通职业大学 | 一种无人监考的智能化上机考试系统 |
CN106713856A (zh) * | 2016-12-15 | 2017-05-24 | 重庆凯泽科技股份有限公司 | 一种智能考试监控系统和方法 |
CN110807090A (zh) * | 2019-10-30 | 2020-02-18 | 福建工程学院 | 一种面向在线考试的无人监考方法 |
-
2020
- 2020-06-10 CN CN202010524781.XA patent/CN111783554A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136510A (zh) * | 2013-01-17 | 2013-06-05 | 京东方科技集团股份有限公司 | 一种监考系统及方法 |
CN105791299A (zh) * | 2016-03-11 | 2016-07-20 | 南通职业大学 | 一种无人监考的智能化上机考试系统 |
CN106713856A (zh) * | 2016-12-15 | 2017-05-24 | 重庆凯泽科技股份有限公司 | 一种智能考试监控系统和方法 |
CN110807090A (zh) * | 2019-10-30 | 2020-02-18 | 福建工程学院 | 一种面向在线考试的无人监考方法 |
Non-Patent Citations (2)
Title |
---|
常永虎;罗旭;李虎阳;: "基于考生在线行为的互抄袭作弊检测算法研究", 重庆工商大学学报(自然科学版), no. 03, pages 51 - 55 * |
李凌;: "考生异常行为识别技术研究", 淮北职业技术学院学报, no. 03, pages 128 - 130 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7953690B2 (en) | Discovering social relationships from personal photo collections | |
CN110047095B (zh) | 基于目标检测的跟踪方法、装置及终端设备 | |
CN109086734B (zh) | 一种对人眼图像中瞳孔图像进行定位的方法及装置 | |
US20190102630A1 (en) | Apparatus and method for analyzing people flows in image | |
CN109388721B (zh) | 封面视频帧的确定方法和装置 | |
JP7105383B2 (ja) | 画像処理方法、装置、記憶媒体及び電子機器 | |
CN110659397A (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
US9704024B2 (en) | Object discriminating apparatus and method | |
US20200380243A1 (en) | Face Quality of Captured Images | |
US20230410221A1 (en) | Information processing apparatus, control method, and program | |
CN110826610A (zh) | 一种用于智能检测人员着装是否规范的方法与系统 | |
CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
CN111814612A (zh) | 目标的脸部检测方法及其相关装置 | |
CN114724258A (zh) | 活体检测方法、装置、存储介质及计算机设备 | |
JP5272214B2 (ja) | 広告効果指標測定装置、広告効果指標測定方法およびプログラム | |
WO2015102711A2 (en) | A method and system of enforcing privacy policies for mobile sensory devices | |
CN111382606A (zh) | 摔倒检测方法、摔倒检测装置和电子设备 | |
JP6713422B2 (ja) | 学習装置、イベント検出装置、学習方法、イベント検出方法、プログラム | |
CN112989932A (zh) | 基于改进原型网络的少样本森林火灾烟雾识别方法及装置 | |
JP7293658B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN111783554A (zh) | 考场违纪行为判别方法及系统 | |
CN114786032B (zh) | 一种培训视频管理方法及系统 | |
US20220067480A1 (en) | Recognizer training device, recognition device, data processing system, data processing method, and storage medium | |
CN113032758B (zh) | 视讯问答流程的身份识别方法、装置、设备及存储介质 | |
CN115223022A (zh) | 一种图像处理方法、装置、存储介质及设备 |
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 |