CN112149553A - 一种考试作弊行为识别方法 - Google Patents
一种考试作弊行为识别方法 Download PDFInfo
- Publication number
- CN112149553A CN112149553A CN202010995566.8A CN202010995566A CN112149553A CN 112149553 A CN112149553 A CN 112149553A CN 202010995566 A CN202010995566 A CN 202010995566A CN 112149553 A CN112149553 A CN 112149553A
- Authority
- CN
- China
- Prior art keywords
- examination
- examinee
- face
- feature
- quaternion
- 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 37
- 230000006399 behavior Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000007635 classification algorithm Methods 0.000 claims abstract description 4
- 238000013526 transfer learning Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 210000003128 head Anatomy 0.000 description 8
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 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
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06V40/10—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
- G06V40/174—Facial expression recognition
- G06V40/176—Dynamic expression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Technology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种考试作弊行为识别方法,具体为:采集考试数据集并人工进行标注;利用迁移学习的方式配合基于卷积神经网络的分类算法,判断屏幕中是否出现了与考试无关的物品和人员;使用人脸识别算法对考生的身份进行验证,并在考试的过程中利用唇部关键点信息对唇部运动进行建模,识别考生说话行为;根据头部特征点的三维坐标计算出四元数,然后通过四元数求解欧拉角来描述考生当前的头部姿态;如出现与考试无关的物品和人员、说话行为和头部姿态偏移中的一种或多种,则对考生进行警告并对监考老师进行预警。可以较为准确的检测出常见的作弊行为,减少了程序的复杂程度,加快运行速度,同时并没有降低检测的准确度。
Description
技术领域
本发明属于考试作弊行为识别技术领域,涉及一种考试作弊行为识别方法。
背景技术
随着计算机技术的不断深入发展,就要求有更好、更完善的系统应用到远程教育当中去。目前的在线考试系统对于作弊行为的检测也有了较为显著的效果,但仍需监考人员来人工监考,对于参与人数较多的考试,监考人员不能及时准确的发现考生的作弊行为,并且考生的作弊行为较为多样,作弊设备也更为隐蔽。这对监考人员无疑是很大的压力。
发明内容
本发明的目的是提供一种考试作弊行为识别方法,通过EfficientDet(EfficientObject Detection高效的目标检测)算法和Dlib(人脸特征点定位)开源库,具有减少程序复杂度的同时,提高运行速度,并且保持监测的准确性的特点。
本发明所采用的技术方案是,一种考试作弊行为识别方法,具体按照以下步骤实施:
步骤1、采集考试数据集并人工进行标注;
步骤2、利用迁移学习的方式配合基于卷积神经网络的分类算法,判断屏幕前是否出现了与考试无关的物品和屏幕前的人员数目;
步骤3、使用人脸识别算法对考生的身份进行验证,并在考试的过程中利用唇部关键点信息对唇部运动进行建模,识别考生说话行为;
步骤4、根据头部特征点的三维坐标计算出四元数,然后通过四元数求解欧拉角来描述考生当前的头部姿态;
步骤5、如出现步骤2-4中的与考试无关的物品和人员、说话行为和头部姿态偏移中的一种或多种,则对考生进行警告并对监考老师进行预警。
步骤1中标注对象为与考试无关的物品,包括纸张、书本、手机。
步骤2-5中采用主机位和副机位两部分进行识别;步骤2中在coco数据集上预训练异常物品集,然后在标注的考试数据集上进行二次训练,最终的输出为图像中是否出现了书本、纸条、手机及出现后的位置,以及图像中人的位置以及人数,并在考生考试中对摄像头上传到云端的视频进行检测。
步骤3中人脸识别算法对考生的身份进行验证是,调用Dlib开源库进行人脸识别,具体为:在考试前预先采集每个考生的12张照片,建立一个身份识别库,考试中,每隔一分钟识别一次,包括人脸特征提取和人脸特征对比,从而判断有无替考行为。
人脸特征提取具体为:
调用Dlib中的函数使用HOG算法训练人脸68个特征点,然后根据已训练好的68个特征点模型进行人脸特征点的检测定位,接着再通过预训练好的深度残差网络模型,产生每副输入人脸图像的128维特征向量。
人脸特征对比具体为:
采用人脸特征提取算法对考试数据集中人脸图像进行处理,获取每张人脸图像的128维特征矢量并储存;采用同样的方法对待测考生的人脸图像进行处理,同样提取其128维特征矢量;采用欧氏距离衡量待测考生的人脸图像的特征矢量和考试数据集中人脸图像特征矢量的相似度,相似度小于设定阈值即为匹配;
具体的:
令考试数据集中一张人脸图像的特征矢量为
X1={x1,1,x1,2,…,x1,128} (1)
待测考生的人脸图像的特征矢量为
X2={x2,1,x2,2,…,x2,128} (2)
用欧式距离衡量两张人脸图像的相似度
式中d12表示两个向量间的欧式距离,N表示特征矢量的维度,x1k,x2k分别表示考试数据集中的一张人脸图像的特征向量和待测考生的人脸图像的特征向量,k为1,…,n。
步骤3中识别考生说话行为具体为:
根据嘴巴对应的48点至67点对考生的唇部进行建模,嘴角开合时角度会产生变化,所以对嘴唇α角和h2高度进行建模,通过实验确定人正常说话时这两个值的阈值,当待检测图像中唇部模型中的5个参数与考生正常模板唇部模型对应的5个参数的变化大于阈值的时间长度超过3秒时,则触发潜在作弊行为预警。
5个参数具体为:α和β是嘴唇张开的角度,h1是嘴唇内轮廓的垂直高度,h2是嘴唇外轮廓的垂直高度,w是嘴唇水平开合长度。
步骤4具体为:
根据考生人脸检测的68个面部特征点中的7个特征点,编号为30,36,39,42,45,48,54的三维坐标通过OpenCV的solvePnP函数求解旋转向量和平移向量,进而求解四元数,根据四元数计算欧拉角,通过欧拉角判断考生当前头部姿态的状态;
具体的:
四元数:q=(x,y,z,ω),x,y,z分别代表向量的三维坐标,ω代表角度;通过旋转轴和绕该轴旋转的角度可以构造一个四元数
其中α是绕旋转轴旋转的角度,cos(βx),cos(βy),cos(βz)为旋转轴在x,y,z方向的分量;
再通过四元数得到欧拉角,
本发明的有益效果是:
本发明可以较为准确的检测出常见的作弊行为,减少了程序的复杂程度,加快运行速度,同时并没有降低检测的准确度。
附图说明
图1是本发明考试作弊行为识别方法的主机位面部检测流程图;
图2是本发明考试作弊行为识别方法的副机位作弊物品检测流程图;
图3是本发明考试作弊行为识别方法的卷积神经网络基础结构图;
图4是本发明考试作弊行为识别方法的唇动估计的特征点建模示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1-图2所示,一种考试作弊行为识别方法,具体按照以下步骤实施:
步骤1、采集考试数据集并人工进行标注;
步骤2、利用迁移学习的方式配合基于卷积神经网络的分类算法,判断屏幕中是否出现了与考试无关的物品和屏幕前的人员数目;
步骤3、使用人脸识别算法对考生的身份进行验证,并在考试的过程中利用唇部关键点信息对唇部运动进行建模,识别考生说话行为;
步骤4、根据头部特征点的三维坐标计算出四元数,然后通过四元数求解欧拉角来描述考生当前的头部姿态;
步骤5、如出现步骤2-4中的与考试无关的物品和人员、说话行为和头部姿态偏移中的一种或多种,则对考生进行警告并对监考老师进行预警。
EfficientDet分别包含了从D0~D7总共八个算法,单模型和单尺度的情况下,EfficientDet-D7在COCO(Common Objects in Context通用对象)测试设备上达到了52.2AP,具有52M参数和325B FLOPs(每秒浮点计算),相比与之前的算法,参数量缩小了4到9倍,FLOPs缩小了13到42倍。
卷积神经网络是一种前馈型神经网络,被广泛的应用在图像分类和目标检测等领域中。一个简单的卷积神经网络结构如图3所示,由最左处开始的输入图像经过一层卷积层输出3幅特征图,接着传入池化层,再经过一层卷积层输出6幅特征图,最后经过一层池化层和全连接层得到输出。
步骤1中标注对象为与考试无关的物品,包括纸张、书本、手机。
步骤2-5中采用主机位和副机位两部分进行识别;步骤2中在coco(CommonObjects in Context通用对象)数据集上预训练异常物品集,然后在标注的考试数据集上进行二次训练,最终的输出为图像中是否出现了书本、纸条、手机及出现后的位置,以及图像中人的位置以及人数,并在考生考试中对摄像头上传到云端的视频进行检测。
步骤3中人脸识别算法对考生的身份进行验证是,调用Dlib开源库进行人脸识别,具体为:在考试前预先采集每个考生的12张照片,建立一个身份识别库,考试中,每隔一分钟识别一次,包括人脸特征提取和人脸特征对比,从而判断有无替考行为。
人脸特征提取具体为:
调用Dlib中的函数使用HOG(histogram of oriented gradient定向梯度直方图)算法训练人脸68个特征点,然后根据已训练好的68个特征点模型进行人脸特征点的检测定位,接着再通过预训练好的深度残差网络模型(ResNet),产生每副输入人脸图像的128维特征向量。
从人脸的右边开始,右边太阳穴处为0点逐渐向下到下巴为8点,从下巴初开始向左延伸至左边太阳穴处为16点,右边眉毛是17点至21点,左边眉毛是22点至26点,鼻子从鼻梁到鼻尖在由右至左是27点到35点,右眼为36点至41点,左眼为42点至47点,嘴巴是48点至67点。
人脸特征对比具体为:
采用人脸特征提取算法对考试数据集中人脸图像进行处理,获取每张人脸图像的128维特征矢量并储存;采用同样的方法对待测考生的人脸图像进行处理,同样提取其128维特征矢量;采用欧氏距离衡量待测考生的人脸图像的特征矢量和考试数据集中人脸图像特征矢量的相似度,相似度小于设定阈值即为匹配;
具体的:
令考试数据集中一张人脸图像的特征矢量为
X1={x1,1,x1,2,…,x1,128} (1)
待测考生的人脸图像的特征矢量为
X2={x2,1,x2,2,…,x2,128}(2)
用欧式距离衡量两张人脸图像的相似度
式中d12表示两个向量间的欧式距离,N表示特征向量的维度,x1k,x2k分别表示考试数据集中的一张人脸图像的特征向量和待测考生的人脸图像的特征向量,k为1,…,n。
如图4所示,步骤3中识别考生说话行为具体为:
根据嘴巴对应的48点至67点对考生的唇部进行建模,嘴角开合时角度会产生变化,所以对嘴唇α角和h2高度进行建模,通过实验确定人正常说话时这两个值的阈值,当待检测图像中唇部模型中的5个参数与考生正常模板唇部模型对应的5个参数的变化大于阈值的时间长度超过3秒时,则触发潜在作弊行为预警。
5个参数具体为:α和β是嘴唇张开的角度,h1是嘴唇内轮廓的垂直高度,h2是嘴唇外轮廓的垂直高度,w是嘴唇水平开合长度。
步骤4具体为:
根据考生人脸检测的68个面部特征点中的7个特征点,编号为30,36,39,42,45,48,54的三维坐标通过OpenCV的solvePnP函数求解旋转向量和平移向量,进而求解四元数,根据四元数计算欧拉角,通过欧拉角判断考生当前头部姿态的状态;
具体的:四元数:q=(x,y,z,ω),x,y,z分别代表向量的三维坐标,ω代表角度;通过旋转轴和绕该轴旋转的角度可以构造一个四元数
其中α是绕旋转轴旋转的角度,cos(βx),cos(βy),cos(βz)为旋转轴在x,y,z方向的分量;
再通过四元数得到欧拉角,
Claims (9)
1.一种考试作弊行为识别方法,其特征在于,具体按照以下步骤实施:
步骤1、采集考试数据集并人工进行标注;
步骤2、利用迁移学习的方式配合基于卷积神经网络的分类算法,判断屏幕中是否出现了与考试无关的物品和屏幕前的人员数目;
步骤3、使用人脸识别算法对考生的身份进行验证,并在考试的过程中利用唇部关键点信息对唇部运动进行建模,识别考生说话行为;
步骤4、根据头部特征点的三维坐标计算出四元数,然后通过四元数求解欧拉角来描述考生当前的头部姿态;
步骤5、如出现步骤2-4中的与考试无关的物品和人员、说话行为和头部姿态偏移中的一种或多种,则对考生进行警告并对监考老师进行预警。
2.根据权利要求1所述的一种考试作弊行为识别方法,其特征在于,所述步骤1中标注对象为与考试无关的物品,包括纸张、书本、手机。
3.根据权利要求1所述的一种考试作弊行为识别方法,其特征在于,所述步骤2-5中采用主机位和副机位两部分进行识别;步骤2中在coco数据集上预训练异常物品集,然后在标注的考试数据集上进行二次训练,最终的输出为图像中是否出现了书本、纸条、手机及出现后的位置,以及图像中人的位置以及人数,并在考生考试中对摄像头上传到云端的视频进行检测。
4.根据权利要求1所述的一种考试作弊行为识别方法,其特征在于,所述步骤3中人脸识别算法对考生的身份进行验证是,调用Dlib开源库进行人脸识别,具体为:在考试前预先采集每个考生的12张照片,建立一个身份识别库,考试中,每隔一分钟识别一次,包括人脸特征提取和人脸特征对比,从而判断有无替考行为。
5.根据权利要求4所述的一种考试作弊行为识别方法,其特征在于,所述人脸特征提取具体为:
调用Dlib中的函数使用HOG算法训练人脸68个特征点,然后根据已训练好的68个特征点模型进行人脸特征点的检测定位,接着再通过预训练好的深度残差网络模型,产生每副输入人脸图像的128维特征向量。
6.根据权利要求4所述的一种考试作弊行为识别方法,其特征在于,所述人脸特征对比具体为:
采用人脸特征提取算法对考试数据集中人脸图像进行处理,获取每张人脸图像的128维特征矢量并储存;采用同样的方法对待测考生的人脸图像进行处理,同样提取其128维特征矢量;采用欧氏距离衡量待测考生的人脸图像的特征矢量和考试数据集中人脸图像特征矢量的相似度,相似度小于设定阈值即为匹配;
具体的:
令考试数据集中一张人脸图像的特征矢量为
X1={x1,1,x1,2,…,x1,128} (1)
待测考生的人脸图像的特征矢量为
X2={x2,1,x2,2,…,x2,128} (2)
用欧式距离衡量两张人脸图像的相似度
式中d12表示两个向量间的欧式距离,N表示特征矢量的维度,x1k,x2k分别表示考试数据集中的一张人脸图像的特征向量和待测考生的人脸图像的特征向量,k为1,…,n。
7.根据权利要求4所述的一种考试作弊行为识别方法,其特征在于,所述步骤3中识别考生说话行为具体为:
根据嘴巴对应的48点至67点对考生的唇部进行建模,嘴角开合时角度会产生变化,所以对嘴唇α角和h2高度进行建模,通过实验确定人正常说话时这两个值的阈值,当待检测图像中唇部模型中的5个参数与考生正常模板唇部模型对应的5个参数的变化大于阈值的时间长度超过3秒时,则触发潜在作弊行为预警。
8.根据权利要求7所述的一种考试作弊行为识别方法,其特征在于,所述5个参数具体为:α和β是嘴唇张开的角度,h1是嘴唇内轮廓的垂直高度,h2是嘴唇外轮廓的垂直高度,w是嘴唇水平开合长度。
9.根据权利要求1所述的一种考试作弊行为识别方法,其特征在于,所述步骤4具体为:
根据考生人脸检测的68个面部特征点中的7个特征点,编号为30,36,39,42,45,48,54的三维坐标通过OpenCV的solvePnP函数求解旋转向量和平移向量,进而求解四元数,根据四元数计算欧拉角,通过欧拉角判断考生当前头部姿态的状态;
具体的:
四元数:q=(x,y,z,ω),x,y,z分别代表向量的三维坐标,ω代表角度;通过旋转轴和绕该轴旋转的角度可以构造一个四元数,
其中α是绕旋转轴旋转的角度,cos(βx),cos(βy),cos(βz)为旋转轴在x,y,z方向的分量;再通过四元数得到欧拉角,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995566.8A CN112149553A (zh) | 2020-09-21 | 2020-09-21 | 一种考试作弊行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995566.8A CN112149553A (zh) | 2020-09-21 | 2020-09-21 | 一种考试作弊行为识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112149553A true CN112149553A (zh) | 2020-12-29 |
Family
ID=73894135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010995566.8A Pending CN112149553A (zh) | 2020-09-21 | 2020-09-21 | 一种考试作弊行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149553A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033331A (zh) * | 2021-03-05 | 2021-06-25 | 佛山科学技术学院 | 一种智能考场监控系统以及监控方法 |
CN113657300A (zh) * | 2021-08-20 | 2021-11-16 | 青软创新科技集团股份有限公司 | 一种基于ai人脸识别技术的在线考试防作弊实现方法 |
CN116894978A (zh) * | 2023-07-18 | 2023-10-17 | 中国矿业大学 | 一种融合面部情绪与行为多特征的线上考试防作弊系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106210663A (zh) * | 2016-08-30 | 2016-12-07 | 湖南强视信息科技有限公司 | 一种面向无人监考的防止他人协助方法 |
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 |
CN110032992A (zh) * | 2019-04-25 | 2019-07-19 | 沈阳航空航天大学 | 一种基于姿态的考试作弊检测方法 |
CN110619628A (zh) * | 2019-09-09 | 2019-12-27 | 博云视觉(北京)科技有限公司 | 一种人脸图像质量评估方法 |
CN111325175A (zh) * | 2020-03-03 | 2020-06-23 | 北京三快在线科技有限公司 | 活体检测方法、装置、电子设备及存储介质 |
CN111353921A (zh) * | 2019-08-19 | 2020-06-30 | 深圳市鸿合创新信息技术有限责任公司 | 一种考试管理方法及系统、电子设备 |
CN111382672A (zh) * | 2019-12-31 | 2020-07-07 | 国网北京市电力公司 | 在线考试的作弊监测方法和装置 |
CN111611966A (zh) * | 2020-05-29 | 2020-09-01 | 北京每日优鲜电子商务有限公司 | 目标人员检测方法、装置、设备及存储介质 |
CN111666785A (zh) * | 2019-03-06 | 2020-09-15 | 阿里巴巴集团控股有限公司 | 行为识别方法、系统、装置、计算设备和介质 |
-
2020
- 2020-09-21 CN CN202010995566.8A patent/CN112149553A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106210663A (zh) * | 2016-08-30 | 2016-12-07 | 湖南强视信息科技有限公司 | 一种面向无人监考的防止他人协助方法 |
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 |
CN111666785A (zh) * | 2019-03-06 | 2020-09-15 | 阿里巴巴集团控股有限公司 | 行为识别方法、系统、装置、计算设备和介质 |
CN110032992A (zh) * | 2019-04-25 | 2019-07-19 | 沈阳航空航天大学 | 一种基于姿态的考试作弊检测方法 |
CN111353921A (zh) * | 2019-08-19 | 2020-06-30 | 深圳市鸿合创新信息技术有限责任公司 | 一种考试管理方法及系统、电子设备 |
CN110619628A (zh) * | 2019-09-09 | 2019-12-27 | 博云视觉(北京)科技有限公司 | 一种人脸图像质量评估方法 |
CN111382672A (zh) * | 2019-12-31 | 2020-07-07 | 国网北京市电力公司 | 在线考试的作弊监测方法和装置 |
CN111325175A (zh) * | 2020-03-03 | 2020-06-23 | 北京三快在线科技有限公司 | 活体检测方法、装置、电子设备及存储介质 |
CN111611966A (zh) * | 2020-05-29 | 2020-09-01 | 北京每日优鲜电子商务有限公司 | 目标人员检测方法、装置、设备及存储介质 |
Non-Patent Citations (6)
Title |
---|
MELISSA COTE 等: "Video summarization for remote invigilation of online exams", 《2016 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION (WACV)》, pages 1 - 9 * |
上交所技术服务: "【交易技术前沿】人脸识别的探索、评估与应用建议", pages 2 - 4, Retrieved from the Internet <URL:《https://www.sohu.com/a/318623178_100006100》> * |
李春梅 等: "基于视频行为分析的智能监考辅助系统", 《科技创新及应用》, no. 18, pages 9 * |
胡森博: "基于视频的在线考试作弊行为检测方法的研究", 《中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑》, no. 06, pages 127 - 101 * |
董洪义: "《深度学习之PyTorch物体检测实战》", 31 March 2020, 机械工业出版社, pages: 182 * |
言有三: "《深度学习之人脸图像处理核心算法与案例实战》", 31 July 2020, 机械工业出版社, pages: 103 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033331A (zh) * | 2021-03-05 | 2021-06-25 | 佛山科学技术学院 | 一种智能考场监控系统以及监控方法 |
CN113657300A (zh) * | 2021-08-20 | 2021-11-16 | 青软创新科技集团股份有限公司 | 一种基于ai人脸识别技术的在线考试防作弊实现方法 |
CN113657300B (zh) * | 2021-08-20 | 2024-05-07 | 青软创新科技集团股份有限公司 | 一种基于ai人脸识别技术的在线考试防作弊实现方法 |
CN116894978A (zh) * | 2023-07-18 | 2023-10-17 | 中国矿业大学 | 一种融合面部情绪与行为多特征的线上考试防作弊系统 |
CN116894978B (zh) * | 2023-07-18 | 2024-03-29 | 中国矿业大学 | 一种融合面部情绪与行为多特征的线上考试防作弊系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921100B (zh) | 一种基于可见光图像与红外图像融合的人脸识别方法及系统 | |
Islam et al. | Real time hand gesture recognition using different algorithms based on American sign language | |
CN112149553A (zh) | 一种考试作弊行为识别方法 | |
CN109359526B (zh) | 一种人脸姿态估计方法、装置和设备 | |
Ko et al. | Sign language recognition with recurrent neural network using human keypoint detection | |
CN105516280B (zh) | 一种多模态学习过程状态信息压缩记录方法 | |
Geetha et al. | Design of face detection and recognition system to monitor students during online examinations using Machine Learning algorithms | |
CN108345869A (zh) | 基于深度图像和虚拟数据的驾驶人姿态识别方法 | |
CN108182397B (zh) | 一种多姿态多尺度的人脸验证方法 | |
CN109635727A (zh) | 一种人脸表情识别方法及装置 | |
CN107895160A (zh) | 人脸检测与识别装置及方法 | |
Hu et al. | Research on abnormal behavior detection of online examination based on image information | |
CN107103298A (zh) | 基于图像处理的引体向上计数系统及计数方法 | |
CN107480586B (zh) | 基于人脸特征点位移的生物识别照片仿冒攻击检测方法 | |
CN108629336A (zh) | 基于人脸特征点识别的颜值计算方法 | |
CN110837947B (zh) | 一种基于音视频分析技术的教师授课专注度的评估方法 | |
CN110796101A (zh) | 一种嵌入式平台的人脸识别方法及系统 | |
CN113128341A (zh) | 一种基于卷积神经网络的狗脸识别方法 | |
CN115937928A (zh) | 基于多视觉特征融合的学习状态监测方法及系统 | |
CN109492584A (zh) | 一种识别跟踪方法和电子设备 | |
Yongcun et al. | Online examination behavior detection system for preschool education professional skills competition based on MTCNN | |
CN115273150A (zh) | 基于人体姿态估计的安全帽佩戴的新型识别方法及系统 | |
CN111428670B (zh) | 人脸检测方法、装置、存储介质及设备 | |
CN115019396A (zh) | 一种学习状态监测方法、装置、设备及介质 | |
CN114022918A (zh) | 基于多姿态的学习者兴奋状态标签算法 |
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 |