CN113095968A - 一种作弊识别方法、装置及电子设备 - Google Patents
一种作弊识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113095968A CN113095968A CN201911338656.3A CN201911338656A CN113095968A CN 113095968 A CN113095968 A CN 113095968A CN 201911338656 A CN201911338656 A CN 201911338656A CN 113095968 A CN113095968 A CN 113095968A
- Authority
- CN
- China
- Prior art keywords
- examinee
- cheating
- answer
- similarity
- examinees
- 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 52
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 241000209202 Bromus secalinus Species 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 210000001202 rhombencephalon Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 208000008918 voyeurism Diseases 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及通信技术领域,提供一种作弊识别方法、装置及电子设备,其中,方法包括:对获取到的考生答案进行识别,得到所述考生答案的答案相似度;根据所述答案相似度计算考生作弊可能值,筛选满足作弊阈值的考生信息,并根据所述考生信息判断是否满足作弊条件;若满足,则提取与所述考生信息对应的视频信息进行分析,判断所述考生是否作弊。本发明能够减少人力成本,提高作弊识别的准确率。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种作弊识别方法、装置及电子设备。
背景技术
现今有许多种考试,高考、公务员考试、驾照考试、自学考试、成人高考、职业资格证考试等等。目前,为了让考生有秩序的进行考试,防止考生作弊,常使用大量的人力进行监考,每次考试都要占用大量人力资源,并且要想知道考生是否作弊,都是通过监考人员的当场采集到的证据做出判断,具有一定的主观性。可见,对于考生作弊判断,现有技术中,存在人力资源占用大,判断作弊的准确率低的问题。
发明内容
本发明实施例提供一种作弊识别方法,能够减少人力资源成本,提高作弊的准确率。
模糊的图像信息对嫌疑人员身份进行分析,快速寻找到嫌疑人员。
第一方面,本发明实施例提供一种作弊识别方法,包括:
对获取到的考生答案进行识别,生成初步分析报告,所述初步分析报告包括答案相似度及考生信息;
根据所述答案相似度计算考生作弊可能值,筛选满足作弊阈值的考生信息,并根据所述考生信息判断是否满足作弊条件;
若满足,则提取与所述考生信息对应的视频信息进行分析,判断所述考生是否作弊。
第二方面,本发明实施例提供一种作弊识别装置,包括:
识别模块,用于对获取到的考生答案进行识别,生成初步分析报告,所述初步分析报告包括答案相似度及考生信息;
计算模块,用于根据所述答案相似度计算考生作弊可能值,筛选满足作弊阈值的考生信息,并根据所述考生信息判断是否满足作弊条件;
分析模块,用于若满足,则提取与所述考生信息对应的视频信息进行分析,判断所述考生是否作弊。
第三方面,本发明实施例还提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例提供的作弊识别方法中的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现发明实施例提供的作弊识别方法中的步骤。
本发明实施例中,对获取到的考生答案进行识别,得到所述考生答案的答案相似度;根据所述答案相似度计算考生作弊可能值,筛选满足作弊阈值的考生信息,并根据所述考生信息判断是否满足作弊条件;若满足,则提取与所述考生信息对应的视频信息进行分析,判断所述考生是否作弊。本发明实施例由于可以通过对考生的考生答案进行分析,计算答案相似度以及考生作弊可能值,同时能够获取考生信息,结合计算出来的答案相似度以及考生作弊可能值进行分析,提取满足作弊条件及作弊阈值的考生的视频信息,根据视频信息中考生的具体行为进行判断是否作弊,这样,可以实现自动识别判断考生是否作弊,减少了人力资源成本,同时能够通过数据及视频信息对作弊进行准确地判断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种作弊识别方法的流程图;
图2为本发明实施例提供的另一种作弊识别方法的流程图;
图3为本发明实施例提供的另一种作弊识别方法的流程图;
图4为本发明实施例提供的另一种作弊识别方法的流程图;
图5为本发明实施例提供的另一种作弊识别方法的流程图;
图6为本发明实施例提供的另一种作弊识别方法的流程图;
图7为本发明实施例提供的一种作弊识别装置的结构示意图;
图8为本发明实施例提供的另一种作弊识别装置的结构示意图;
图9为本发明实施例提供的另一种作弊识别装置的结构示意图;
图10为本发明实施例提供的另一种作弊识别装置的结构示意图;
图11为本发明实施例提供的另一种作弊识别装置的结构示意图;
图12为本发明实施例提供的另一种作弊识别装置的结构示意图;
图13为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,图1是本发明实施例提供的一种作弊识别方法的流程图,如图1所示,包括以下步骤:
101、对获取到的考生答案进行识别,得到考生答案的答案相似度。
在本实施例中,作弊识别方法运行于其上的电子设备可以通过有线连接方式或者无线连接方式获取考生答案、视频信息等。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi(Wireless-Fidelity)连接、蓝牙连接、WiMAX(WorldwideInteroperability forMicrowaveAccess)连接、Zigbee(低功耗局域网协议,又称紫峰协议)连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
执行上述作弊识别方法的系统可安装在监控室或考试场所自带的监考设备上。系统开启时,摄像机自动开启,该考场考试结束后系统手动关闭会提示是否需要保存该考场监控录像及抓拍图片。若不需要保存,系统自动删除该场考试抓拍图像和监控录像;若需要保存,系统将不会删除该场考试抓拍图像和监控录像,并将其保存在系统中的存储区中。
上述可以是在考生完成考试作答后,获取考生答案。考生考试的方式可以是机考,也可以是笔考。对于机考,考生在完成作答之后,其考生答案会保存在可以进行作弊识别的电子设备的存储器中,这样便于直接获取考生答案进行识别。对于笔考,可以是人工将考试答案输入可进行作弊识别的电子设备中,再进行考生答案识别。
上述对考生答案进行识别可以是对多个考生的答案进行比较,以得到答案相似度,例如:共有100个选择题,考生A与B有60个选择题的答案完全相同,则其相似度可以是60%,考生A与C有70个选择题的答案完全相同,则答案相似度为70%。上述对考生答案进行识别还可以是对每个考生答案与标准答案进行一一识别,计算两者对应的答案相似度。
可以是将所有考生的考生答案进行一一识别,得到每个考生答案与其余所有考生的考生答案之间的答案相似度,这样得到的数据量相对较大,可以改变其外部条件进行控制计算量,例如:控制每个考场的考试人数。当然,也可以是只选取部分考生的考生答案进行识别,计算部分考生答案之间的答案相似度,其选取进行相似度计算的部分考生答案对应的考生可以是临近四周的考生,具体可以根据考试安排进行确定。
上述的考生信息可以包括考生的姓名、考生的视频信息、准考证号、考试地点、考试时间、考生照片等中的一个或者多个。在初步分析报告中,可以按照有序的排列将考生信息、考生的答案相似度、视频信息的窗口等信息展示在界面,便于人员查看。
102、根据答案相似度计算考生作弊可能值,筛选满足作弊阈值的考生信息,并根据考生信息判断是否满足作弊条件。
其中,考生作弊可能值可以表示考生作弊的概率大小,其作弊可能值可以根据计算出的答案相似度进行计算得到。上述作弊阈值可以是预先设置的值,基于作弊阈值可以排除作弊可能值未达到阈值的考生作弊的可能,例如:考生D的作弊可能值为20%,作弊阈值为70%,则可以排除考生D作弊的可能,之后不再对考生D的答案进行分析。
上述的作弊条件可以是指考生之间的距离、考生提交答案的时间节点等。可以根据考生信息判断考生是否满足作弊条件,例如:考生A与B之间的考试距离为1m,其计算得到考生A作弊可能值79%,且考生之间没有进行隔离,则可以认为考生A满足作弊条件。又例如:考生A与B之间的考试距离为1m,其提交答案的时间节点只间隔1分钟,其计算得到考生A作弊可能值85%,且考生之间没有进行隔离,则可以认为考生A满足作弊条件。通过将未满足作弊阈值的考生进行排除,并再次对未达到作弊条件的考生进行排除,可以减少提取视频信息的工作量,提高其识别效率。
上述作弊的行为可以包括靠外物作弊,例如:小纸条、智能设备、身体标记等,其中智能设备包括但不限于手机、平板、智能手表、MP3等。作弊的类型还可以包括靠外人作弊,例如:暗号、偷窥、交头接耳等。在本发明实施例中,对上述作弊的类型不做限定。
103、若满足,则提取与考生信息对应的视频信息进行分析,判断考生是否作弊。
上述在考生信息满足作弊条件的情况下,可以提取满足作弊条件的考生对应的视频信息,其视频信息包含考生作答的所有过程。对于机考,可以通过在每台考试设备上安装摄像头,拍摄范围为正前方,保证至少可以获取到考生的头部及上半身(手、身体等部位)。其中,考试设备包括但不限于台式电脑、平板电脑等等。
对于笔考,录制考生的视频信息可以是通过在考场部署多个视频采集设备,例如:摄像机等。摄像机可以部署在考场的顶部、墙角处、侧墙面、正前方中间位置等等,设置摄像机的位置保证至少可以所在的考场的可视范围能够整体覆盖,且部署的位置可以针对不同考场的结构进行调整。如有必要,可以在每个考场的不同位置设置多个摄像机。在本发明实施例中,对摄像机的部署位置及部署数量不作限定。
对视频信息进行分析,可以是系统接收到人工输入的查看指令,根据查看指令对应提取该考生的视频信息,进而判断满足作弊条件的考生是否有上述作弊行为,若有可以判断该考生有作弊行为。
在本实施例中,对获取到的考生答案进行识别,生成初步分析报告,初步分析报告包括答案相似度及考生信息;根据答案相似度计算考生作弊可能值,筛选满足作弊阈值的考生信息,并根据考生信息判断是否满足作弊条件;若满足,则提取与考生信息对应的视频信息进行分析,判断考生是否作弊。本发明实施例由于可以通过对考生的考生答案进行分析,计算答案相似度以及考生作弊可能值,同时能够获取考生信息,结合计算出来的答案相似度以及考生作弊可能值进行分析,提取满足作弊条件及作弊阈值的考生的视频信息,根据视频信息中考生的具体行为进行判断是否作弊,这样,可以实现自动识别判断考生是否作弊,减少了人力资源成本,同时能够通过数据及视频信息对作弊进行准确地判断。
参见图2,图2是本发明实施例中提供的另一种作弊识别方法的流程图,如图2所示,包括以下步骤:
201、获取考生答案,对考生答案进行识别。
其中,当考生作答完成提交后,系统可以自动获取考生的姓名、考生序列号、与考生对应的座位安排表等考生信息,同时,还会获取每个考生的考生答案,对考生所提交的答案进行识别可以是同时识别多个考生的考生答案,且可以同时识别多个题目的考生答案,当然也可以依次进行识别。
202、计算相同答案类型的考生答案分别与考生答案、标准答案的相似度,以分别得到第一相似度和第二相似度,第一相似度为相同答案类型的考生答案与考生答案之间的相似度,第二相似度为相同答案类型的考生答案与标准答案之间的相似度。
在本发明实施例中,多种答案类型可以是包括客观题与主观题,当然还可以有其它的题型,若有其他题型也可以根据相同的方法对相似度进行计算。上述计算考生答案与考生答案之间的相似度可以包括计算考生答案之间的客观题(单选、多选、判断、匹配等)相似度,以及主观题(简答题、计算题等)相似度,例如:考生A与B之间的客观题相似度为70%,主观题相似度为60%。上述客观题相似度与主观题相似度可以表示考生答案与考生答案之间的第一相似度的两种方式。
上述标准答案可以预先存储在系统中,获取到考生答案之后便可以直接进行客观题相似度计算以及主观题相似度计算,例如:考生A的参考答案与标准答案的客观题相似度为75%,主观题相似度为75%。可见,除了对考生答案与考生答案之间的相似度进行计算之外,还可以对考生答案与标准答案进行计算,这样可以提高计算得到的作弊可能值的准确率。
作为一种可能的实施例方式,可以分别设置客观题相似度阈值与主观题相似度阈值,当计算得到客观题相似度未达到相似度阈值,或者主观题相似度未达到主观题相似度阈值时,可以排除对应的考生作弊的可能,后续不再对该考生进行分析,例如:预设的主观题相似度阈值为80%,客观题相似度为90%,考生A相对考生B的考生答案而言,主观题相似度10%,客观题相似度为20%;考生A的考生答案相对于标准答案而言,客观题相似度为90%,主观题相似度为80%,其,则可以表示考生A没有作弊,且可以初步判断考生A的成绩较好。这样,通过设置相似度阈值,首先排除部分不可能作弊的考生,可以减少后续计算的数据量。
作为一种可能的实施例方式,当系统在进行答案相似度计算时,识别到与某个题目对应的多个考生答案均相同,且该相同的考生答案的数量超过了预设的数量阈值,则在计算答案相似度时,可以排除对该题的考生答案进行相似度计算,例如:总共抽取1000份试卷,在进行答案识别时,针对同一个题目存在998个相同答案,则在进行考生答案相似度计算时,可以排除该题目。这样,可以减少相似度计算的数据量,加快其计算时间。
作为另一种可能的实施例方式,在对考生答案进行识别,计算出考生答案与考生答案的主观题相似度与客观题相似度、考生答案与标准答案的主观题相似度与客观题相似度之后,可以以分析报告的方式将其对应考生信息(考生姓名、视频信息等)进行展示,这样,便于清晰的了解到各考生的答案相似度情况。
203、根据答案相似度计算考生作弊可能值,筛选满足作弊阈值的考生信息,并根据考生信息判断是否满足作弊条件。
204、若满足,则提取与考生信息对应的视频信息进行分析,判断考生是否作弊。
在本发明实施例中,通过获取考生答案进行识别,计算出考生答案与考生答案之间的第一相似度以及考生答案与标准答案之间的第二相似度,其第一相似度与第二相似度又分别包括了客观题相似度与主观题相似度,这样,可以根据第一相似度与第二相似度计算考生作弊可能值,且这样计算得到的作弊可能值的准确度高,可以降低误判的可能性。作弊可能值更精准,提取到的考生信息也会更准确,提取的视频信息也会更具有针对性。所以,有利于提高对考生作弊进行判断的准确率。
请参见图3,图3是本发明实施例提供的一种作弊识别方法的流程图,如图3所示,包括以下步骤:
301、获取考生答案,对考生答案进行识别。
302、计算相同答案类型的考生答案分别与考生答案、标准答案的相似度,以分别得到第一相似度和第二相似度,第一相似度为相同答案类型的考生答案与考生答案之间的相似度,第二相似度为相同答案类型的考生答案与标准答案之间的相似度。
303、根据相同答案类型的考生答案与考生答案的第一相似度,以及与第一相似度具有相同答案类型的第一权重值进行计算,以获取第一作弊可能值。
其中,可以预先针对客观题与主观题分别设置权重值,若是考生答案与考生答案之间进行答案相似度计算,则可以分别设置第一客观题权重值与第一主观题权重值。上述的第一客观题权重值与第一主观题权重值均属于第一权重值的两种方式,例如:预设第一客观题权重值为40%,第一主观题权重值为20%。可以将第一相似度与第一权重值相乘,以得到上述第一作弊可能值,例如:考生答案与考生答案的客观题相似度为87%,主观题相似度为95%,则第一作弊可能值为87%×40%+95%×20%,得53.8%。上述第一作弊可能值可以表示根据考生之间的答案进行分析,所得到的作弊的可能性大小。
304、根据相同答案类型的考生答案与标准答案的第二相似度,以及与第二相似度具有相同答案类型的第二权重值进行计算,以获取第二作弊可能值。
其中,针对考生答案与标准答案进行答案相似度计算,同样可以分别设置第二客观题权重值与第二主观题权重值,上述的第二客观题权重值与第二主观题权重值均属于第二权重值的两种方式,例如:预设第二客观题权重值为30%,第二主观题权重值为10%。将第二相似度与第二权重值做积后可以得到第二作弊可能值,例如:考生答案与标准答案的客观题相似度为75%,主观题相似度为75%,则第二作弊可能值为75%×30%+75%×10%,得30%。上述第二作弊可能值可以表示通过对考生答案与表征答案进行分析,得到的作弊的可能性大小。
305、根据第一作弊可能值及第二作弊可能值进行计算,以得到考生作弊可能值,筛选满足作弊阈值的考生信息,并根据考生信息判断是否满足作弊条件。
计算得到第一作弊可能值及第二作弊可能值之后,可以对第一作弊可能值及第二作弊可能值进行求和,例如:第一作弊可能值为53.8%,第二作弊可能值30%,求和得到考生作弊可能值为83.8%。若作弊阈值为80%,计算得到的考生作弊可能值为83.8%,表示与该考生作弊可能值对应的考生存在作弊可能,不应该排除该考生。当然,若是作弊阈值设置为90%,则表示该考生作弊可能低,可以排除该考生作弊的可能。经过作弊阈值的筛选后,会保留考生作弊可能值达到作弊阈值的考生以及相应的考生信息。这样,便可以对剩余考生的考生信息进行分析排除不满足作弊条件的考生,保留满足作弊条件的考生对应的考生信息,且此时的考生信息中可以包括视频信息。
306、若满足,则提取与考生信息对应的视频信息进行分析,判断考生是否作弊。
在本实施例中,通过获取考生答案,并计算出第一相似度以及第二相似度,根据预先针对客观题及主观题设置的第一权重值及第二权重值,对应将第一相似度与第一权重值做积,第一作弊可能值;将第二相似度与第二权重值做积,第二作弊可能值,最后再将第一作弊可能值与第二作弊可能值求和,得到考生作弊可能值;根据考生作弊可能值与作弊阈值进行比较后,保留满足作弊阈值的考生,并提取该考生的考生信息与作弊条件比较,将满足作弊条件的考生的视频信息提取出来进行进一步分析,判断该考生是否作弊。这样,经过对考生答案以及考生信息的整体分析,有利于减少人力监督的同时,对考试作弊的考生做出更为准确判断。
请参见图4,图4是本发明实施例提供的一种作弊识别方法的流程图,如图4所示,包括以下步骤:
401、对获取到的考生答案进行识别,得到考生答案的答案相似度。
402、根据答案相似度计算考生作弊可能值,判断考生作弊可能值是否达到作弊阈值。
其中,计算出上述考生作弊可能值之后,可以将其与作弊阈值进行比较,例如:将考生A的作弊可能值83.5%与作弊阈值80%进行比较,得到考生A的作弊可能值未达到作弊阈值。
403、若达到,则提取考生作弊可能值达到作弊阈值的考生信息,并根据考生信息判断是否满足作弊条件。
其中,达到可以表示考生作弊值大于等于作弊阈值。上述的考生信息可以是考生的姓名、考场等个人信息或者座位安排表,例如:考生A的作弊可能值83.5%大于作弊阈值80%,则提取考生A的姓名、座位安排表等信息。上述的作弊条件可以表示在考场中考生之间的距离能够满足考生偷窥、发暗号、交头接耳等。根据考生信息判断考生是否满足作弊条件,可以排除部分不满足作弊条件的考生,避免对所有达到作弊阈值的考生对应的视频信息进行全部提取,减少后续数据的计算量,降低耗时。
上述的满足作弊条件可以表示根据考生信息可以判断考生满足作弊条件,例如:考生B的作弊可能值为90%,且考生A坐在第一排最左侧,考生B坐在考生A的正后方,考生A与考生B之间无遮挡物,则表示考生B满足作弊条件。再例如:考生B的作弊可能值为90%,且考生A坐在第一排最左侧,考生B坐在第四排的最后一个位置,或者考生A与考生B在不同的考场,所以考生A与考生B之间的距离实现作弊可能性小,则表示考生B不满足作弊条件。
可以在进入考场前,可以对考生携带的电子设备进行暂时保存,避免考生在考生过程中通过电子设备作弊。
404、若满足,则提取与考生信息对应的视频信息进行分析,判断考生是否作弊。
在本发明实施例中,通过获取考生答案进行识别,判断考生答案之间的答案相似度,再根据答案相似度计算考生作弊可能值,将考生作弊可能值与作弊阈值比较,筛选出满足作弊阈值的考生信息,并判断考生信息是否满足作弊条件,并将满足作弊条件的考生对应的视频信息进行提取进一步分析,确定该考生是否作弊。根据比较筛选出不满足作弊阈值的考生,通过再次比较可以筛选出一批不满足作弊条件的考生。这样,通过多次比较可以排除作弊嫌疑小的考生,在提取视频信息进行分析时,有利于降低视频分析的数据量。
请参见图5,图5是本发明实施例提供的另一种作弊识别方法的流程图,如图5所示,包括以下步骤:
501、对获取到的考生答案进行识别,得到考生答案的答案相似度。
502、考生信息包括考生的考生序列号,根据答案相似度计算考生作弊可能值,筛选满足作弊阈值的考生信息,提取考生序列号,识别考生序列号之间的考试距离。
其中,考生序列号可以表示考生的座位号、考场号及考生编号等信息。通过考生序列号,可以知道考生之间的距离,例如:同一考点的1考场1号位与1考场2号位为相邻座位。当然,考场的座位号排列顺序可以是有序的排列,例如:若考试有30人,第一竖排的座位号从前到后依次为1-8,第二竖排的座位号从后到前依次为9-15,第三竖排的座位号从前到后依次为16-22,第四竖排的座位号从后到前依次为23-30。当然,上述仅表示一个示例,考虑每种考试的考试类型不同,使得考场的座位号的部署不同。所以,对于上述的考生序列号的部署可以根据具体环境做具体分析,在本发明实施例中对此不做限定。
通过考生序列号可以判断考生之间的距离,例如:在公务员考试中,考生C坐在考生D正前方,且每张作为之间的距离为50厘米,则考生C与考生D之间的考试距离为50厘米。若是考生之间不相邻,可以通过摄像头直接获取两个考生的位置,然后系统通过勾股定理计算两者之间的考试距离,或者通过系统内部部署的定位设备直接定位两个考生的位置,得到两者之间的考试距离。
503、作弊条件包括距离阈值,判断考试距离是否满足距离阈值。
其中,距离阈值可以是预设的对考生是否作弊的一个衡量数值。当系统提取了考生的考生序列号之后,可以计算出两个考生的考生序列号之间的考试距离,这样,便可以将考试距离与距离阈值进行比较判断其大小。
504、若不满足,则删除分析考试距离不满足距离阈值的考生信息。
当考生之间的考试距离大于距离阈值时,可以表示两位考生无法作弊,例如:考生C与考生D之间的考试距离为10米,距离阈值为1.5米,则考生C与考生D不满足作弊阈值,无法实现作弊。对于无法实现作弊的考生,可以不再提取该考生的视频信息进行分析,可以删除该考生的考生信息,避免占用存储空间。
505、若满足,则提取与考生信息对应的视频信息进行分析,判断考生是否作弊。
当考生之间的考试距离小于或者等于上述距离阈值时,可以表示两位考生可以作弊,例如:考生C与考生D之间的考试距离为1米,距离阈值为1.5米,则考生C与考生D满足作弊阈值,可以实现作弊。对于满足作弊阈值的考生,可以提取该考生的视频信息,根据视频信息做具体的分析。
在本发明实施例中,在计算得到考生作弊可能值,并筛选出满足作弊阈值的考生信息后,通过获取考生的考生序列号,识别考生之间的考试距离,并将考试距离与距离阈值比对,提取出考试距离满足距离阈值的考生的视频信息进行分析该考生是否作弊。通过判断考生之间的考试距离,排除部分不满足距离阈值的考生,并在满足距离阈值的考生中,提取与每个考生对应的视频信息进行分析,有利于减少视频分析的耗时。
请参见图6,图6是本发明实施例提供的另一种作弊识别方法的流程图,如图6所示,包括以下步骤:
601、对获取到的考生答案进行识别,得到考生答案的答案相似度。
602、根据答案相似度计算考生作弊可能值,筛选满足作弊阈值的考生信息,并根据考生信息判断是否满足作弊条件。
603、考生信息包括考生的人脸方位,提取与考生信息对应的视频信息,识别视频信息中考生的人脸方位。
上述的人脸方位可以表示在考试过程人脸的朝向,当摄像机部署在考场中的某个位置或者多个位置时,可以根据摄像头与摄像头所采集到的视频信息中的人脸方位对该考生做具体的分析。当设置有多个摄像头时,可以让每个摄像头固定采集某个区域的视频信息,这样设置针对性强,且采集该区域中的考生的具体动作更清晰;此外,也可以让每个摄像头采集整个考场的视频信息,可以得到考场中多角度的视频信息。
604、判断人脸方位是否超过预设标准方位,若超过,则判断考生作弊。
上述预设标准方位是根据摄像头的具体部署位置为准进行判断的。判断人脸方位是否超过预设标准方位可以根据考生动作分析,例如:若摄像机安装在左上方天花板,摄像机范围内考生均面向正前方,摄像机可拍摄到考生左侧45°人脸。若识别到某考生右侧脸部图像,可判定该考生正在往后方考生处看,有靠外人作弊嫌疑;若识别到某考生后脑,可判定该考生正在往右侧考生处看,有靠外人作弊嫌疑;若识别到某考生正脸,可判定该考生正在往左侧考生处看,有靠外人作弊嫌疑;若识别到两名考生在满足距离阈值的情况下,在同一时间内人脸朝向相反(第二列第三排考生往左侧看,第三列第三排考生在同一时间往右侧看等情况),可判定两人有作弊或提供作弊嫌疑。
作为一种可能的实施例方式,上述的预设标准方位可以包括时间阈值及次数阈值。其中,时间阈值表示考生转头于某个方位的时间限制,次数阈值表示考生转向同一个方位的次数最大值。例如:设置次数阈值为3次,时间阈值为2分钟,即该名考生在2分钟内超过3次往同一个方向看,即可判定该考试有靠外人作弊的极大嫌疑。上述通过设置时间阈值及对应的次数阈值进行多重识别,可以减少误判。
上述判断人脸方位是否超过预设标准方位还可以根据考生的状态分析,例如:若摄像机安装在左上方天花板,摄像机范围内考生均面向正前方,摄像机可拍摄到考生左侧45°人脸。若识别到某考生左侧45°人脸并识别到考生低头且为非睡觉状态,可判定有依靠外物作弊嫌疑。再例如:摄像机安装在左上方天花板,摄像机范围内考生均面向正前方,摄像机可拍摄到考生左侧45°人脸,若识别到某考生长时间(8分钟、10分钟等)无任何动作,即可判定该考生在睡觉。
作为一种可能的实施例方式,上述的预设标准方位可以包括预先设置时间阈值及次数阈值,例如:设置次数阈值为2次,时间阈值为1分钟,即该名考生在1分钟内超过2次低头且非睡觉,即可判定该考试有靠外物作弊的极大嫌疑。通过设置时间阈值及对应的次数阈值进行多重识别,可以减少误判。
作为另一种可能的实施例方式,在考生作弊可能值达到作弊阈值的情况下,可以获取视频信息中考生提交答案的时间节点,根据答案提交的时间节点分析两位考生之间是否有作弊嫌疑,然后再结合两位考生的视频信息中的动作、状态等信息判断是否满足上述的预设标准方位,若提交答案的时间节点互有先后且上述的人脸方位不满足预设标准方位,则可定义为正常情况,不存在作弊行为。
在本发明实施例中,对获取到的考生答案进行识别,得到考生答案的答案相似度,并根据答案相似度计算考生作弊可能值,筛选满足作弊阈值的考生信息,根据考生信息提取满足作弊条件的考生对应视频信息进行分析,根据视频信息中考生的动作、状态等行为判断考生是否作弊。这样,通过层层筛选之后,最后再对视频信息中采集到的具体动作及状态进行分析,可以防止误判,有利于提高判断的准确性。
请参见图7,图7是本发明实施例提供的一种作弊识别装置700的结构示意图,如图7所示,装置700包括:
识别模块701,用于对获取到的考生答案进行识别,得到考生答案的答案相似度;
计算模块702,用于根据答案相似度计算考生作弊可能值,筛选满足作弊阈值的考生信息,并根据考生信息判断是否满足作弊条件;
分析模块703用于若满足,则提取与考生信息对应的视频信息进行分析,判断考生是否作弊。
可选的,如图8所示,识别模块701包括:
第一识别单元7011,用于获取考生答案,对考生答案进行识别;
第一计算单元7012,用于计算相同答案类型的考生答案分别与考生答案、标准答案的相似度,以分别得到第一相似度和第二相似度,第一相似度为相同答案类型的考生答案与考生答案之间的相似度,第二相似度为相同答案类型的考生答案与标准答案之间的相似度。
可选的,如图9所示,计算模块702包括:
第二计算单元7021,根据相同答案类型的考生答案与考生答案的第一相似度,以及与第一相似度具有相同答案类型的第一权重值进行计算,以获取第一作弊可能值;
第二计算单元7021还用于根据相同答案类型的考生答案与标准答案的第二相似度,以及与第二相似度具有相同答案类型的第二权重值进行计算,以获取第二作弊可能值;
第三计算单元7022,用于根据第一作弊可能值及第二作弊可能值进行计算,以得到考生作弊可能值。
可选的,如图10所示,计算模块702还包括:
比较单元7023,用于判断考生作弊可能值是否达到作弊阈值;
第一提取单元7024,用于若达到,则提取考生作弊可能值达到作弊阈值的考生信息。
可选的,考生信息包括考生的考生序列号,作弊条件包括距离阈值,如图11所示,计算模块702还包括:
第二提取单元7025,用于提取考生序列号,识别考生序列号之间的考试距离;
第一判断单元7026,用于判断考试距离是否满足距离阈值;
删除单元7027,用于若不满足,则删除分析考试距离不满足距离阈值的考生信息。
可选的,考生信息包括考生的人脸方位,如图12所示,分析模块703包括:
第二识别单元7031,用于提取与考生信息对应的视频信息,识别视频信息中考生的人脸方位;
第二判断单元7032,用于判断人脸方位是否超过预设标准方位,若超过,则判断考生作弊。
本发明实施例提供的作弊识别装置700能够实现上述方法实施例中作弊识别方法实现的各个过程,为避免重复,这里不再赘述。且可以达到相同的有益效果。
参见图13,图13是本发明实施例提供的一种电子设备1300的结构示意图,如图13所示,包括:处理器1301、存储器1302、网络接口1303及存储在存储器1302上并可在处理器1301上运行的计算机程序。
其中:
处理器1301用于调用存储器1302存储的计算机程序,并执行如下步骤:
对获取到的考生答案进行识别,得到考生答案的答案相似度;
根据答案相似度计算考生作弊可能值,筛选满足作弊阈值的考生信息,并根据考生信息判断是否满足作弊条件;
若满足,则提取与考生信息对应的视频信息进行分析,判断考生是否作弊。
可选的,考生答案包括多种答案类型,处理器1301执行的对获取到的考生答案进行识别,得到考生答案的答案相似度的步骤包括:
获取考生答案,对考生答案进行识别;
计算相同答案类型的考生答案分别与考生答案、标准答案的相似度,以分别得到第一相似度和第二相似度,第一相似度为相同答案类型的考生答案与考生答案之间的相似度,第二相似度为相同答案类型的考生答案与标准答案之间的相似度。
可选的,处理器1301执行的根据答案相似度计算考生作弊可能值的步骤包括:
根据相同答案类型的考生答案与考生答案的第一相似度,以及与第一相似度具有相同答案类型的第一权重值进行计算,以获取第一作弊可能值;
根据相同答案类型的考生答案与标准答案的第二相似度,以及与第二相似度具有相同答案类型的第二权重值进行计算,以获取第二作弊可能值;
根据第一作弊可能值及第二作弊可能值进行计算,以得到考生作弊可能值。
可选的,1301执行的筛选满足作弊阈值的考生信息的步骤包括:
判断考生作弊可能值是否达到作弊阈值;
若达到,则提取考生作弊可能值达到作弊阈值的考生信息。
可选的,考生信息包括考生的考生序列号,作弊条件包括距离阈值,处理器1301执行的并根据考生信息判断是否满足作弊条件的步骤包括:
提取考生序列号,识别考生序列号之间的考试距离;
判断考试距离是否满足距离阈值;
若不满足,则删除分析考试距离不满足距离阈值的考生信息。
可选的,考生信息包括考生的人脸方位,处理器1301执行的提取与考生信息对应的视频信息进行分析,判断考生是否作弊的步骤包括:
提取与考生信息对应的视频信息,识别视频信息中考生的人脸方位;
判断人脸方位是否超过预设标准方位,若超过,则判断考生作弊。
本发明实施例提供的电子设备1300能够实现作弊识别方法实施例中的各个实施方式,以及相应有益效果,为避免重复,这里不再赘述。
需要说明的是,图中仅示出了具有组件的1301-1303,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的电子设备1300是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
上述电子设备1300可以是桌上型计算机、笔记本及掌上电脑等计算设备。电子设备1300可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
存储器1302至少包括一种类型的可读存储介质,可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器1302可以是电子设备1300的内部存储单元,例如该电子设备1300的硬盘或内存。在另一些实施例中,存储器1302也可以是电子设备1300的外部存储设备,例如该电子设备1300上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器1302还可以既包括电子设备1300的内部存储单元也包括其外部存储设备。本实施例中,存储器1302通常用于存储安装于电子设备1300的操作系统和各类应用软件,例如基于阅读内容的推送方法的程序代码等。此外,存储器1302还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器1301在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器1301通常用于控制电子设备1300的总体操作。本实施例中,处理器1301用于运行存储器1302中存储的程序代码或者处理数据,例如运行基于阅读内容的推送方法的程序代码。
网络接口1303可包括无线网络接口或有线网络接口,该网络接口1303通常用于在电子设备1300与其他电子设备之间建立通信连接。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器1301执行时实现本发明实施例提供的作弊识别方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,作弊识别方法的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(RandomAccess Memory,简称RAM)等。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。且本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种作弊识别方法,其特征在于,包括以下步骤:
对获取到的考生答案进行识别,得到所述考生答案的答案相似度;
根据所述答案相似度计算考生作弊可能值,筛选满足作弊阈值的考生信息,并根据所述考生信息判断是否满足作弊条件;
若满足,则提取与所述考生信息对应的视频信息进行分析,判断所述考生是否作弊。
2.如权利要求1所述的方法,其特征在于,所述对获取到的考生答案进行识别,得到所述考生答案的答案相似度的步骤包括:
获取所述考生答案,对所述考生答案进行识别;
计算相同答案类型的考生答案分别与考生答案、标准答案的相似度,以分别得到第一相似度和第二相似度,所述第一相似度为所述相同答案类型的考生答案与考生答案之间的相似度,所述第二相似度为所述相同答案类型的考生答案与标准答案之间的相似度。
3.如权利要求2所述的方法,其特征在于,所述根据所述答案相似度计算考生作弊可能值的步骤包括:
根据所述相同答案类型的考生答案与考生答案的第一相似度,以及与所述第一相似度具有所述相同答案类型的第一权重值进行计算,以获取第一作弊可能值;
根据所述相同答案类型的考生答案与标准答案的第二相似度,以及与所述第二相似度具有所述相同答案类型的第二权重值进行计算,以获取第二作弊可能值;
根据所述第一作弊可能值及第二作弊可能值进行计算,以得到所述考生作弊可能值。
4.如权利要求1所述的方法,其特征在于,所述筛选满足作弊阈值的考生信息的步骤包括:
判断所述考生作弊可能值是否达到所述作弊阈值;
若达到,则提取所述考生作弊可能值达到所述作弊阈值的考生信息。
5.如权利要求1所述的方法,其特征在于,所述考生信息包括考生的考生序列号,所述作弊条件包括距离阈值,所述并根据所述考生信息判断是否满足作弊条件的步骤包括:
提取所述考生序列号,识别所述考生序列号之间的考试距离;
判断所述考试距离是否满足所述距离阈值;
若不满足,则删除分析所述考试距离不满足所述距离阈值的考生信息。
6.如权利要求1所述的方法,其特征在于,所述考生信息包括考生的人脸方位,所述提取与所述考生信息对应的视频信息进行分析,判断所述考生是否作弊的步骤包括:
提取与所述考生信息对应的视频信息,识别所述视频信息中考生的人脸方位;
判断所述人脸方位是否超过预设标准方位,若超过,则判定所述考生作弊。
7.一种作弊识别装置,其特征在于,包括:
识别模块,用于对获取到的考生答案进行识别,得到所述考生答案的答案相似度;
计算模块,用于根据所述答案相似度计算考生作弊可能值,筛选满足作弊阈值的考生信息,并根据所述考生信息判断是否满足作弊条件;
分析模块,用于若满足,则提取与所述考生信息对应的视频信息进行分析,判断所述考生是否作弊。
8.如权利要求7所述的作弊识别装置,其特征在于,所述识别模块包括:
第一识别单元,用于获取所述考生答案,对所述考生答案进行识别;
第一计算单元,用于计算相同答案类型的考生答案分别与考生答案、标准答案的相似度,以分别得到所述多种答案类型的第一相似度和第二相似度。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的作弊识别方法中的步骤。
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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的作弊识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911338656.3A CN113095968A (zh) | 2019-12-23 | 2019-12-23 | 一种作弊识别方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911338656.3A CN113095968A (zh) | 2019-12-23 | 2019-12-23 | 一种作弊识别方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113095968A true CN113095968A (zh) | 2021-07-09 |
Family
ID=76662926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911338656.3A Pending CN113095968A (zh) | 2019-12-23 | 2019-12-23 | 一种作弊识别方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095968A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006099031A (ja) * | 2004-08-31 | 2006-04-13 | Toshiba Corp | 試験提供システム、試験提供サーバおよび試験提供プログラム |
CN101727544A (zh) * | 2010-01-08 | 2010-06-09 | 中国人民解放军专业技术干部考试中心 | 一种考试处理系统和方法 |
US20130113628A1 (en) * | 2011-11-04 | 2013-05-09 | Eric Shepherd | System and method for data anomaly detection process in assessments |
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 |
CN106919922A (zh) * | 2017-03-07 | 2017-07-04 | 佛山市金蓝领教育科技有限公司 | 一种防作弊远程考试系统 |
WO2017152425A1 (zh) * | 2016-03-11 | 2017-09-14 | 深圳市大疆创新科技有限公司 | 存储介质、网络测试防作弊的方法、系统及设备 |
CN107895036A (zh) * | 2017-11-27 | 2018-04-10 | 合肥亚慕信息科技有限公司 | 一种基于安全加密在线考试作弊分析处理方法 |
CN108334846A (zh) * | 2018-02-06 | 2018-07-27 | 高强 | 一种智能考场监考方法及系统 |
CN109800389A (zh) * | 2018-12-13 | 2019-05-24 | 平安普惠企业管理有限公司 | 基于数据分析的识别答题作弊方法、装置、计算机设备 |
CN109815819A (zh) * | 2018-12-25 | 2019-05-28 | 北京城市网邻信息技术有限公司 | 一种作弊检测方法、装置、终端设备及存储介质 |
CN109829392A (zh) * | 2019-01-11 | 2019-05-31 | 平安科技(深圳)有限公司 | 考场作弊识别方法、系统、计算机设备和存储介质 |
CN110083808A (zh) * | 2019-03-18 | 2019-08-02 | 平安科技(深圳)有限公司 | 基于用户答案的作弊判定方法、装置、设备及存储介质 |
CN110135282A (zh) * | 2019-04-25 | 2019-08-16 | 沈阳航空航天大学 | 一种基于深度卷积神经网络模型的考生回头抄袭作弊检测方法 |
-
2019
- 2019-12-23 CN CN201911338656.3A patent/CN113095968A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006099031A (ja) * | 2004-08-31 | 2006-04-13 | Toshiba Corp | 試験提供システム、試験提供サーバおよび試験提供プログラム |
CN101727544A (zh) * | 2010-01-08 | 2010-06-09 | 中国人民解放军专业技术干部考试中心 | 一种考试处理系统和方法 |
US20130113628A1 (en) * | 2011-11-04 | 2013-05-09 | Eric Shepherd | System and method for data anomaly detection process in assessments |
WO2017152425A1 (zh) * | 2016-03-11 | 2017-09-14 | 深圳市大疆创新科技有限公司 | 存储介质、网络测试防作弊的方法、系统及设备 |
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 |
CN106919922A (zh) * | 2017-03-07 | 2017-07-04 | 佛山市金蓝领教育科技有限公司 | 一种防作弊远程考试系统 |
CN107895036A (zh) * | 2017-11-27 | 2018-04-10 | 合肥亚慕信息科技有限公司 | 一种基于安全加密在线考试作弊分析处理方法 |
CN108334846A (zh) * | 2018-02-06 | 2018-07-27 | 高强 | 一种智能考场监考方法及系统 |
CN109800389A (zh) * | 2018-12-13 | 2019-05-24 | 平安普惠企业管理有限公司 | 基于数据分析的识别答题作弊方法、装置、计算机设备 |
CN109815819A (zh) * | 2018-12-25 | 2019-05-28 | 北京城市网邻信息技术有限公司 | 一种作弊检测方法、装置、终端设备及存储介质 |
CN109829392A (zh) * | 2019-01-11 | 2019-05-31 | 平安科技(深圳)有限公司 | 考场作弊识别方法、系统、计算机设备和存储介质 |
CN110083808A (zh) * | 2019-03-18 | 2019-08-02 | 平安科技(深圳)有限公司 | 基于用户答案的作弊判定方法、装置、设备及存储介质 |
CN110135282A (zh) * | 2019-04-25 | 2019-08-16 | 沈阳航空航天大学 | 一种基于深度卷积神经网络模型的考生回头抄袭作弊检测方法 |
Non-Patent Citations (2)
Title |
---|
孙勇等: "基于在线聚类的协同作弊团体识别方法", 《计算机研究与发展》, no. 6, pages 1320 - 1332 * |
常永虎等: "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 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858371B (zh) | 人脸识别的方法及装置 | |
CN107742100B (zh) | 一种考生身份验证方法及终端设备 | |
CN109285234B (zh) | 人脸识别考勤方法、装置、计算机装置及存储介质 | |
CN110298230A (zh) | 静默活体检测方法、装置、计算机设备及存储介质 | |
CN102880781B (zh) | 在线考试智能监控系统 | |
CN105956572A (zh) | 一种基于卷积神经网络的活体人脸检测方法 | |
CN112418009B (zh) | 一种图像质量检测方法、终端设备及存储介质 | |
CN111191532B (zh) | 基于施工区域的人脸识别方法、装置、计算机设备 | |
JP5568153B1 (ja) | 乗客探知システム | |
CN110543811B (zh) | 一种基于深度学习的非配合式考试人员管理方法及其系统 | |
CN111325082B (zh) | 一种人员专注度分析方法及装置 | |
CN110991249A (zh) | 人脸检测方法、装置、电子设备及介质 | |
CN113052127A (zh) | 一种行为检测方法、系统、计算机设备及机器可读介质 | |
CN111985452B (zh) | 一种人员活动轨迹及落脚点的自动生成方法及系统 | |
CN112087603B (zh) | 智慧考场监管方法 | |
CN111832434B (zh) | 一种保护隐私下的校园抽烟行为识别方法及处理终端 | |
CN112819665A (zh) | 课堂状态的评估方法和相关装置、设备 | |
CN111291627A (zh) | 人脸识别方法、装置及计算机设备 | |
CN114049658A (zh) | 基于人脸识别的流动人口管理方法、装置、计算机设备和存储介质 | |
CN114005235A (zh) | 一种安防监控方法、系统、介质及电子终端 | |
KR102478558B1 (ko) | 고객 만족도 조사 수행 시스템 | |
CN112183380B (zh) | 基于人脸识别的客流量分析方法和系统、电子设备 | |
CN113095968A (zh) | 一种作弊识别方法、装置及电子设备 | |
CN115331346A (zh) | 一种校园门禁管理方法、装置、电子设备及存储介质 | |
CN110969209B (zh) | 一种陌生人识别方法、装置、电子设备及存储介质 |
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 |