CN113269062B - 应用于智慧教育的人工智能异常识别方法 - Google Patents

应用于智慧教育的人工智能异常识别方法 Download PDF

Info

Publication number
CN113269062B
CN113269062B CN202110528768.6A CN202110528768A CN113269062B CN 113269062 B CN113269062 B CN 113269062B CN 202110528768 A CN202110528768 A CN 202110528768A CN 113269062 B CN113269062 B CN 113269062B
Authority
CN
China
Prior art keywords
examinee
invigilation
image
sequence
abnormal
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.)
Active
Application number
CN202110528768.6A
Other languages
English (en)
Other versions
CN113269062A (zh
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shian express information technology (Shenzhen) Co.,Ltd.
Original Assignee
Shian Express Information Technology Shenzhen Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shian Express Information Technology Shenzhen Co ltd filed Critical Shian Express Information Technology Shenzhen Co ltd
Priority to CN202110528768.6A priority Critical patent/CN113269062B/zh
Publication of CN113269062A publication Critical patent/CN113269062A/zh
Application granted granted Critical
Publication of CN113269062B publication Critical patent/CN113269062B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种应用于智慧教育的人工智能异常识别方法，其包括：接收考试管理终端发送的第一监考信息以及智能监考设备发送的第二监考信息。将监控视频按照预设步长分割以生成监考图像序列。根据考试座位分布信息和考生座位映射信息对监考图像序列进行处理得到考生监考序列包，并对考生监考序列包进行处理得到异常识别特征向量。将异常识别特征向量输入到人工智能异常识别模型以识别相应考生是否存在作弊行为。在人工智能异常识别模型识别出相应考生存在作弊行为时，发送作弊警示信息到考试管理终端；在人工智能异常识别模型识别出相应考生不存在作弊行为时，根据所述异常识别特征向量对人工智能异常识别模型进行更新训练。

Description

应用于智慧教育的人工智能异常识别方法
技术领域
本发明涉及智慧教育和人工智能领域，尤其涉及一种应用于智慧教育的人工智能异常识别方法。
背景技术
随着人工智能技术的普及，人类社会正在从信息化时代步入智能化时代。我们在生活中己经能切身感受到人工智能带来的便利，很多场景中能够找到人工智能的身影。人工智能作为新一轮产业变革的核心驱动力之一，对社会和经济将产生深远影响。人工智能与行业场景深度结合，会产生显著的效益，人工智能可以助力传统行业实现跨越式升级，同时人工智能技术本身也得以持续进化。目前安防、金融、教育等行业的人工智能变革已经取得了较好的成果。
教师的工作是传道受业解惑，但是目前教师除了教书育人，还要做许多辛苦的工作，比如批改大量作业和监考等。将人工智能应用到考场监考，将大大降低教师的劳动强度，有利于考试的组织安排，保证考试的工作性。
发明内容
有鉴于此，本发明提供了一种应用于智慧教育的人工智能异常识别方法，其包括：
接收考试管理终端发送的第一监考信息以及智能监考设备发送的第二监考信息；
将监控视频在时间维度上按照预设步长分割为若干个监考图像，并按照时间顺序将所有监考图像进行排列以生成监考图像序列；
根据考试座位图获取考试座位分布信息，并根据考试座位分布信息将监考图像划分若干个不规则网格，然后根据所有不规则网格的重心得到内插网格间距；
根据所述内插网格间距将监考图像划分为等间距的规则网格以得到监考划分图像，并根据监考划分图像得到监考子图包；
根据考试座位图获取考生座位映射信息，并根据考生座位映射信息对监考子图包进行映射处理以得到考生监考序列包；
根据考生监考序列包获取行为识别点序列，并根据行为识别点序列获取所有行为识别点的时间特征和空间特征，然后将行为识别点的时间特征和空间特征进行特征融合以获取行为识别点的时空特征；
根据每个行为识别点的时空特征和每个行为识别点的周围行为识别点的时空特征进行像素直方图统计以得到异常识别特征向量；
从数据库获取异常识别训练数据，并根据异常识别训练数据进行神经网络模型训练以得到人工智能异常识别模型，然后将异常识别特征向量输入到人工智能异常识别模型以识别相应考生是否存在作弊行为；
在人工智能异常识别模型识别出相应考生存在作弊行为时，发送作弊警示信息到考试管理终端；
在人工智能异常识别模型识别出相应考生不存在作弊行为时，根据所述异常识别特征向量对人工智能异常识别模型进行更新训练。
进一步实施例中，考试管理员通过考试管理终端发送第一监考信息到人工智能平台；智能监考设备将采集到的监考视频进行考试信息标注以生成第二监考信息并将其发送到人工智能平台。
进一步实施例中，将异常识别特征向量输入到人工智能异常识别模型识别相应考生是否存在作弊行为包括：
将异常识别特征向量输入到预先训练的人工智能异常识别模型，人工智能异常识别模型对所述异常识别特征向量进行数据处理以得到所述异常识别特征向量的异常值，并将所述异常识别特征向量的异常值与异常阈值进行比较；
在所述异常识别特征向量的异常值大于或等于异常阈值时，人工智能异常识别模型识别相应考生存在作弊行为并输出识别结果；
在所述异常识别特征向量的异常值小于异常阈值时，人工智能异常识别模型识别相应考生不存在作弊行为并输出识别结果。
进一步实施例中，人工智能异常识别模型对异常识别特征向量进行数据处理得到异常识别特征向量的异常值包括：
人工智能异常识别模型的卷积层提取异常识别特征向量的异常识别特征；
人工智能异常识别模型的激励层对所述异常识别特征进行非线性映射以对所述异常识别特征进行特征增强；
人工智能异常识别模型的池化层对所述异常识别特征进行数据压缩和参数压缩以降低异常识别特征的维度从而减小过拟合；
人工智能异常识别模型的全连接层将所述异常识别特征进行扁平化处理为一维张量，并将所述一维张量输入到分类器中以得到所述异常识别特征向量的异常值。
进一步实施例中，根据考试座位分布信息得到监考划分图像包括：
以监考图像中心为坐标轴原点建立标准坐标系，并以标准坐标系为参考坐标系建立距离矩阵，然后根据考试座位分布信息将监考图像划分若干个不规则网格；
根据距离矩阵获取监考图像中每个不规则网格的重心到标准坐标系的原点的距离，并根据所有不规则网格的重心到标准坐标系的原点的距离得到内插网格间距；
根据所述内插网格间距将监考图像的坐标覆盖区域划分为等间距的规则网格得到监考划分图像；每个规则网格对应一个考试座位。
进一步实施例中，根据监考划分图像得到监考子图包包括：
获取监考划分图像中的每个规则网格的重心，并将每个规则网格的重心作为监考划分图像中每个考生的考生中心坐标；
根据监考划分图像中每个考生的考生中心坐标获取监考划分图像中每个考生的考生头部轮廓，并根据每个考生的考生头部轮廓得到每个考生的考生头部重心、考生头部宽度和考生头部高度；
根据每个考生的考生头部重心、考生头部宽度和考生头部高度进行映射处理得到每个考生的考生左肩中心坐标和考生右肩中心坐标；所述考生左肩中心坐标和考生右肩中心坐标以标准坐标系为参考坐标系；
根据预设肩部斜率将每个考生的考生左肩中心点和考生右肩中心点向下引垂线以得到每个考生的考生手臂轮廓线，并根据预设肘部夹角将每个考生的考生手臂轮廓线向下引垂线以得到每个考生的考生腰部轮廓线。
进一步实施例中，根据监考划分图像得到监考子图包包括：
根据每个考生的考生头部轮廓线、考生手臂轮廓线和考生腰部轮廓线获取监考划分图像中每个考生的第一考生轮廓；
根据监考划分图像中每个考生的第一考生轮廓获取每个考生的轮廓关键点的坐标；
根据监考划分图像中每个考生的轮廓关键点的坐标将监考划分图像划分为若干个第一考生图像，每个第一考生图像对应一个考生。
进一步实施例中，根据监考划分图像得到监考子图包包括：
根据考生划分系数获取初始划分曲线，并根据初始划分曲线的参数和考生划分系数对第一考生图像进行拟合以得到每个第一考生图像对应的考生划分曲线；
根据每个第一考生图像对应的考生划分曲线对每个第一考生图像进行划分以得到若干个第二考生图像；
根据考试座位分布信息为每个第二考生图像标注相应的考试座位编号以得到监考子图；
将每个监考图像对应的所有监考子图按照考试座位分布信息和考试座位编号进行排序以得到每个监考图像对应的监考子图集；
将监考图像序列中的每个监考图像对应的监考子图集按照时间顺序进行排列以得到监考子图包。
进一步实施例中，根据考生座位映射信息对监考子图包进行映射处理得到考生监考序列包包括：
获取监考子图包中的所有监考子图，并将监考子图包中考试座位编号相同的监考子图按照时间顺序进行排列以得到监考子图序列；
根据考生座位映射信息和监考子图序列的考试座位编号获取该监考子图序列的考生编号，每个监考子图序列对应一个考生；
为监考子图序列标注其对应的考生编号以得到考生监考序列，所述考生监考序列包括若干个按照时间顺序排列的考生监考图；所述考生监考图为标注了考生编号的监考子图；
根据所有考生的考生监考序列得到考生监考序列包；所述考生监考序列包包括若干个按照考试座位分布信息和考试座位编号排序的考生监考序列。
进一步实施例中，根据考生监考序列包获取行为识别点序列包括：
从考生监考序列中任意选取一个考生监考图作为标识考生监考图，遍历标识考生监考图中的所有像素点，并将正在遍历的像素点作为目标像素点；
根据考生监考序列获取目标像素点随时间变化的序列以得到目标像素序列，并根据目标像素序列获取目标像素点的像素观测值；
将标识考生监考图中所有的像素点按照像素观测值进行排列，并选取像素观测值最大的前第一数量的像素点作为行为识别点；
获取行为识别点的对应像素点的像素序列以得到行为识别点序列。
进一步实施例中，所述智能监考设备为部署在考场的具有数据传输和通信功能的高清摄像机，其包括枪型摄像机、一体化摄像机、半球形摄像机、鱼眼摄像机和针孔摄像机；所述考试管理终端为考试管理员使用的具有数据传输功能和通信功能的智能设备，其包括：智能手机、笔记本电脑、平板电脑和台式电脑。
进一步实施例中，所述第一监考信息包括：考试编号、考试时间、考试地点和考试座位图；所述第二监考信息包括：考试编号、考试时间、考试地点和监考视频；所述考试编号用于对每场考试进行唯一标识，每个考试编号对应唯一的考试；所述考试座位图用于指示考试时考试座位的分布情况以及每个考试座位对应的考生编号。
进一步实施例中，所述作弊警示信息包括：考生编号、考试座位编号、考试时间和考试地点；所述考生编号用于对考生进行唯一标识，每个考生编号对应唯一的考生；所述考试座位编号用于对考试座位进行唯一标识，每个考试座位编号对应唯一的考试座位。
进一步实施例中，所述监考图像序列包括若干个按照时间先后顺序排列的监考图像。所述监考子图包包括若干个按照时间顺序排列的监考子图集，每个监考子图集对应唯一的监考图像；所述监考子图集包括若干个按照考试座位分布信息和考试座位编号排列的监考子图，每个监考子图对应唯一的考生；所述考生监考序列包括若干个按照时间先后顺序排列的考生监考图；所述考生监考图为标注了考生编号的监考子图，每个考生监考序列对应唯一的考生。
本发明具有以下有益效果：本发明中引入了机器视觉和深度学习等人工智能技术，实现了考试中各数据的自动化采集和考核的自动化评判，无需监考人员人工参与，避免了不公正现象的发生，实现了智能的、全自动化的监考，克服了监考人员长时间高强度监考的视觉疲劳和关注整个考场所有考生较困难的局限，有效提高了对作弊考生的威慑力，提升了考试公平性。
附图说明
图1为一示例性实施例提供的应用于智慧教育的人工智能异常识别方法的流程图。
具体实施方式
下面结合附图对本发明实施方式作进一步描述。以下实施实例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
参见图1，在一个实施例中，应用于智慧教育的人工智能异常识别方法可以包括：
S1、接收考试管理终端发送的第一监考信息以及智能监考设备发送的第二监考信息。
第一监考信息包括：考试编号、考试时间、考试地点和考试座位图。考试编号用于对每场考试进行唯一标识，每个考试编号对应唯一的考试。考试时间为考试开始和结束的时间段，考试地点为考试的具体地址。考试座位图用于指示考试时考试座位的分布情况以及每个考试座位对应的考生编号，其包括考试座位分布信息和考生座位映射信息。考试座位分布信息用于指示为考场内所有考试座位的分布情况，考生座位映射信息为用于指示考场内每个考试座位与考生的映射关系，即用于指示每个考试座位编号与考生编号的映射关系。
第二监考信息包括：考试编号、考试时间、考试地点和监考视频。考试编号用于对每场考试进行唯一标识，每个考试编号对应唯一的考试。考试时间为考试开始和结束的时间段，考试地点为考试的具体地址。监考视频为智能监考设备在考试期间采集的监控视频。
智能监考设备为部署在考场的具有数据传输和通信功能的高清摄像机，其包括枪型摄像机、一体化摄像机、半球形摄像机、鱼眼摄像机和针孔摄像机。考试管理终端为考试管理员使用的具有数据传输功能和通信功能的智能设备，其包括：智能手机、笔记本电脑、平板电脑和台式电脑。
在一个实施例中，考试管理员通过考试管理终端发送第一监考信息到人工智能平台；智能监考设备将采集到的监考视频进行考试信息标注以生成第二监考信息并将其发送到人工智能平台。
S2、将监控视频在时间维度上按照预设步长分割为若干个监考图像，并按照时间顺序将所有监考图像进行排列以生成监考图像序列。
预设步长为根据作弊识别精度进行预先设置，监考图像序列包括若干个按照时间先后顺序排列的监考图像。监考图像用于对考生在考场上的表现进行监督。
S3、根据考试座位图获取考试座位分布信息，并根据考试座位分布信息将监考图像划分若干个不规则网格，然后根据所有不规则网格的重心得到内插网格间距；根据所述内插网格间距将监考图像划分为等间距的规则网格以得到监考划分图像，并根据监考划分图像得到监考子图包。
在一个实施例中，根据考试座位分布信息得到监考划分图像包括：
以监考图像中心为坐标轴原点建立标准坐标系，并以标准坐标系为参考坐标系建立距离矩阵，然后根据考试座位分布信息将监考图像划分若干个不规则网格；
根据距离矩阵获取监考图像中每个不规则网格的重心到标准坐标系的原点的距离，并根据所有不规则网格的重心到标准坐标系的原点的距离得到内插网格间距；
根据所述内插网格间距将监考图像的坐标覆盖区域划分为等间距的规则网格得到监考划分图像；每个规则网格对应一个考试座位。
在一个实施例中，根据监考划分图像得到监考子图包包括：
获取监考划分图像中的每个规则网格的重心，并将每个规则网格的重心作为监考划分图像中每个考生的考生中心坐标；
根据监考划分图像中每个考生的考生中心坐标获取监考划分图像中每个考生的考生头部轮廓，并根据每个考生的考生头部轮廓得到每个考生的考生头部重心、考生头部宽度和考生头部高度；
根据每个考生的考生头部重心、考生头部宽度和考生头部高度进行映射处理得到每个考生的考生左肩中心坐标和考生右肩中心坐标；所述考生左肩中心坐标和考生右肩中心坐标以标准坐标系为参考坐标系；
根据预设肩部斜率将每个考生的考生左肩中心点和考生右肩中心点向下引垂线以得到每个考生的考生手臂轮廓线，并根据预设肘部夹角将每个考生的考生手臂轮廓线向下引垂线以得到每个考生的考生腰部轮廓线。
在一个实施例中，根据监考划分图像得到监考子图包包括：
根据每个考生的考生头部轮廓线、考生手臂轮廓线和考生腰部轮廓线获取监考划分图像中每个考生的第一考生轮廓；
根据监考划分图像中每个考生的第一考生轮廓获取每个考生的轮廓关键点的坐标；
根据监考划分图像中每个考生的轮廓关键点的坐标将监考划分图像划分为若干个第一考生图像，每个第一考生图像对应一个考生。
在一个实施例中，根据监考划分图像得到监考子图包包括：
根据考生划分系数获取初始划分曲线，并根据初始划分曲线的参数和考生划分系数对第一考生图像进行拟合以得到每个第一考生图像对应的考生划分曲线；
根据每个第一考生图像对应的考生划分曲线对每个第一考生图像进行划分以得到若干个第二考生图像；
根据考试座位分布信息为每个第二考生图像标注相应的考试座位编号以得到监考子图；
将每个监考图像对应的所有监考子图按照考试座位分布信息和考试座位编号进行排序以得到每个监考图像对应的监考子图集；
将监考图像序列中的每个监考图像对应的监考子图集按照时间顺序进行排列以得到监考子图包。
在一个实施例中，考生划分曲线的描述函数为：
Figure BDA0003067322560000091
其中，α0、β0、αi、βi、γi、λi为考生划分系数，
Figure BDA0003067322560000092
为考生划分曲线，i为考生划分曲线的角频率。
可选地，监考子图包包括若干个按照时间顺序进行排列的监考子图集，每个监考子图集对应唯一的监考图像，监考子图集包括若干个按照考试座位分布信息和考试座位编号排列的监考子图，每个监考子图对应唯一的考生。监考图像序列包括若干个按照时间先后顺序排列的监考图像。
S4、根据考试座位图获取考生座位映射信息，并根据考生座位映射信息对监考子图包进行映射处理以得到考生监考序列包；根据考生监考序列包获取行为识别点序列，并根据行为识别点序列获取所有行为识别点的时间特征和空间特征，然后将行为识别点的时间特征和空间特征进行特征融合以获取行为识别点的时空特征。
在一个实施例中，根据考生座位映射信息对监考子图包进行映射处理得到考生监考序列包包括：
获取监考子图包中的所有监考子图，并将监考子图包中考试座位编号相同的监考子图按照时间顺序进行排列以得到监考子图序列；
根据考生座位映射信息和监考子图序列的考试座位编号获取该监考子图序列的考生编号，每个监考子图序列对应一个考生；
为监考子图序列标注其对应的考生编号以得到考生监考序列，所述考生监考序列包括若干个按照时间顺序排列的考生监考图；所述考生监考图为标注了考生编号的监考子图；
根据所有考生的考生监考序列得到考生监考序列包；所述考生监考序列包包括若干个按照考试座位分布信息和考试座位编号排序的考生监考序列。
在一个实施例中，根据考生监考序列包获取行为识别点序列包括：
从考生监考序列中任意选取一个考生监考图作为标识考生监考图，遍历标识考生监考图中的所有像素点，并将正在遍历的像素点作为目标像素点；
根据考生监考序列获取目标像素点随时间变化的序列以得到目标像素序列，并根据目标像素序列获取目标像素点的像素观测值；
将标识考生监考图中所有的像素点按照像素观测值进行排列，并选取像素观测值最大的前第一数量的像素点作为行为识别点；
获取行为识别点的对应像素点的像素序列以得到行为识别点序列。
S5、根据每个行为识别点的时空特征和每个行为识别点的周围行为识别点的时空特征进行像素直方图统计以得到异常识别特征向量；从数据库获取异常识别训练数据，并根据异常识别训练数据进行神经网络模型训练以得到人工智能异常识别模型，然后将异常识别特征向量输入到人工智能异常识别模型以识别相应考生是否存在作弊行为；在人工智能异常识别模型识别出相应考生存在作弊行为时，发送作弊警示信息到考试管理终端；在人工智能异常识别模型识别出相应考生不存在作弊行为时，根据所述异常识别特征向量对人工智能异常识别模型进行更新训练。
在一个实施例中，将异常识别特征向量输入到人工智能异常识别模型识别相应考生是否存在作弊行为包括：
将异常识别特征向量输入到预先训练的人工智能异常识别模型，人工智能异常识别模型对所述异常识别特征向量进行数据处理以得到所述异常识别特征向量的异常值，并将所述异常识别特征向量的异常值与异常阈值进行比较；
在所述异常识别特征向量的异常值大于或等于异常阈值时，人工智能异常识别模型识别相应考生存在作弊行为并输出识别结果；
在所述异常识别特征向量的异常值小于异常阈值时，人工智能异常识别模型识别相应考生不存在作弊行为并输出识别结果。
在一个实施例中，人工智能异常识别模型对异常识别特征向量进行数据处理得到异常识别特征向量的异常值包括：
人工智能异常识别模型的卷积层提取异常识别特征向量的异常识别特征；
人工智能异常识别模型的激励层对所述异常识别特征进行非线性映射以对所述异常识别特征进行特征增强；
人工智能异常识别模型的池化层对所述异常识别特征进行数据压缩和参数压缩以降低异常识别特征的维度从而减小过拟合；
人工智能异常识别模型的全连接层将所述异常识别特征进行扁平化处理为一维张量，并将所述一维张量输入到分类器中以得到所述异常识别特征向量的异常值。
本发明通过对监控视频按照考生座位进行划分，不但可大幅提升监控老师的监考效果，提高考试的公平性，可以有效解决考场作弊行为难以实施精确监控和监考人员负担过重等问题。提高作弊行为的识别率，并且能在识别到考生作弊时根据考生编号自动获取该考生的信息，避免了传统技术中需要人为识别作弊考生是谁的情况。此外，本发明能够录制考试过程，为考场纠纷提供关键证据和技术支持。
考生监考序列包包括若干个按照考试座位分布信息和考试座位编号排序的考生监考序列，每个考生监考序列对应唯一的考生。考生监考序列包括若干个按照时间先后排序排列的考生监考图，考生监考图为标注了考生编号的监考子图。考生座位映射信息为用于指示考场内每个考试座位与考生的映射关系，即，考生座位映射信息用于指示每个考试座位编号与考生编号的映射关系。考生编号用于对每个考生进行唯一标识，每个考生编号对应唯一的考生。考试座位编号用于对每个考试座位进行唯一标识，每个考试座位编号对应唯一的考试座位。作弊警示信息包括：考生编号、考试座位编号、考试时间和考试地点。
本发明中引入了机器视觉和深度学习等人工智能技术，实现了考试中各数据的自动化采集和考核的自动化评判，无需监考人员人工参与，避免了不公正现象的发生，实现了智能的、全自动化的监考，克服了监考人员长时间高强度监考的视觉疲劳和关注整个考场所有考生较困难的局限，有效提高了对作弊考生的威慑力，提升了考试公平性。
以上所述内容仅是本发明的一个实例的实施方式，主要用于帮助解释说明内容，并不能以此限制发明权益，该技术领域的任何人员都可以在不脱离本发明技术原理的基础上，对本发明做出若干改进及应用场景拓展，但这些变化和改进都应视为本发明的保护范围。

Claims (7)

1.一种应用于智慧教育的人工智能异常识别方法，其特征在于，接收考试管理终端发送的第一监考信息以及智能监考设备发送的第二监考信息；
所述第一监考信息包括：考试编号、考试时间、考试地点和考试座位图；所述第二监考信息包括：考试编号、考试时间、考试地点和监考视频；
将监控视频在时间维度上按照预设步长分割为若干个监考图像，并按照时间顺序将所有监考图像进行排列以生成监考图像序列；
根据考试座位图获取考试座位分布信息，并根据考试座位分布信息将监考图像划分若干个不规则网格，然后根据所有不规则网格的重心得到内插网格间距；
根据所述内插网格间距将监考图像划分为等间距的规则网格以得到监考划分图像，并根据监考划分图像得到监考子图包；
根据考试座位分布信息得到监考划分图像包括：
以监考图像中心为坐标轴原点建立标准坐标系，并以标准坐标系为参考坐标系建立距离矩阵，然后根据考试座位分布信息将监考图像划分若干个不规则网格；
根据距离矩阵获取监考图像中每个不规则网格的重心到标准坐标系的原点的距离，并根据所有不规则网格的重心到标准坐标系的原点的距离得到内插网格间距；
根据所述内插网格间距将监考图像的坐标覆盖区域划分为等间距的规则网格得到监考划分图像；每个规则网格对应一个考试座位；
根据监考划分图像得到监考子图包包括：
根据考生划分系数获取初始划分曲线，并根据初始划分曲线的参数和考生划分系数对第一考生图像进行拟合以得到每个第一考生图像对应的考生划分曲线；
所述考生划分曲线的描述函数为：
Figure FDA0003292891070000011
其中，α0、β0、αi、βi、γi、λi为考生划分系数，
Figure FDA0003292891070000021
为考生划分曲线，i为考生划分曲线的角频率；
根据每个第一考生图像对应的考生划分曲线对每个第一考生图像进行划分以得到若干个第二考生图像；
根据考试座位分布信息为每个第二考生图像标注相应的考试座位编号以得到监考子图；
将每个监考图像对应的所有监考子图按照考试座位分布信息和考试座位编号进行排序以得到每个监考图像对应的监考子图集；
将监考图像序列中的每个监考图像对应的监考子图集按照时间顺序进行排列以得到监考子图包；
根据考试座位图获取考生座位映射信息，并根据考生座位映射信息对监考子图包进行映射处理以得到考生监考序列包；
根据考生监考序列包获取行为识别点序列，并根据行为识别点序列获取所有行为识别点的时间特征和空间特征，然后将行为识别点的时间特征和空间特征进行特征融合以获取行为识别点的时空特征；
根据每个行为识别点的时空特征和每个行为识别点的周围行为识别点的时空特征进行像素直方图统计以得到异常识别特征向量；
从数据库获取异常识别训练数据，并根据异常识别训练数据进行神经网络模型训练以得到人工智能异常识别模型，然后将异常识别特征向量输入到人工智能异常识别模型以识别相应考生是否存在作弊行为；
在人工智能异常识别模型识别出相应考生存在作弊行为时，发送作弊警示信息到考试管理终端；
在人工智能异常识别模型识别出相应考生不存在作弊行为时，根据所述异常识别特征向量对人工智能异常识别模型进行更新训练。
2.根据权利要求1所述的方法，其特征在于，将异常识别特征向量输入到人工智能异常识别模型识别相应考生是否存在作弊行为包括：
将异常识别特征向量输入到预先训练的人工智能异常识别模型，人工智能异常识别模型对所述异常识别特征向量进行数据处理以得到所述异常识别特征向量的异常值，并将所述异常识别特征向量的异常值与异常阈值进行比较；
在所述异常识别特征向量的异常值大于或等于异常阈值时，人工智能异常识别模型识别相应考生存在作弊行为并输出识别结果；
在所述异常识别特征向量的异常值小于异常阈值时，人工智能异常识别模型识别相应考生不存在作弊行为并输出识别结果。
3.根据权利要求1或2所述的方法，其特征在于，人工智能异常识别模型对异常识别特征向量进行数据处理得到异常识别特征向量的异常值包括：
人工智能异常识别模型的卷积层提取异常识别特征向量的异常识别特征；
人工智能异常识别模型的激励层对所述异常识别特征进行非线性映射以对所述异常识别特征进行特征增强；
人工智能异常识别模型的池化层对所述异常识别特征进行数据压缩和参数压缩以降低异常识别特征的维度从而减小过拟合；
人工智能异常识别模型的全连接层将所述异常识别特征进行扁平化处理为一维张量，并将所述一维张量输入到分类器中以得到所述异常识别特征向量的异常值。
4.根据权利要求3所述的方法，其特征在于，根据监考划分图像得到监考子图包包括：
获取监考划分图像中的每个规则网格的重心，并将每个规则网格的重心作为监考划分图像中每个考生的考生中心坐标；
根据监考划分图像中每个考生的考生中心坐标获取监考划分图像中每个考生的考生头部轮廓，并根据每个考生的考生头部轮廓得到每个考生的考生头部重心、考生头部宽度和考生头部高度；
根据每个考生的考生头部重心、考生头部宽度和考生头部高度进行映射处理得到每个考生的考生左肩中心坐标和考生右肩中心坐标；所述考生左肩中心坐标和考生右肩中心坐标以标准坐标系为参考坐标系；
根据预设肩部斜率将每个考生的考生左肩中心点和考生右肩中心点向下引垂线以得到每个考生的考生手臂轮廓线，并根据预设肘部夹角将每个考生的考生手臂轮廓线向下引垂线以得到每个考生的考生腰部轮廓线。
5.根据权利要求4所述的方法，其特征在于，根据监考划分图像得到监考子图包包括：
根据每个考生的考生头部轮廓线、考生手臂轮廓线和考生腰部轮廓线获取监考划分图像中每个考生的第一考生轮廓；
根据监考划分图像中每个考生的第一考生轮廓获取每个考生的轮廓关键点的坐标；
根据监考划分图像中每个考生的轮廓关键点的坐标将监考划分图像划分为若干个第一考生图像，每个第一考生图像对应一个考生。
6.根据权利要求5所述的方法，其特征在于，根据考生座位映射信息对监考子图包进行映射处理得到考生监考序列包包括：
获取监考子图包中的所有监考子图，并将监考子图包中考试座位编号相同的监考子图按照时间顺序进行排列以得到监考子图序列；
根据考生座位映射信息和监考子图序列的考试座位编号获取该监考子图序列的考生编号，每个监考子图序列对应一个考生；
为监考子图序列标注其对应的考生编号以得到考生监考序列，所述考生监考序列包括若干个按照时间顺序排列的考生监考图；所述考生监考图为标注了考生编号的监考子图；
根据所有考生的考生监考序列得到考生监考序列包；所述考生监考序列包包括若干个按照考试座位分布信息和考试座位编号排序的考生监考序列。
7.根据权利要求6所述的方法，其特征在于，根据考生监考序列包获取行为识别点序列包括：
从考生监考序列中任意选取一个考生监考图作为标识考生监考图，遍历标识考生监考图中的所有像素点，并将正在遍历的像素点作为目标像素点；
根据考生监考序列获取目标像素点随时间变化的序列以得到目标像素序列，并根据目标像素序列获取目标像素点的像素观测值；
将标识考生监考图中所有的像素点按照像素观测值进行排列，并选取像素观测值最大的前第一数量的像素点作为行为识别点；
获取行为识别点的对应像素点的像素序列以得到行为识别点序列。
CN202110528768.6A 2021-05-14 2021-05-14 应用于智慧教育的人工智能异常识别方法 Active CN113269062B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110528768.6A CN113269062B (zh) 2021-05-14 2021-05-14 应用于智慧教育的人工智能异常识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110528768.6A CN113269062B (zh) 2021-05-14 2021-05-14 应用于智慧教育的人工智能异常识别方法

Publications (2)

Publication Number Publication Date
CN113269062A CN113269062A (zh) 2021-08-17
CN113269062B true CN113269062B (zh) 2021-11-26

Family

ID=77230962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110528768.6A Active CN113269062B (zh) 2021-05-14 2021-05-14 应用于智慧教育的人工智能异常识别方法

Country Status (1)

Country Link
CN (1) CN113269062B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116580354B (zh) * 2023-05-11 2023-11-03 北京优思安科技有限公司 应用模式切换的远程教育监考系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102074049A (zh) * 2011-03-01 2011-05-25 哈尔滨工程大学 基于运动视点的大范围地形调度简化方法
CN102111613A (zh) * 2009-12-28 2011-06-29 中国移动通信集团公司 图像处理方法和装置
CN104903677A (zh) * 2012-12-17 2015-09-09 Lsi公司 用于将使用不同深度成像技术生成的深度图像合并的方法和装置
TWI603281B (zh) * 2016-07-28 2017-10-21 南臺科技大學 電腦輔助監考app系統及其使用方法
CN108564043A (zh) * 2018-04-17 2018-09-21 中国民航大学 一种基于时空分布图的人体行为识别方法
CN207924154U (zh) * 2018-03-28 2018-09-28 山东天星北斗信息科技有限公司 一种车道级车辆监控平台
CN109495718A (zh) * 2018-11-02 2019-03-19 深圳市北斗智能科技有限公司 监控视频获取方法、装置及计算机可读存储介质
US10614318B1 (en) * 2019-10-25 2020-04-07 7-Eleven, Inc. Sensor mapping to a global coordinate system using a marker grid
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
CN111417074A (zh) * 2020-03-26 2020-07-14 成都佳发安泰教育科技股份有限公司 一种基于wifi定位考生位置防止作弊的方法及系统
CN111696009A (zh) * 2020-05-27 2020-09-22 扬州大学 一种考试签到、监考系统
CN112017189A (zh) * 2020-10-26 2020-12-01 腾讯科技（深圳）有限公司 图像分割方法、装置、计算机设备和存储介质
CN112036299A (zh) * 2020-08-31 2020-12-04 山东科技大学 标准考场环境下的考试作弊行为检测方法及系统
CN112073390A (zh) * 2020-08-25 2020-12-11 山东理工职业学院 一种用于考场智能监控系统
CN112634103A (zh) * 2020-12-31 2021-04-09 重庆臻善雅欣科技有限公司 应用于智慧校园的一体化教学系统
CN113095675A (zh) * 2021-04-12 2021-07-09 华东师范大学 一种网络考试中依靠标识点监控考生动作模式的方法
CN113269063A (zh) * 2021-05-14 2021-08-17 彭皓 基于大数据和智慧教育的考试管理系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150037781A1 (en) * 2013-08-02 2015-02-05 David S. Breed Monitoring device and system for remote test taking
US10218531B2 (en) * 2017-07-11 2019-02-26 Philipp Roosli Automation system for deployment in a building
CN107358555A (zh) * 2017-07-14 2017-11-17 安徽智星交通科技股份有限公司 教学监管方法及系统
US10997401B2 (en) * 2019-06-27 2021-05-04 RoundhouseOne Inc. Computer vision system that provides information relative to animal wellness
US11227593B2 (en) * 2019-06-28 2022-01-18 Rovi Guides, Inc. Systems and methods for disambiguating a voice search query based on gestures
CN111598049B (zh) * 2020-05-29 2023-10-10 中国工商银行股份有限公司 作弊识别方法和装置、电子设备、以及介质
CN112101231A (zh) * 2020-09-16 2020-12-18 腾讯科技（深圳）有限公司 学习行为的监控方法、终端、小程序以及服务器
CN112417990B (zh) * 2020-10-30 2023-05-09 四川天翼网络股份有限公司 一种考试学生违规行为识别方法及系统
CN112685523A (zh) * 2020-12-25 2021-04-20 广东奥博信息产业股份有限公司 一种基于图像识别技术的文明行为识别管理方法及系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102111613A (zh) * 2009-12-28 2011-06-29 中国移动通信集团公司 图像处理方法和装置
CN102074049A (zh) * 2011-03-01 2011-05-25 哈尔滨工程大学 基于运动视点的大范围地形调度简化方法
CN104903677A (zh) * 2012-12-17 2015-09-09 Lsi公司 用于将使用不同深度成像技术生成的深度图像合并的方法和装置
TWI603281B (zh) * 2016-07-28 2017-10-21 南臺科技大學 電腦輔助監考app系統及其使用方法
CN207924154U (zh) * 2018-03-28 2018-09-28 山东天星北斗信息科技有限公司 一种车道级车辆监控平台
CN108564043A (zh) * 2018-04-17 2018-09-21 中国民航大学 一种基于时空分布图的人体行为识别方法
CN109495718A (zh) * 2018-11-02 2019-03-19 深圳市北斗智能科技有限公司 监控视频获取方法、装置及计算机可读存储介质
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
US10614318B1 (en) * 2019-10-25 2020-04-07 7-Eleven, Inc. Sensor mapping to a global coordinate system using a marker grid
CN111417074A (zh) * 2020-03-26 2020-07-14 成都佳发安泰教育科技股份有限公司 一种基于wifi定位考生位置防止作弊的方法及系统
CN111696009A (zh) * 2020-05-27 2020-09-22 扬州大学 一种考试签到、监考系统
CN112073390A (zh) * 2020-08-25 2020-12-11 山东理工职业学院 一种用于考场智能监控系统
CN112036299A (zh) * 2020-08-31 2020-12-04 山东科技大学 标准考场环境下的考试作弊行为检测方法及系统
CN112017189A (zh) * 2020-10-26 2020-12-01 腾讯科技（深圳）有限公司 图像分割方法、装置、计算机设备和存储介质
CN112634103A (zh) * 2020-12-31 2021-04-09 重庆臻善雅欣科技有限公司 应用于智慧校园的一体化教学系统
CN113095675A (zh) * 2021-04-12 2021-07-09 华东师范大学 一种网络考试中依靠标识点监控考生动作模式的方法
CN113269063A (zh) * 2021-05-14 2021-08-17 彭皓 基于大数据和智慧教育的考试管理系统

Also Published As

Publication number Publication date
CN113269062A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN109101933A (zh) 一种基于人工智能的情绪行为可视化分析方法
CN109684981A (zh) 青光眼图像识别方法、设备和筛查系统
CN106897659A (zh) 眨眼运动的识别方法和装置
CN109460727A (zh) 一种基于人体行为识别的考场监控系统及方法
CN113269062B (zh) 应用于智慧教育的人工智能异常识别方法
CN113269063B (zh) 基于大数据和智慧教育的考试管理系统
CN104077568A (zh) 一种高精度的驾驶员行为识别与监控方法及系统
CN111382672A (zh) 在线考试的作弊监测方法和装置
CN110929687A (zh) 一种基于关键点检测的多人行为识别系统及工作方法
CN109891519A (zh) 信息处理装置、信息处理方法和程序
CN116092199B (zh) 一种员工工作状态识别方法及识别系统
CN110222675A (zh) 一种警力调度方法、系统、终端及存储介质
CN114187640A (zh) 一种基于线上课堂的学情观察方法、系统、设备及介质
CN107818707B (zh) 一种自动出题的考试系统
CN112766130A (zh) 一种课堂教学质量监测方法、系统、终端及存储介质
CN113095259A (zh) 远程在线课程教学管理方法
CN116343100A (zh) 一种基于自监督学习的目标识别方法及系统
CN107967660B (zh) 一种自动面部识别的安全考试系统
CN206948499U (zh) 学员实训视频追踪监控、评价系统
CN109063732A (zh) 基于特征交互和多任务学习的图像排序方法及系统
CN113762115A (zh) 一种基于关键点检测的配网作业人员行为检测方法
CN113657175A (zh) 配电柜开关状态智能识别方法、系统、存储介质及设备
JP2004527048A (ja) 記録情報の同定方法
CN110175531B (zh) 一种基于姿态的考生位置定位方法
CN110889454A (zh) 模型训练方法、装置、情绪识别方法、装置、设备与介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211105

Address after: 518000 1003a, building 3, COFCO Chuangzhi plant, zone 67, Xingdong community, Xin'an street, Bao'an District, Shenzhen, Guangdong Province

Applicant after: Shian express information technology (Shenzhen) Co.,Ltd.

Address before: 610200 IOT sensing technology park, IOT West Street, IOT Industrial Park, Gongxing Town, Chengdu, Sichuan

Applicant before: Peng Hao

GR01 Patent grant
GR01 Patent grant