CN113301309A - 通过视频监控的学生考试作弊行为监测方法与系统 - Google Patents

通过视频监控的学生考试作弊行为监测方法与系统 Download PDF

Info

Publication number
CN113301309A
CN113301309A CN202110574505.9A CN202110574505A CN113301309A CN 113301309 A CN113301309 A CN 113301309A CN 202110574505 A CN202110574505 A CN 202110574505A CN 113301309 A CN113301309 A CN 113301309A
Authority
CN
China
Prior art keywords
student
students
image
images
cheating
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
Application number
CN202110574505.9A
Other languages
English (en)
Inventor
佟佳睿
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.)
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Original Assignee
Shanghai Squirrel Classroom Artificial Intelligence Technology 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 Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd filed Critical Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority to CN202110574505.9A priority Critical patent/CN113301309A/zh
Publication of CN113301309A publication Critical patent/CN113301309A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B3/00—Audible signalling systems; Audible personal calling systems
    • G08B3/10—Audible signalling systems; Audible personal calling systems using electric transmission; using electromagnetic transmission
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network

Abstract

本发明提供了通过视频监控的学生考试作弊行为监测方法与系统，其对考试室内场所进行拍摄，并将拍摄得到的影像区分为学生子图像，接着对学生子图像进行处理以确定对应的学生是否存在作弊行为，再确定存在作弊行为的学生进行身份信息，最后通过云端中心在考试室内场所进行警告，这样能够在影像拍摄监控的情况下自动对考场内的所有学生进行自动识别，从而快速地和准确地确定学生是否存在作弊行为，并且还能够针对学生的作弊行为多寡来进行适应的警告，从而提高考场监考的全面性和可靠性以及有效降低考场监考的人力成本。

Description

通过视频监控的学生考试作弊行为监测方法与系统
技术领域
本发明涉及自动化考试监控的技术领域，特别涉及通过视频监控的学生考试作弊行为监测方法与系统。
背景技术
在大规模的考试中，每个考场都安排有大量学生进行考试，而每个考场通常只安排两三个监考人员，这使得在考试过程中，监考人员无法对考场进行全面有效的巡查监考，这导致监考人员无法对学生的作弊行为进行全面排查。虽然，现有技术通过在考场安装视频监控装置来对考试过程进行监控，但是依然需要在后台通过人工查看的方式对监控视频进行逐一筛选，这不可避免发生筛选遗漏的情况，同时也增大了监考的人力成本。可见，现有技术需要能够在对考场进行视频监控的基础上自动识别学生作弊行为的监考模式。
发明内容
针对现有技术存在的缺陷，本发明提供通过视频监控的学生考试作弊行为监测方法与系统，其通过对考试室内场所进行拍摄，以此获得考试室内场所影像；对所述考试室内场所影像进行处理，从而获得若干学生子图像，接着将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记，最后确定被标记的学生的身份信息，将所述身份信息上传至云端中心，由所述云端中心控制考试室内场所的警告设备执行警告操作；可见，该通过视频监控的学生考试作弊行为监测方法与系统对考试室内场所进行拍摄，并将拍摄得到的影像区分为学生子图像，接着对学生子图像进行处理以确定对应的学生是否存在作弊行为，再确定存在作弊行为的学生进行身份信息，最后通过云端中心在考试室内场所进行警告，这样能够在影像拍摄监控的情况下自动对考场内的所有学生进行自动识别，从而快速地和准确地确定学生是否存在作弊行为，并且还能够针对学生的作弊行为多寡来进行适应的警告，从而提高考场监考的全面性和可靠性以及有效降低考场监考的人力成本。
本发明提供通过视频监控的学生考试作弊行为监测方法，其特征在于，其包括如下步骤：
步骤S1，对考试室内场所进行拍摄，以此获得考试室内场所影像；对所述考试室内场所影像进行处理，从而获得若干学生子图像；
步骤S2，将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记；
步骤S3，确定被标记的学生的身份信息，将所述身份信息上传至云端中心，由所述云端中心控制考试室内场所的警告设备执行警告操作；
进一步，在所述步骤S1中，对考试室内场所进行拍摄，以此获得考试室内场所影像；对所述考试室内场所影像进行处理，从而获得若干学生子图像具体包括：
步骤S101，在学生收到考卷之后的预设时间段内，对考试室内场所进行扫描拍摄，以此获得考试室内场所的初始全景影像；所述预设时间段的最长时长为5分钟或者10分钟；
步骤S102，识别所述初始全景影像中每个学生各自的外形轮廓曲线，确定每个学生各自在初始全景影像中对应的学生所在区域，所述学生所在区域为矩形，每个学生各自的外形轮廓曲线位于该学生对应的学生所在区域内，且每个学生各自的外形轮廓曲线上的目标像素点与该学生对应的学生所在区域的区域边界线之间的最短距离等于或大于预设第一距离且小于或等于预设第二距离；所述每个学生各自的外形轮廓曲线上的目标像素点为：该学生的外形轮廓曲线上的、与该学生对应的学生所在区域的区域边界线之间距离最短的像素点；
步骤S103，将每个学生各自在初始全景影像中对应的学生所在区域，作为每个学生各自在后续的全景影像中的学生所在区域；
步骤S104，在所述预设时间段之后、考试结束之前，按照预设时间间隔对考试室内场所进行扫描拍摄，获得考试室内场所的若干全景影像；
步骤S105，根据所述每个学生各自在后续的全景影像中的学生所在区域，对所述步骤S104获得的若干全景影像进行图像切分，获得所述步骤S104获得的每个全景影像各自对应的学生子图像；其中，每个全景影像中的学生子图像为对应的全景影像中学生所在区域对应的图像部分；
进一步，在所述步骤S2中，将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记具体包括：
步骤S201，识别每个学生子图像包含的学生脸部五官轮廓特征，并将具有相同学生脸部五官轮廓特征的学生子图像划分到同一学生子图像集合中，从而得到分别属于不同学生的若干学生子图像集合；
步骤S202，从每个学生子图像集合中选取在拍摄时间上依次紧邻的三个学生子图像，并根据下面公式(1)确定选取的三个学生子图像中两两相邻的学生子图像之间在图像坐标上的差分值，
Figure BDA0003083781380000031
在上述公式(1)中，fi-1(ut,vt)、fi(ut,vt)、fi+1(ut,vt)分别表示从每个学生子图像集合中选取在拍摄时间上依次紧邻的三个时刻i-1、i、i+1对应的学生子图像中第t像素的像素值，ut、vt分别表示第t个像素的横坐标、纵坐标，K表示每个学生子图像中像素的总数目，Hi-1,i(u,v)表示时刻i-1和时刻i对应的学生子图像相应的像素差值，Hi,i+1(u,v)表示时刻i和时刻i+1对应的学生子图像相应的像素差值；
步骤S203，利用下面公式(2)，确定选取的三个学生子图像对应的学生的作弊行为情况，
Figure BDA0003083781380000041
在上述公式(2)中，Wi(u,v)表示作弊行为存在判定值，当Wi(u,v)等于1时，表明对应的学生不存在作弊行为，当Wi(u,v)等于0时，表明对应的学生存在作弊行为，T表示预设的判定阈值；
步骤S204，对存在作弊行为的学生对应的学生所在区域进行标记；对被标记的学生所在区域中的学生脸部图像进行识别，获得存在作弊行为的学生脸部图像；
进一步，在所述步骤S204中，对存在作弊行为的学生对应的学生所在区域进行标记；对被标记的学生所在区域中的学生脸部图像进行识别，获得存在作弊行为的学生脸部图像具体包括：
步骤2041，利用下面公式(3)，对存在作弊行为的学生对应的学生所在区域进行标记，从而标记得到存在作弊行为的学生在图像空间坐标系下的坐标位置，
Figure BDA0003083781380000042
在上述公式(3)中，xc、yc、zc表示存在作弊行为的学生对应的学生所在区域在图像空间坐标系oc-xcyczc下对应的坐标，fu表示对考试室内场所进行拍摄的拍摄设备在图像空间坐标系的水平方向轴u轴上的归一化焦距、且
Figure BDA0003083781380000051
Figure BDA0003083781380000052
fv表示对考试室内场所进行拍摄的拍摄设备在图像空间坐标系的竖直方向轴v轴上的归一化焦距、且
Figure BDA0003083781380000053
dx表示摄像机拍摄得到的考试室内场所影像的像素单元在水平方向上的尺寸，dy表示摄像机拍摄得到的考试室内场所影像的像素单元在竖直方向上的尺寸，u0表示摄像设备在图像空间坐标系的水平方向轴u轴上的坐标，v0表示摄像设备在图像空间坐标系的竖直方向轴v轴上的坐标，u表示摄像设备在考试室内场所对应的室内空间坐标系的水平方向轴u轴上的坐标变换到图像空间坐标系后对应的坐标，v表示摄像设备在考试室内场所对应的室内空间坐标系的竖直方向轴v轴上的坐标变换到图像空间坐标系后对应的坐标，δ()表示脉冲函数、当括号内的数值等于0时脉冲函数的取值为1，当括号内的数值不等于0时脉冲函数的取值为0，上述两个列矩阵的下标i和i-1分别表示列矩阵对应于时刻i和时刻i-1的学生子图像中对应的图像空间坐标系oc-xcyczc下对应的坐标，
Figure BDA0003083781380000054
表示时刻i-1的学生子图像中对应的图像空间坐标系oc-xcyczc下对应z轴的坐标；
步骤S2042，指示所述摄像设备对准标记为存在作弊行为的学生对应的学生所在区域在图像空间坐标系oc-xcyczc下对应的坐标位置进行拍摄，从而获得被标记的学生所在区域中的学生脸部图像；
步骤S2043，对被标记的学生所在区域中的学生脸部图像进行识别，从而获得存在作弊行为的学生脸部图像；
进一步，在所述步骤S3中，确定被标记的学生的身份信息，将所述身份信息上传至云端中心，由所述云端中心控制考试室内场所的警告设备执行警告操作具体包括：
步骤S301，根据存在作弊行为的学生脸部图像和预存的每个学生的身份信息及每个学生对应的脸部图像特征，确定存在作弊行为的学生的身份信息；
步骤S302，将所述身份信息上传至云端中心，从云端中心存储的学生历史作弊行为记录中确定以往考试中存在作弊行为的学生信息、以及步骤S301确定出的存在作弊行为的学生的学号信息；
步骤S303，所述云端中心利用下面公式(4)，确定所述警告设备进行语音警告的最小声量值V：
Figure BDA0003083781380000061
在上述公式(4)中，Vmax表示所述警告设备可发出的最大声量值，A表示步骤S301确定出的存在作弊行为的学生的学号，Aa,k表示以往第a场考试中第k个存在作弊行为的学生的学号，n表示以往考试的总次数，ma表示以往第a场考试中存在作弊行为的学生的总数，δ()表示脉冲函数、当括号内的数值等于0时脉冲函数的取值为1，当括号内的数值不等于0时脉冲函数的取值为0；
步骤S304，所述云端中心控制考试室内场所的警告设备执行警告操作，并且控制所述警告设备的最小声量值为所述V。
本发明还提供通过视频监控的学生考试作弊行为监测系统，其特征在于，其包括考试室内场所影像拍摄与处理模块、学生标定模块和作弊行为警告模块；其中，
所述考试室内场所影像拍摄与处理模块用于对考试室内场所进行拍摄，以此获得考试室内场所影像；以及对所述考试室内场所影像进行处理，从而获得若干学生子图像；
所述学生标定模块用于将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记；
所述作弊行为警告模块用于确定被标记的学生的身份信息，将所述身份信息上传至云端中心，由所述云端中心控制考试室内场所的警告设备执行警告操作；
进一步，所述考试室内场所影像拍摄与处理模块对考试室内场所进行拍摄，以此获得考试室内场所影像；以及对所述考试室内场所影像进行处理，从而获得若干学生子图像具体包括：
在学生收到考卷之后的预设时间段内，对考试室内场所进行扫描拍摄，以此获得考试室内场所的初始全景影像；所述预设时间段的最长时长为5分钟或者10分钟；
识别所述初始全景影像中每个学生各自的外形轮廓曲线，确定每个学生各自在初始全景影像中对应的学生所在区域，所述学生所在区域为矩形，每个学生各自的外形轮廓曲线位于该学生对应的学生所在区域内，且每个学生各自的外形轮廓曲线上的目标像素点与该学生对应的学生所在区域的区域边界线之间的最短距离等于或大于预设第一距离且小于或等于预设第二距离；所述每个学生各自的外形轮廓曲线上的目标像素点为：该学生的外形轮廓曲线上的、与该学生对应的学生所在区域的区域边界线之间距离最短的像素点；
将每个学生各自在初始全景影像中对应的学生所在区域，作为每个学生各自在后续的全景影像中的学生所在区域；
在所述预设时间段之后、考试结束之前，按照预设时间间隔对考试室内场所进行扫描拍摄，获得考试室内场所的若干全景影像；
根据所述每个学生各自在后续的全景影像中的学生所在区域，对上述获得的若干全景影像进行图像切分，获得上述获得的每个全景影像各自对应的学生子图像；其中，每个全景影像中的学生子图像为对应的全景影像中学生所在区域对应的图像部分；
进一步，所述学生标定模块将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记具体包括：
识别每个学生子图像包含的学生脸部五官轮廓特征，并将具有相同学生脸部五官轮廓特征的学生子图像划分到同一学生子图像集合中，从而得到分别属于不同学生的若干学生子图像集合；
从每个学生子图像集合中选取在拍摄时间上依次紧邻的三个学生子图像，并根据下面公式(1)确定选取的三个学生子图像中两两相邻的学生子图像之间在图像坐标上的差分值，
Figure BDA0003083781380000081
在上述公式(1)中，fi-1(ut,vt)、fi(ut,vt)、fi+1(ut,vt)分别表示从每个学生子图像集合中选取在拍摄时间上依次紧邻的三个时刻i-1、i、i+1对应的学生子图像中第t像素的像素值，ut、vt分别表示第t个像素的横坐标、纵坐标，K表示每个学生子图像中像素的总数目，Hi-1,i(u,v)表示时刻i-1和时刻i对应的学生子图像相应的像素差值，Hi,i+1(u,v)表示时刻i和时刻i+1对应的学生子图像相应的像素差值；
利用下面公式(2)，确定选取的三个学生子图像对应的学生的作弊行为情况，
Figure BDA0003083781380000082
在上述公式(2)中，Wi(u,v)表示作弊行为存在判定值，当Wi(u,v)等于1时，表明对应的学生不存在作弊行为，当Wi(u,v)等于0时，表明对应的学生存在作弊行为，T表示预设的判定阈值；
对存在作弊行为的学生对应的学生所在区域进行标记；对被标记的学生所在区域中的学生脸部图像进行识别，获得存在作弊行为的学生脸部图像；
进一步，所述学生标定模块对存在作弊行为的学生对应的学生所在区域进行标记；对被标记的学生所在区域中的学生脸部图像进行识别，获得存在作弊行为的学生脸部图像具体包括：
利用下面公式(3)，对存在作弊行为的学生对应的学生所在区域进行标记，从而标记得到存在作弊行为的学生在图像空间坐标系下的坐标位置，
Figure BDA0003083781380000091
在上述公式(3)中，xc、yc、zc表示存在作弊行为的学生对应的学生所在区域在图像空间坐标系oc-xcyczc下对应的坐标，fu表示对考试室内场所进行拍摄的拍摄设备在图像空间坐标系的水平方向轴u轴上的归一化焦距、且
Figure BDA0003083781380000092
Figure BDA0003083781380000093
fv表示对考试室内场所进行拍摄的拍摄设备在图像空间坐标系的竖直方向轴v轴上的归一化焦距、且
Figure BDA0003083781380000094
dx表示摄像机拍摄得到的考试室内场所影像的像素单元在水平方向上的尺寸，dy表示摄像机拍摄得到的考试室内场所影像的像素单元在竖直方向上的尺寸，u0表示摄像设备在图像空间坐标系的水平方向轴u轴上的坐标，v0表示摄像设备在图像空间坐标系的竖直方向轴v轴上的坐标，u表示摄像设备在考试室内场所对应的室内空间坐标系的水平方向轴u轴上的坐标变换到图像空间坐标系后对应的坐标，v表示摄像设备在考试室内场所对应的室内空间坐标系的竖直方向轴v轴上的坐标变换到图像空间坐标系后对应的坐标，δ()表示脉冲函数、当括号内的数值等于0时脉冲函数的取值为1，当括号内的数值不等于0时脉冲函数的取值为0，上述两个列矩阵的下标i和i-1分别表示列矩阵对应于时刻i和时刻i-1的学生子图像中对应的图像空间坐标系oc-xcyczc下对应的坐标，
Figure BDA0003083781380000095
表示时刻i-1的学生子图像中对应的图像空间坐标系oc-xcyczc下对应z轴的坐标；
指示所述摄像设备对准标记为存在作弊行为的学生对应的学生所在区域在图像空间坐标系oc-xcyczc下对应的坐标位置进行拍摄，从而获得被标记的学生所在区域中的学生脸部图像；
对被标记的学生所在区域中的学生脸部图像进行识别，从而获得存在作弊行为的学生脸部图像；
进一步，所述作弊行为警告模块确定被标记的学生的身份信息，将所述身份信息上传至云端中心，由所述云端中心控制考试室内场所的警告设备执行警告操作具体包括：
根据存在作弊行为的学生脸部图像和预存的每个学生的身份信息及每个学生对应的脸部图像特征，确定存在作弊行为的学生的身份信息；
将所述身份信息上传至云端中心，从云端中心存储的学生历史作弊行为记录中确定以往考试中存在作弊行为的学生信息、以及步骤S301确定出的存在作弊行为的学生的学号信息；
指示所述云端中心利用下面公式(4)，确定所述警告设备进行语音警告的最小声量值V：
Figure BDA0003083781380000101
在上述公式(4)中，Vmax表示所述警告设备可发出的最大声量值，A表示步骤S301确定出的存在作弊行为的学生的学号，Aa,k表示以往第a场考试中第k个存在作弊行为的学生的学号，n表示以往考试的总次数，ma表示以往第a场考试中存在作弊行为的学生的总数，δ()表示脉冲函数、当括号内的数值等于0时脉冲函数的取值为1，当括号内的数值不等于0时脉冲函数的取值为0；
指示所述云端中心控制考试室内场所的警告设备执行警告操作，并且控制所述警告设备的最小声量值为所述V。
相比于现有技术，该通过视频监控的学生考试作弊行为监测方法与系统通过对考试室内场所进行拍摄，以此获得考试室内场所影像；对所述考试室内场所影像进行处理，从而获得若干学生子图像，接着将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记，最后确定被标记的学生的身份信息，将所述身份信息上传至云端中心，由所述云端中心控制考试室内场所的警告设备执行警告操作；可见，该通过视频监控的学生考试作弊行为监测方法与系统对考试室内场所进行拍摄，并将拍摄得到的影像区分为学生子图像，接着对学生子图像进行处理以确定对应的学生是否存在作弊行为，再确定存在作弊行为的学生进行身份信息，最后通过云端中心在考试室内场所进行警告，这样能够在影像拍摄监控的情况下自动对考场内的所有学生进行自动识别，从而快速地和准确地确定学生是否存在作弊行为，并且还能够针对学生的作弊行为多寡来进行适应的警告，从而提高考场监考的全面性和可靠性以及有效降低考场监考的人力成本。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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为本发明提供的通过视频监控的学生考试作弊行为监测方法的流程示意图。
图2为本发明提供的通过视频监控的学生考试作弊行为监测系统的结构示意图。
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。
参阅图1，为本发明实施例提供的通过视频监控的学生考试作弊行为监测方法的流程示意图。该通过视频监控的学生考试作弊行为监测方法包括如下步骤：
步骤S1，对考试室内场所进行拍摄，以此获得考试室内场所影像；对该考试室内场所影像进行处理，从而获得若干学生子图像；
步骤S2，将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记；
步骤S3，确定被标记的学生的身份信息，将该身份信息上传至云端中心，由该云端中心控制考试室内场所的警告设备执行警告操作。
上述技术方案的有益效果为：该通过视频监控的学生考试作弊行为监测方法对考试室内场所进行拍摄，并将拍摄得到的影像区分为学生子图像，接着对学生子图像进行处理以确定对应的学生是否存在作弊行为，再确定存在作弊行为的学生进行身份信息，最后通过云端中心在考试室内场所进行警告，这样能够在影像拍摄监控的情况下自动对考场内的所有学生进行自动识别，从而快速地和准确地确定学生是否存在作弊行为，并且还能够针对学生的作弊行为多寡来进行适应的警告，从而提高考场监考的全面性和可靠性以及有效降低考场监考的人力成本。
优选地，对考试室内场所进行拍摄，以此获得考试室内场所影像；对该考试室内场所影像进行处理，从而获得若干学生子图像具体包括：
步骤S101，在学生收到考卷之后的预设时间段内，对考试室内场所进行扫描拍摄，以此获得考试室内场所的初始全景影像；该预设时间段的最长时长为5分钟或者10分钟；
步骤S102，识别该初始全景影像中每个学生各自的外形轮廓曲线，确定每个学生各自在初始全景影像中对应的学生所在区域，该学生所在区域为矩形，每个学生各自的外形轮廓曲线位于该学生对应的学生所在区域内，且每个学生各自的外形轮廓曲线上的目标像素点与该学生对应的学生所在区域的区域边界线之间的最短距离等于或大于预设第一距离且小于或等于预设第二距离；该每个学生各自的外形轮廓曲线上的目标像素点为：该学生的外形轮廓曲线上的、与该学生对应的学生所在区域的区域边界线之间距离最短的像素点；其中，预设第一距离和预设第二距离可根据实际需要进行设置，预设第一距离可为但不限于是1mm或者2mm，预设第二距离可为但不限于是5mm或者6mm；
步骤S103，将每个学生各自在初始全景影像中对应的学生所在区域，作为每个学生各自在后续的全景影像中的学生所在区域；
步骤S104，在该预设时间段之后、考试结束之前，按照预设时间间隔对考试室内场所进行扫描拍摄，获得考试室内场所的若干全景影像；
步骤S105，根据该每个学生各自在后续的全景影像中的学生所在区域，对该步骤S104获得的若干全景影像进行图像切分，获得该步骤S104获得的每个全景影像各自对应的学生子图像；其中，每个全景影像中的学生子图像为对应的全景影像中学生所在区域对应的图像部分。
上述技术方案的有益效果为：通过对考试室内场所进行周期性拍摄，能够获得在不同时刻下该考试室内场所的若干全景影像，以此实现对考试室内场所的全景视频化监控，从而有效地降低监控死角遗漏发生的概率。此外，由于每个学生自身的外形轮廓曲线并不相同，通过识别每个全景影像中学生的外形轮廓曲线，从而便于以该外形轮廓曲线为边界，从每个全息影像提取得到学生子图像，而该外形轮廓曲线可通过现有技术的图像像素轮廓像素识别提取方法来实现，这里就不做进一步的累述。
优选地，在该步骤S2中，将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记具体包括：
步骤S201，识别每个学生子图像包含的学生脸部五官轮廓特征，并将具有相同学生脸部五官轮廓特征的学生子图像划分到同一学生子图像集合中，从而得到分别属于不同学生的若干学生子图像集合；
步骤S202，从每个学生子图像集合中选取在拍摄时间上依次紧邻的三个学生子图像，并根据下面公式(1)确定选取的三个学生子图像中两两相邻的学生子图像之间在图像坐标上的差分值，
Figure BDA0003083781380000141
在上述公式(1)中，fi-1(ut,vt)、fi(ut,vt)、fi+1(ut,vt)分别表示从每个学生子图像集合中选取在拍摄时间上依次紧邻的三个时刻i-1、i、i+1对应的学生子图像中第t像素的像素值，ut、vt分别表示第t个像素的横坐标、纵坐标，K表示每个学生子图像中像素的总数目，Hi-1,i(u,v)表示时刻i-1和时刻i对应的学生子图像相应的像素差值，Hi,i+1(u,v)表示时刻i和时刻i+1对应的学生子图像相应的像素差值；
步骤S203，利用下面公式(2)，确定选取的三个学生子图像对应的学生的作弊行为情况，
Figure BDA0003083781380000142
在上述公式(2)中，Wi(u,v)表示作弊行为存在判定值，当Wi(u,v)等于1时，表明对应的学生不存在作弊行为，当Wi(u,v)等于0时，表明对应的学生存在作弊行为，T表示预设的判定阈值；
步骤S204，对存在作弊行为的学生对应的学生所在区域进行标记；对被标记的学生所在区域中的学生脸部图像进行识别，获得存在作弊行为的学生脸部图像。
上述技术方案的有益效果为：由于学生子图像包含学生头部区域的图像内容，这样对该学生子图像进行脸部五官特征的识别，能够快速地和准确地确定每个学生子图像对应所属的学生，以此实现对所有学生子图像的划分归类。由于当学生存在作弊行为时，学生的肢体会发生相应的位移，通过上述公式(1)和(2)，能够比对两两相邻的学生子图像之间在图像坐标上的差分值，从而有效提高学生作弊行为存在与否的判断可靠性，其本质上通过两次差分值判断来降低作弊行为误判发生的概率。
优选地，在该步骤S204中，对存在作弊行为的学生对应的学生所在区域进行标记；对被标记的学生所在区域中的学生脸部图像进行识别，获得存在作弊行为的学生脸部图像具体包括：
步骤2041，利用下面公式(3)，对存在作弊行为的学生对应的学生所在区域进行标记，从而标记得到存在作弊行为的学生在图像空间坐标系下的坐标位置，
Figure BDA0003083781380000151
在上述公式(3)中，xc、yc、zc表示存在作弊行为的学生对应的学生所在区域在图像空间坐标系oc-xcyczc下对应的坐标，fu表示对考试室内场所进行拍摄的拍摄设备在图像空间坐标系的水平方向轴u轴上的归一化焦距、且
Figure BDA0003083781380000152
Figure BDA0003083781380000153
fv表示对考试室内场所进行拍摄的拍摄设备在图像空间坐标系的竖直方向轴v轴上的归一化焦距、且
Figure BDA0003083781380000154
dx表示摄像机拍摄得到的考试室内场所影像的像素单元在水平方向上的尺寸，dy表示摄像机拍摄得到的考试室内场所影像的像素单元在竖直方向上的尺寸，u0表示摄像设备在图像空间坐标系的水平方向轴u轴上的坐标，v0表示摄像设备在图像空间坐标系的竖直方向轴v轴上的坐标，u表示摄像设备在考试室内场所对应的室内空间坐标系的水平方向轴u轴上的坐标变换到图像空间坐标系后对应的坐标，v表示摄像设备在考试室内场所对应的室内空间坐标系的竖直方向轴v轴上的坐标变换到图像空间坐标系后对应的坐标，δ()表示脉冲函数、当括号内的数值等于0时脉冲函数的取值为1，当括号内的数值不等于0时脉冲函数的取值为0，上述两个列矩阵的下标i和i-1分别表示列矩阵对应于时刻i和时刻i-1的学生子图像中对应的图像空间坐标系oc-xcyczc下对应的坐标，
Figure BDA0003083781380000161
表示时刻i-1的学生子图像中对应的图像空间坐标系oc-xcyczc下对应z轴的坐标；
步骤S2042，指示该摄像设备对准标记为存在作弊行为的学生对应的学生所在区域在图像空间坐标系oc-xcyczc下对应的坐标位置进行拍摄，从而获得被标记的学生所在区域中的学生脸部图像；
步骤S2043，对被标记的学生所在区域中的学生脸部图像进行识别，从而获得存在作弊行为的学生脸部图像。
上述技术方案的有益效果为：通过上述公式(3)，能够准确地从存在作弊行为的学生子图像中标记学生的坐标位置，从而使得摄像设备能够精确地对准存在作弊行为的学生进行拍摄取证，从而有效地提高对学生进行脸部图像识别的准确性。
优选地，在该步骤S3中，确定被标记的学生的身份信息，将该身份信息上传至云端中心，由该云端中心控制考试室内场所的警告设备执行警告操作具体包括：
步骤S301，根据存在作弊行为的学生脸部图像和预存的每个学生的身份信息及每个学生对应的脸部图像特征，确定存在作弊行为的学生的身份信息；
步骤S302，将该身份信息上传至云端中心，从云端中心存储的学生历史作弊行为记录中确定以往考试中存在作弊行为的学生信息、以及步骤S301确定出的存在作弊行为的学生的学号信息；
步骤S303，该云端中心利用下面公式(4)，确定该警告设备进行语音警告的最小声量值V：
Figure BDA0003083781380000171
在上述公式(4)中，Vmax表示该警告设备可发出的最大声量值，A表示步骤S301确定出的存在作弊行为的学生的学号，Aa,k表示以往第a场考试中第k个存在作弊行为的学生的学号，n表示以往考试的总次数，ma表示以往第a场考试中存在作弊行为的学生的总数，δ()表示脉冲函数、当括号内的数值等于0时脉冲函数的取值为1，当括号内的数值不等于0时脉冲函数的取值为0；
步骤S304，该云端中心控制考试室内场所的警告设备执行警告操作，并且控制该警告设备的最小声量值为该V。
上述技术方案的有益效果为：将学生的身份信息与云端中心存储的以往考试记录信息，就能够快速确定学生在以往考试过程中的作弊行为的出现次数，从而利用公式(4)，确定语音警告的实际声量值，从而提高该语音警告的有效性和针对性。
参阅图2，为本发明实施例提供的通过视频监控的学生考试作弊行为监测系统的结构示意图。该通过视频监控的学生考试作弊行为监测系统包括考试室内场所影像拍摄与处理模块、学生标定模块和作弊行为警告模块；其中，
该考试室内场所影像拍摄与处理模块用于对考试室内场所进行拍摄，以此获得考试室内场所影像；以及对该考试室内场所影像进行处理，从而获得若干学生子图像；
该学生标定模块用于将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记；
该作弊行为警告模块用于确定被标记的学生的身份信息，将该身份信息上传至云端中心，由该云端中心控制考试室内场所的警告设备执行警告操作。
上述技术方案的有益效果为：该通过视频监控的学生考试作弊行为监测系统对考试室内场所进行拍摄，并将拍摄得到的影像区分为学生子图像，接着对学生子图像进行处理以确定对应的学生是否存在作弊行为，再确定存在作弊行为的学生进行身份信息，最后通过云端中心在考试室内场所进行警告，这样能够在影像拍摄监控的情况下自动对考场内的所有学生进行自动识别，从而快速地和准确地确定学生是否存在作弊行为，并且还能够针对学生的作弊行为多寡来进行适应的警告，从而提高考场监考的全面性和可靠性以及有效降低考场监考的人力成本。
优选地，该考试室内场所影像拍摄与处理模块对考试室内场所进行拍摄，以此获得考试室内场所影像；以及对该考试室内场所影像进行处理，从而获得若干学生子图像具体包括：
在学生收到考卷之后的预设时间段内，对考试室内场所进行扫描拍摄，以此获得考试室内场所的初始全景影像；该预设时间段的最长时长为5分钟或者10分钟；
识别该初始全景影像中每个学生各自的外形轮廓曲线，确定每个学生各自在初始全景影像中对应的学生所在区域，该学生所在区域为矩形，每个学生各自的外形轮廓曲线位于该学生对应的学生所在区域内，且每个学生各自的外形轮廓曲线上的目标像素点与该学生对应的学生所在区域的区域边界线之间的最短距离等于或大于预设第一距离且小于或等于预设第二距离；该每个学生各自的外形轮廓曲线上的目标像素点为：该学生的外形轮廓曲线上的、与该学生对应的学生所在区域的区域边界线之间距离最短的像素点；
将每个学生各自在初始全景影像中对应的学生所在区域，作为每个学生各自在后续的全景影像中的学生所在区域；
在该预设时间段之后、考试结束之前，按照预设时间间隔对考试室内场所进行扫描拍摄，获得考试室内场所的若干全景影像；
根据该每个学生各自在后续的全景影像中的学生所在区域，对上述获得的若干全景影像进行图像切分，获得上述获得的每个全景影像各自对应的学生子图像；其中，每个全景影像中的学生子图像为对应的全景影像中学生所在区域对应的图像部分。
上述技术方案的有益效果为：通过对考试室内场所进行周期性拍摄，能够获得在不同时刻下该考试室内场所的若干全景影像，以此实现对考试室内场所的全景视频化监控，从而有效地降低监控死角遗漏发生的概率。此外，由于每个学生自身的外形轮廓曲线并不相同，通过识别每个全景影像中学生的外形轮廓曲线，从而便于以该外形轮廓曲线为边界，从每个全息影像提取得到学生子图像，而该外形轮廓曲线可通过现有技术的图像像素轮廓像素识别提取方法来实现，这里就不做进一步的累述。
优选地，该学生标定模块将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记具体包括：
识别每个学生子图像包含的学生脸部五官轮廓特征，并将具有相同学生脸部五官轮廓特征的学生子图像划分到同一学生子图像集合中，从而得到分别属于不同学生的若干学生子图像集合；
从每个学生子图像集合中选取在拍摄时间上依次紧邻的三个学生子图像，并根据下面公式(1)确定选取的三个学生子图像中两两相邻的学生子图像之间在图像坐标上的差分值，
Figure BDA0003083781380000191
在上述公式(1)中，fi-1(ut,vt)、fi(ut,vt)、fi+1(ut,vt)分别表示从每个学生子图像集合中选取在拍摄时间上依次紧邻的三个时刻i-1、i、i+1对应的学生子图像中第t像素的像素值，ut、vt分别表示第t个像素的横坐标、纵坐标，K表示每个学生子图像中像素的总数目，Hi-1,i(u,v)表示时刻i-1和时刻i对应的学生子图像相应的像素差值，Hi,i+1(u,v)表示时刻i和时刻i+1对应的学生子图像相应的像素差值；
利用下面公式(2)，确定选取的三个学生子图像对应的学生的作弊行为情况，
Figure BDA0003083781380000201
在上述公式(2)中，Wi(u,v)表示作弊行为存在判定值，当Wi(u,v)等于1时，表明对应的学生不存在作弊行为，当Wi(u,v)等于0时，表明对应的学生存在作弊行为，T表示预设的判定阈值；
对存在作弊行为的学生对应的学生所在区域进行标记；对被标记的学生所在区域中的学生脸部图像进行识别，获得存在作弊行为的学生脸部图像。
上述技术方案的有益效果为：由于学生子图像包含学生头部区域的图像内容，这样对该学生子图像进行脸部五官特征的识别，能够快速地和准确地确定每个学生子图像对应所属的学生，以此实现对所有学生子图像的划分归类。由于当学生存在作弊行为时，学生的肢体会发生相应的位移，通过上述公式(1)和(2)，能够比对两两相邻的学生子图像之间在图像坐标上的差分值，从而有效提高学生作弊行为存在与否的判断可靠性，其本质上通过两次差分值判断来降低作弊行为误判发生的概率。
优选地，该学生标定模块对存在作弊行为的学生对应的学生所在区域进行标记；对被标记的学生所在区域中的学生脸部图像进行识别，获得存在作弊行为的学生脸部图像具体包括：
利用下面公式(3)，对存在作弊行为的学生对应的学生所在区域进行标记，从而标记得到存在作弊行为的学生在图像空间坐标系下的坐标位置，
Figure BDA0003083781380000211
在上述公式(3)中，xc、yc、zc表示存在作弊行为的学生对应的学生所在区域在图像空间坐标系oc-xcyczc下对应的坐标，fu表示对考试室内场所进行拍摄的拍摄设备在图像空间坐标系的水平方向轴u轴上的归一化焦距、且
Figure BDA0003083781380000212
Figure BDA0003083781380000213
fv表示对考试室内场所进行拍摄的拍摄设备在图像空间坐标系的竖直方向轴v轴上的归一化焦距、且
Figure BDA0003083781380000214
dx表示摄像机拍摄得到的考试室内场所影像的像素单元在水平方向上的尺寸，dy表示摄像机拍摄得到的考试室内场所影像的像素单元在竖直方向上的尺寸，u0表示摄像设备在图像空间坐标系的水平方向轴u轴上的坐标，v0表示摄像设备在图像空间坐标系的竖直方向轴v轴上的坐标，u表示摄像设备在考试室内场所对应的室内空间坐标系的水平方向轴u轴上的坐标变换到图像空间坐标系后对应的坐标，v表示摄像设备在考试室内场所对应的室内空间坐标系的竖直方向轴v轴上的坐标变换到图像空间坐标系后对应的坐标，δ()表示脉冲函数、当括号内的数值等于0时脉冲函数的取值为1，当括号内的数值不等于0时脉冲函数的取值为0，上述两个列矩阵的下标i和i-1分别表示列矩阵对应于时刻i和时刻i-1的学生子图像中对应的图像空间坐标系oc-xcyczc下对应的坐标，
Figure BDA0003083781380000215
表示时刻i-1的学生子图像中对应的图像空间坐标系oc-xcyczc下对应z轴的坐标；
指示该摄像设备对准标记为存在作弊行为的学生对应的学生所在区域在图像空间坐标系oc-xcyczc下对应的坐标位置进行拍摄，从而获得被标记的学生所在区域中的学生脸部图像；
对被标记的学生所在区域中的学生脸部图像进行识别，从而获得存在作弊行为的学生脸部图像。
上述技术方案的有益效果为：通过上述公式(3)，能够准确地从存在作弊行为的学生子图像中标记学生的坐标位置，从而使得摄像设备能够精确地对准存在作弊行为的学生进行拍摄取证，从而有效地提高对学生进行脸部图像识别的准确性。
优选地，该作弊行为警告模块确定被标记的学生的身份信息，将该身份信息上传至云端中心，由该云端中心控制考试室内场所的警告设备执行警告操作具体包括：
根据存在作弊行为的学生脸部图像和预存的每个学生的身份信息及每个学生对应的脸部图像特征，确定存在作弊行为的学生的身份信息；
将该身份信息上传至云端中心，从云端中心存储的学生历史作弊行为记录中确定以往考试中存在作弊行为的学生信息、以及步骤S301确定出的存在作弊行为的学生的学号信息；
指示该云端中心利用下面公式(4)，确定该警告设备进行语音警告的最小声量值V：
Figure BDA0003083781380000221
在上述公式(4)中，Vmax表示该警告设备可发出的最大声量值，A表示步骤S301确定出的存在作弊行为的学生的学号，Aa,k表示以往第a场考试中第k个存在作弊行为的学生的学号，n表示以往考试的总次数，ma表示以往第a场考试中存在作弊行为的学生的总数，δ()表示脉冲函数、当括号内的数值等于0时脉冲函数的取值为1，当括号内的数值不等于0时脉冲函数的取值为0；
指示该云端中心控制考试室内场所的警告设备执行警告操作，并且控制该警告设备的最小声量值为该V。
上述技术方案的有益效果为：将学生的身份信息与云端中心存储的以往考试记录信息，就能够快速确定学生在以往考试过程中的作弊行为的出现次数，从而利用公式(4)，确定语音警告的实际声量值，从而提高该语音警告的有效性和针对性。
从上述实施例的内容可知，该通过视频监控的学生考试作弊行为监测方法与系统通过对考试室内场所进行拍摄，以此获得考试室内场所影像；对所述考试室内场所影像进行处理，从而获得若干学生子图像，接着将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记，最后确定被标记的学生的身份信息，将所述身份信息上传至云端中心，由所述云端中心控制考试室内场所的警告设备执行警告操作；可见，该通过视频监控的学生考试作弊行为监测方法与系统对考试室内场所进行拍摄，并将拍摄得到的影像区分为学生子图像，接着对学生子图像进行处理以确定对应的学生是否存在作弊行为，再确定存在作弊行为的学生进行身份信息，最后通过云端中心在考试室内场所进行警告，这样能够在影像拍摄监控的情况下自动对考场内的所有学生进行自动识别，从而快速地和准确地确定学生是否存在作弊行为，并且还能够针对学生的作弊行为多寡来进行适应的警告，从而提高考场监考的全面性和可靠性以及有效降低考场监考的人力成本。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.通过视频监控的学生考试作弊行为监测方法，其特征在于，其包括如下步骤：
步骤S1，对考试室内场所进行拍摄，以此获得考试室内场所影像；对所述考试室内场所影像进行处理，从而获得若干学生子图像；
步骤S2，将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记；
步骤S3，确定被标记的学生的身份信息，将所述身份信息上传至云端中心，由所述云端中心控制考试室内场所的警告设备执行警告操作。
2.如权利要求1所述的通过视频监控的学生考试作弊行为监测方法，其特征在于：
在所述步骤S1中，对考试室内场所进行拍摄，以此获得考试室内场所影像；对所述考试室内场所影像进行处理，从而获得若干学生子图像具体包括：
步骤S101，在学生收到考卷之后的预设时间段内，对考试室内场所进行扫描拍摄，以此获得考试室内场所的初始全景影像；所述预设时间段的最长时长为5分钟或者10分钟；
步骤S102，识别所述初始全景影像中每个学生各自的外形轮廓曲线，确定每个学生各自在初始全景影像中对应的学生所在区域，所述学生所在区域为矩形，每个学生各自的外形轮廓曲线位于该学生对应的学生所在区域内，且每个学生各自的外形轮廓曲线上的目标像素点与该学生对应的学生所在区域的区域边界线之间的最短距离等于或大于预设第一距离且小于或等于预设第二距离；所述每个学生各自的外形轮廓曲线上的目标像素点为：该学生的外形轮廓曲线上的、与该学生对应的学生所在区域的区域边界线之间距离最短的像素点；
步骤S103，将每个学生各自在初始全景影像中对应的学生所在区域，作为每个学生各自在后续的全景影像中的学生所在区域；
步骤S104，在所述预设时间段之后、考试结束之前，按照预设时间间隔对考试室内场所进行扫描拍摄，获得考试室内场所的若干全景影像；
步骤S105，根据所述每个学生各自在后续的全景影像中的学生所在区域，对所述步骤S104获得的若干全景影像进行图像切分，获得所述步骤S104获得的每个全景影像各自对应的学生子图像；其中，每个全景影像中的学生子图像为对应的全景影像中学生所在区域对应的图像部分。
3.如权利要求2所述的通过视频监控的学生考试作弊行为监测方法，其特征在于：
在所述步骤S2中，将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记具体包括：
步骤S201，识别每个学生子图像包含的学生脸部五官轮廓特征，并将具有相同学生脸部五官轮廓特征的学生子图像划分到同一学生子图像集合中，从而得到分别属于不同学生的若干学生子图像集合；
步骤S202，从每个学生子图像集合中选取在拍摄时间上依次紧邻的三个学生子图像，并根据下面公式(1)确定选取的三个学生子图像中两两相邻的学生子图像之间在图像坐标上的差分值，
Figure FDA0003083781370000031
在上述公式(1)中，fi-1(ut,vt)、fi(ut,vt)、fi+1(ut,vt)分别表示从每个学生子图像集合中选取在拍摄时间上依次紧邻的三个时刻i-1、i、i+1对应的学生子图像中第t像素的像素值，ut、vt分别表示第t个像素的横坐标、纵坐标，K表示每个学生子图像中像素的总数目，Hi-1,i(u,v)表示时刻i-1和时刻i对应的学生子图像相应的像素差值，Hi,i+1(u,v)表示时刻i和时刻i+1对应的学生子图像相应的像素差值；
步骤S203，利用下面公式(2)，确定选取的三个学生子图像对应的学生的作弊行为情况，
Figure FDA0003083781370000032
在上述公式(2)中，Wi(u,v)表示作弊行为存在判定值，当Wi(u,v)等于1时，表明对应的学生不存在作弊行为，当Wi(u,v)等于0时，表明对应的学生存在作弊行为，T表示预设的判定阈值；
步骤S204，对存在作弊行为的学生对应的学生所在区域进行标记；对被标记的学生所在区域中的学生脸部图像进行识别，获得存在作弊行为的学生脸部图像。
4.如权利要求3所述的通过视频监控的学生考试作弊行为监测方法，其特征在于：
在所述步骤S204中，对存在作弊行为的学生对应的学生所在区域进行标记；对被标记的学生所在区域中的学生脸部图像进行识别，获得存在作弊行为的学生脸部图像具体包括：
步骤2041，利用下面公式(3)，对存在作弊行为的学生对应的学生所在区域进行标记，从而标记得到存在作弊行为的学生在图像空间坐标系下的坐标位置，
Figure FDA0003083781370000041
在上述公式(3)中，xc、yc、zc表示存在作弊行为的学生对应的学生所在区域在图像空间坐标系oc-xcyczc下对应的坐标，fu表示对考试室内场所进行拍摄的拍摄设备在图像空间坐标系的水平方向轴u轴上的归一化焦距、且
Figure FDA0003083781370000042
fv表示对考试室内场所进行拍摄的拍摄设备在图像空间坐标系的竖直方向轴v轴上的归一化焦距、且
Figure FDA0003083781370000043
dx表示摄像机拍摄得到的考试室内场所影像的像素单元在水平方向上的尺寸，dy表示摄像机拍摄得到的考试室内场所影像的像素单元在竖直方向上的尺寸，u0表示摄像设备在图像空间坐标系的水平方向轴u轴上的坐标，v0表示摄像设备在图像空间坐标系的竖直方向轴v轴上的坐标，u表示摄像设备在考试室内场所对应的室内空间坐标系的水平方向轴u轴上的坐标变换到图像空间坐标系后对应的坐标，v表示摄像设备在考试室内场所对应的室内空间坐标系的竖直方向轴v轴上的坐标变换到图像空间坐标系后对应的坐标，δ()表示脉冲函数、当括号内的数值等于0时脉冲函数的取值为1，当括号内的数值不等于0时脉冲函数的取值为0，上述两个列矩阵的下标i和i-1分别表示列矩阵对应于时刻i和时刻i-1的学生子图像中对应的图像空间坐标系oc-xcyczc下对应的坐标，
Figure FDA0003083781370000044
表示时刻i-1的学生子图像中对应的图像空间坐标系oc-xcyczc下对应z轴的坐标；
步骤S2042，指示所述摄像设备对准标记为存在作弊行为的学生对应的学生所在区域在图像空间坐标系oc-xcyczc下对应的坐标位置进行拍摄，从而获得被标记的学生所在区域中的学生脸部图像；
步骤S2043，对被标记的学生所在区域中的学生脸部图像进行识别，从而获得存在作弊行为的学生脸部图像。
5.如权利要求3所述的通过视频监控的学生考试作弊行为监测方法，其特征在于：
在所述步骤S3中，确定被标记的学生的身份信息，将所述身份信息上传至云端中心，由所述云端中心控制考试室内场所的警告设备执行警告操作具体包括：
步骤S301，根据存在作弊行为的学生脸部图像和预存的每个学生的身份信息及每个学生对应的脸部图像特征，确定存在作弊行为的学生的身份信息；
步骤S302，将所述身份信息上传至云端中心，从云端中心存储的学生历史作弊行为记录中确定以往考试中存在作弊行为的学生信息、以及步骤S301确定出的存在作弊行为的学生的学号信息；
步骤S303，所述云端中心利用下面公式(4)，确定所述警告设备进行语音警告的最小声量值V：
Figure FDA0003083781370000051
在上述公式(4)中，Vmax表示所述警告设备可发出的最大声量值，A表示步骤S301确定出的存在作弊行为的学生的学号，Aa,k表示以往第a场考试中第k个存在作弊行为的学生的学号，n表示以往考试的总次数，ma表示以往第a场考试中存在作弊行为的学生的总数，δ()表示脉冲函数、当括号内的数值等于0时脉冲函数的取值为1，当括号内的数值不等于0时脉冲函数的取值为0；
步骤S304，所述云端中心控制考试室内场所的警告设备执行警告操作，并且控制所述警告设备的最小声量值为所述V。
6.通过视频监控的学生考试作弊行为监测系统，其特征在于，其包括考试室内场所影像拍摄与处理模块、学生标定模块和作弊行为警告模块；其中，
所述考试室内场所影像拍摄与处理模块用于对考试室内场所进行拍摄，以此获得考试室内场所影像；以及对所述考试室内场所影像进行处理，从而获得若干学生子图像；
所述学生标定模块用于将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记；
所述作弊行为警告模块用于确定被标记的学生的身份信息，将所述身份信息上传至云端中心，由所述云端中心控制考试室内场所的警告设备执行警告操作。
7.如权利要求6所述的通过视频监控的学生考试作弊行为监测系统，其特征在于：
所述考试室内场所影像拍摄与处理模块对考试室内场所进行拍摄，以此获得考试室内场所影像；以及对所述考试室内场所影像进行处理，从而获得若干学生子图像具体包括：
在学生收到考卷之后的预设时间段内，对考试室内场所进行扫描拍摄，以此获得考试室内场所的初始全景影像；所述预设时间段的最长时长为5分钟或者10分钟；
识别所述初始全景影像中每个学生各自的外形轮廓曲线，确定每个学生各自在初始全景影像中对应的学生所在区域，所述学生所在区域为矩形，每个学生各自的外形轮廓曲线位于该学生对应的学生所在区域内，且每个学生各自的外形轮廓曲线上的目标像素点与该学生对应的学生所在区域的区域边界线之间的最短距离等于或大于预设第一距离且小于或等于预设第二距离；所述每个学生各自的外形轮廓曲线上的目标像素点为：该学生的外形轮廓曲线上的、与该学生对应的学生所在区域的区域边界线之间距离最短的像素点；
将每个学生各自在初始全景影像中对应的学生所在区域，作为每个学生各自在后续的全景影像中的学生所在区域；
在所述预设时间段之后、考试结束之前，按照预设时间间隔对考试室内场所进行扫描拍摄，获得考试室内场所的若干全景影像；
根据所述每个学生各自在后续的全景影像中的学生所在区域，对上述获得的若干全景影像进行图像切分，获得上述获得的每个全景影像各自对应的学生子图像；其中，每个全景影像中的学生子图像为对应的全景影像中学生所在区域对应的图像部分。
8.如权利要求7所述的通过视频监控的学生考试作弊行为监测系统，其特征在于：
所述学生标定模块将若干学生子图像区分为分别属于不同学生的若干学生子图像集合，并从每个学生子图像集合中选取在拍摄时间上紧邻的若干学生子图像，比对选取的若干学生子图像之间的图像差异，从而确定选取的若干学生子图像对应的学生的作弊行为情况，并对存在作弊行为的学生进行标记具体包括：
识别每个学生子图像包含的学生脸部五官轮廓特征，并将具有相同学生脸部五官轮廓特征的学生子图像划分到同一学生子图像集合中，从而得到分别属于不同学生的若干学生子图像集合；
从每个学生子图像集合中选取在拍摄时间上依次紧邻的三个学生子图像，并根据下面公式(1)确定选取的三个学生子图像中两两相邻的学生子图像之间在图像坐标上的差分值，
Figure FDA0003083781370000081
在上述公式(1)中，fi-1(ut,vt)、fi(ut,vt)、fi+1(ut,vt)分别表示从每个学生子图像集合中选取在拍摄时间上依次紧邻的三个时刻i-1、i、i+1对应的学生子图像中第t像素的像素值，ut、vt分别表示第t个像素的横坐标、纵坐标，K表示每个学生子图像中像素的总数目，Hi-1,i(u,v)表示时刻i-1和时刻i对应的学生子图像相应的像素差值，Hi,i+1(u,v)表示时刻i和时刻i+1对应的学生子图像相应的像素差值；
利用下面公式(2)，确定选取的三个学生子图像对应的学生的作弊行为情况，
Figure FDA0003083781370000082
在上述公式(2)中，Wi(u,v)表示作弊行为存在判定值，当Wi(u,v)等于1时，表明对应的学生不存在作弊行为，当Wi(u,v)等于0时，表明对应的学生存在作弊行为，T表示预设的判定阈值；
对存在作弊行为的学生对应的学生所在区域进行标记；对被标记的学生所在区域中的学生脸部图像进行识别，获得存在作弊行为的学生脸部图像。
9.如权利要求8所述的通过视频监控的学生考试作弊行为监测系统，其特征在于：
所述学生标定模块对存在作弊行为的学生对应的学生所在区域进行标记；对被标记的学生所在区域中的学生脸部图像进行识别，获得存在作弊行为的学生脸部图像具体包括：
利用下面公式(3)，对存在作弊行为的学生对应的学生所在区域进行标记，从而标记得到存在作弊行为的学生在图像空间坐标系下的坐标位置，
Figure FDA0003083781370000091
在上述公式(3)中，xc、yc、zc表示存在作弊行为的学生对应的学生所在区域在图像空间坐标系oc-xcyczc下对应的坐标，fu表示对考试室内场所进行拍摄的拍摄设备在图像空间坐标系的水平方向轴u轴上的归一化焦距、且
Figure FDA0003083781370000092
fv表示对考试室内场所进行拍摄的拍摄设备在图像空间坐标系的竖直方向轴v轴上的归一化焦距、且
Figure FDA0003083781370000093
dx表示摄像机拍摄得到的考试室内场所影像的像素单元在水平方向上的尺寸，dy表示摄像机拍摄得到的考试室内场所影像的像素单元在竖直方向上的尺寸，u0表示摄像设备在图像空间坐标系的水平方向轴u轴上的坐标，v0表示摄像设备在图像空间坐标系的竖直方向轴v轴上的坐标，u表示摄像设备在考试室内场所对应的室内空间坐标系的水平方向轴u轴上的坐标变换到图像空间坐标系后对应的坐标，v表示摄像设备在考试室内场所对应的室内空间坐标系的竖直方向轴v轴上的坐标变换到图像空间坐标系后对应的坐标，δ()表示脉冲函数、当括号内的数值等于0时脉冲函数的取值为1，当括号内的数值不等于0时脉冲函数的取值为0，上述两个列矩阵的下标i和i-1分别表示列矩阵对应于时刻i和时刻i-1的学生子图像中对应的图像空间坐标系oc-xcyczc下对应的坐标，
Figure FDA0003083781370000094
表示时刻i-1的学生子图像中对应的图像空间坐标系oc-xcyczc下对应z轴的坐标；
指示所述摄像设备对准标记为存在作弊行为的学生对应的学生所在区域在图像空间坐标系oc-xcyczc下对应的坐标位置进行拍摄，从而获得被标记的学生所在区域中的学生脸部图像；
对被标记的学生所在区域中的学生脸部图像进行识别，从而获得存在作弊行为的学生脸部图像。
10.如权利要求8所述的通过视频监控的学生考试作弊行为监测系统，其特征在于：
所述作弊行为警告模块确定被标记的学生的身份信息，将所述身份信息上传至云端中心，由所述云端中心控制考试室内场所的警告设备执行警告操作具体包括：
根据存在作弊行为的学生脸部图像和预存的每个学生的身份信息及每个学生对应的脸部图像特征，确定存在作弊行为的学生的身份信息；
将所述身份信息上传至云端中心，从云端中心存储的学生历史作弊行为记录中确定以往考试中存在作弊行为的学生信息、以及步骤S301确定出的存在作弊行为的学生的学号信息；
指示所述云端中心利用下面公式(4)，确定所述警告设备进行语音警告的最小声量值V：
Figure FDA0003083781370000101
在上述公式(4)中，Vmax表示所述警告设备可发出的最大声量值，A表示步骤S301确定出的存在作弊行为的学生的学号，Aa,k表示以往第a场考试中第k个存在作弊行为的学生的学号，n表示以往考试的总次数，ma表示以往第a场考试中存在作弊行为的学生的总数，δ()表示脉冲函数、当括号内的数值等于0时脉冲函数的取值为1，当括号内的数值不等于0时脉冲函数的取值为0；
指示所述云端中心控制考试室内场所的警告设备执行警告操作，并且控制所述警告设备的最小声量值为所述V。
CN202110574505.9A 2021-05-25 2021-05-25 通过视频监控的学生考试作弊行为监测方法与系统 Pending CN113301309A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110574505.9A CN113301309A (zh) 2021-05-25 2021-05-25 通过视频监控的学生考试作弊行为监测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110574505.9A CN113301309A (zh) 2021-05-25 2021-05-25 通过视频监控的学生考试作弊行为监测方法与系统

Publications (1)

Publication Number Publication Date
CN113301309A true CN113301309A (zh) 2021-08-24

Family

ID=77325001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110574505.9A Pending CN113301309A (zh) 2021-05-25 2021-05-25 通过视频监控的学生考试作弊行为监测方法与系统

Country Status (1)

Country Link
CN (1) CN113301309A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017117788A1 (zh) * 2016-01-07 2017-07-13 汤美 一种考试防作弊系统
CN107491717A (zh) * 2016-06-13 2017-12-19 科大讯飞股份有限公司 考试作弊检测方法和装置
CN110659542A (zh) * 2018-06-29 2020-01-07 杭州海康威视数字技术股份有限公司 监控方法及装置
CN112087603A (zh) * 2020-08-31 2020-12-15 浙江蓝鸽科技有限公司 智慧考场监管方法
WO2021047306A1 (zh) * 2019-09-10 2021-03-18 中兴通讯股份有限公司 一种异常行为判定方法、装置、终端及可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017117788A1 (zh) * 2016-01-07 2017-07-13 汤美 一种考试防作弊系统
CN107491717A (zh) * 2016-06-13 2017-12-19 科大讯飞股份有限公司 考试作弊检测方法和装置
CN110659542A (zh) * 2018-06-29 2020-01-07 杭州海康威视数字技术股份有限公司 监控方法及装置
WO2021047306A1 (zh) * 2019-09-10 2021-03-18 中兴通讯股份有限公司 一种异常行为判定方法、装置、终端及可读存储介质
CN112087603A (zh) * 2020-08-31 2020-12-15 浙江蓝鸽科技有限公司 智慧考场监管方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
戴金波等: "考场异常行为检测算法", 《吉林大学学报(工学版)》 *
李凌: "《考生异常行为识别技术研究》", 《淮北职业技术学院学报》 *

Similar Documents

Publication Publication Date Title
CN104754302B (zh) 一种基于枪球联动系统的目标检测跟踪方法
CN112954315B (zh) 一种安防摄像机图像对焦测量方法及系统
CN111932609A (zh) 阀厅设备巡检机器人的云台校准方法及装置、存储介质
US10529065B2 (en) Method of evaluating the quality of images
KR101038650B1 (ko) 적응적 배경영상 모델링 방법, 이를 이용한 불법주정차 무인단속방법 및 불법주정차 무인단속시스템
CN110555377B (zh) 一种基于鱼眼相机俯视拍摄的行人检测与跟踪方法
CN111898581A (zh) 动物检测方法、装置、电子设备及可读存储介质
CN111339811A (zh) 图像处理方法、装置、设备及存储介质
CN111462229B (zh) 基于无人机的目标拍摄方法、拍摄装置及无人机
CN112307912A (zh) 一种基于摄像头确定人员轨迹的方法及系统
CN114462646B (zh) 一种基于接触网安全巡检的杆号牌识别方法及系统
JP6265602B2 (ja) 監視カメラシステム、撮像装置及び撮像方法
CN112601022B (zh) 一种基于网络摄像机的现场监控系统和方法
CN112422905B (zh) 一种电力设备图像采集方法、装置、设备和介质
CN113301309A (zh) 通过视频监控的学生考试作弊行为监测方法与系统
CN111277746A (zh) 一种室内人脸抓拍方法及系统
CN112766033B (zh) 一种基于多视角相机估计场景下行人共同关注目标的方法
CN111582157B (zh) 一种人体识别方法、装置、设备及计算机可读存储介质
CN114466180A (zh) 相机的测试方法、测试装置、安装方法及安装装置
CN111524161B (zh) 提取轨迹的方法和装置
CN112601021A (zh) 一种网络摄像机监控视频的处理方法及系统
CN114710713B (zh) 基于深度学习的自动化视频摘要生成方法
JP2001285849A (ja) 撮影システム
CN114332234B (zh) 一种基于棋盘格的自动标定方法及系统
CN112465873B (zh) 一种机器视觉中确定运动物体位置的方法及系统

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: 20210824

RJ01 Rejection of invention patent application after publication