CN114463828B - 基于人证统一的监考方法及系统、电子设备和存储介质 - Google Patents
基于人证统一的监考方法及系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114463828B CN114463828B CN202210382606.0A CN202210382606A CN114463828B CN 114463828 B CN114463828 B CN 114463828B CN 202210382606 A CN202210382606 A CN 202210382606A CN 114463828 B CN114463828 B CN 114463828B
- Authority
- CN
- China
- Prior art keywords
- examinee
- face
- feature information
- layer
- determining
- 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
Links
Images
Classifications
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供一种基于人证统一的监考方法及系统、电子设备和存储介质,其中,方法包括:基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试;其中,生物数据包括考生人脸图像;人脸检测模型是基于样本人脸图像集训练得到的,输出人脸特征信息;在考试过程中,根据预设视频采集规则采集考生视频信息,判断考生是否存在违规行为;若确定考生存在违规行为,根据预设违规行为处理规则,采取对应的违规行为处理方式。能够及时发现考生的违规行为,提高监考效率,减少监考人力资源的浪费,保障考试的公平、公正。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于人证统一的监考方法及系统、电子设备和存储介质。
背景技术
近年来,由于互联网行业的发展以及社会对线上学习和线上考试的需求,且在线考试具有无视时空限制、试卷易于管理和批改和节约纸质资源等优点,在线考试被广泛地应用。对应的,对监考方式的改进也为了当前迫切的需求。
传统的监考方式为人工监考,需要人工对考生进行身份验证和考场违规行为监督,造成人力资源的浪费。另外,目前还有人工结合视频监控的监考方式,监考人员通过摄像头采集考生的视频图像,对考生的行为进行监控。但由于目前考试违规行为方法多且往往十分隐蔽,且监考人员一次需监考多个考生,上述方案均存在监考人员难以及时发现并制止考生的违规行为的问题,监考效果不理想,使得考试的公平、公正难以保证。
因此,如何提供一种基于人证统一的监考方法及系统,在考试过程中实现对考生的无人监控,能够及时发现考生的违规行为,提高监考效率,减少监考人力资源的浪费,保障考试的公平、公正。
发明内容
针对现有技术中的缺陷,本发明实施例提供一种基于人证统一的监考方法及系统、电子设备和存储介质。
本发明提供一种基于人证统一的监考方法,包括:
基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试;其中,生物数据包括考生人脸图像;人脸检测模型是基于样本人脸图像集训练得到的,输出人脸特征信息;
在考试过程中,根据预设视频采集规则采集考生视频信息,判断考生是否存在违规行为;
若确定考生存在违规行为,根据预设违规行为处理规则,采取对应的违规行为处理方式;
基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试,具体包括:
基于考生人脸图像,根据人脸检测模型,确定考生人脸特征信息;
基于考生人脸特征信息,对考生进行活体检测;
若确定活体检测成功,则比对考生人脸特征信息与人证统一数据集中的人脸特征信息,判断是否存在匹配的目标人脸特征信息;
若确定存在目标人脸特征信息,则确定考生身份认证通过,允许考试;
人脸检测模型包括:人脸特征提取网络和特征信息生成网络;
基于考生人脸图像,根据人脸检测模型,确定考生人脸特征信息,具体包括:
将考生人脸图像输入人脸特征提取网络中,根据人脸特征提取网络,确定初始人脸特征信息;
将初始人脸特征信息输入特征信息生成网络中,根据特征信息生成网络,确定考生人脸特征信息;
其中,考生人脸特征信息包括目标人脸框位置信息和人脸关键点信息;
活体检测模型包括:特征信息修正层、攻击样本特征层、特征相似性确定层和考生活体检测层;
基于考生人脸特征信息,对考生进行活体检测,具体包括:
将考生人脸特征信息输入活体检测模型的特征信息修正层中,根据特征信息修正层,确定修正后的人脸特征信息;
将修正后的人脸特征信息输入攻击样本特征层中,根据攻击样本特征层,基于修正后的人脸特征信息与活体样本的共同属性,确定攻击样本特征;
将攻击样本特征输入特征相似性确定层中,根据特征相似性确定层,确定攻击样本特征与活体样本的特征相似性;
将特征相似性输入考生活体检测层中,根据考生活体检测层,确定考生活体检测结果。
根据本发明提供的基于人证统一的监考方法,特征信息生成网络包括:候选区域生成层、候选区域调整层和特征信息确定层;
将初始人脸特征信息输入特征信息生成网络中,根据特征信息生成网络,确定考生人脸特征信息,具体包括:
将初始人脸特征信息输入候选区域生成层中,根据候选区域生成层,确定第一人脸框候选区域;
将第一人脸框候选区域输入候选区域调整层中,根据候选区域调整层,确定第二人脸框候选区域;
将第二人脸框候选区域输入特征信息确定层中,根据特征信息确定层,确定目标人脸框位置信息和人脸关键点信息。
根据本发明提供的基于人证统一的监考方法,若确定考生存在违规行为,根据预设违规行为处理规则,采取对应的违规行为处理方式,具体包括:
若确定考生存在违规行为,将考生视频信息发送至违规行为认定端,确定考生违规行为类型;
基于考生违规行为类型,根据预设违规行为处理规则,采取对应的违规行为处理方式。
根据本发明提供的基于人证统一的监考方法,在考试过程中,根据预设视频采集规则采集考生视频信息,判断考生是否存在违规行为的步骤之后,还包括:
若确定考生不存在违规行为,则允许考生提交试卷,采集考生的生物数据;
基于生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则考试结束。
本发明还提供一种基于人证统一的监考系统,包括:身份认证单元、行为分析单元、结果处理单元;
身份认证单元,用于基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试;其中,生物数据包括考生人脸图像;人脸检测模型是基于样本人脸图像集训练得到的,输出人脸特征信息;
行为分析单元,用于在考试过程中,根据预设视频采集规则采集考生视频信息,判断考生是否存在违规行为;
结果处理单元,用于在确定考生存在违规行为后,根据预设违规行为处理规则,采取对应的违规行为处理方式;
基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试,具体包括:
基于考生人脸图像,根据人脸检测模型,确定考生人脸特征信息;
基于考生人脸特征信息,对考生进行活体检测;
若确定活体检测成功,则比对考生人脸特征信息与人证统一数据集中的人脸特征信息,判断是否存在匹配的目标人脸特征信息;
若确定存在目标人脸特征信息,则确定考生身份认证通过,允许考试;
人脸检测模型包括:人脸特征提取网络和特征信息生成网络;
基于考生人脸图像,根据人脸检测模型,确定考生人脸特征信息,具体包括:
将考生人脸图像输入人脸特征提取网络中,根据人脸特征提取网络,确定初始人脸特征信息;
将初始人脸特征信息输入特征信息生成网络中,根据特征信息生成网络,确定考生人脸特征信息;
其中,考生人脸特征信息包括目标人脸框位置信息和人脸关键点信息;
活体检测模型包括:特征信息修正层、攻击样本特征层、特征相似性确定层和考生活体检测层;
基于考生人脸特征信息,对考生进行活体检测,具体包括:
将考生人脸特征信息输入活体检测模型的特征信息修正层中,根据特征信息修正层,确定修正后的人脸特征信息;
将修正后的人脸特征信息输入攻击样本特征层中,根据攻击样本特征层,基于修正后的人脸特征信息与活体样本的共同属性,确定攻击样本特征;
将攻击样本特征输入特征相似性确定层中,根据特征相似性确定层,确定攻击样本特征与活体样本的特征相似性;
将特征相似性输入考生活体检测层中,根据考生活体检测层,确定考生活体检测结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如上述任一种基于人证统一的监考方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种基于人证统一的监考方法的步骤。
本发明提供的基于人证统一的监考方法及系统、电子设备和存储介质,通过采集考生的人脸图像,利用人脸检测模型,将考生的人脸特征信息与人证统一数据集进行比对,认证考生身份,能够有效鉴别是否出现替考行为。并且在考试过程中对考生的进行实时无人监控,能够及时发现考生的违规行为并采取对应的措施,提高监考效率,减少监考人力资源的浪费,保障考试的公平、公正。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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为本发明提供的基于人证统一的监考方法流程图;
图2为本发明提供的考场布控示意图;
图3为本发明提供的基于人证统一的监考方法流程示意图;
图4为本发明提供的人脸检测模型结构示意图;
图5为本发明提供的活体检测模型结构示意图;
图6为本发明提供的机器深度学习算法的结构示意图;
图7为本发明提供的基于人证统一的监考系统结构示意图;
图8为本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
近年来,重大安全生产事故不断出现在公众视野,企业要着力落实安全培训主体责任、提高企业安全培训质量,全面加强安全培训基础建设。最大限度地消除身边的事故隐患,遏制重特大事故发生,促进安全生产形势稳定好转。
目前针对安全生产作业做出了培训考试要求,也出台了有关指导意见,组织安全行业的安全工作规程考试以及全员安全生产考试和安全生产能力考试,但缺少对安全培训考核内容和形式统一的规范。希望实现以信息化为基础、“互联网+”的思维建设安全生产培训考核,能使从业人员数据实现集中的采集、共享和管理。
本发明以安全生产领域实现互联网进行考试安排、人证统一识别、考试监控的目的出发,提供一种基于人证统一的监考方法,能够广泛地适用于各个不同领域的监考场合。或者是适应性地应用于其他需要进行身份验证和行为监督的场合,例如生产特殊产品员工的认证和行为的监控等,本发明对此不作限定。
图1为本发明提供的基于人证统一的监考方法流程图,如图1所示,本发明实施例提供一种基于人证统一的监考方法,包括:
本发明提供一种基于人证统一的监考方法,包括:
步骤S1,基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试;其中,生物数据包括考生人脸图像;人脸检测模型是基于样本人脸图像集训练得到的,输出人脸特征信息;
步骤S2,在考试过程中,根据预设视频采集规则采集考生视频信息,判断考生是否存在违规行为;
步骤S3,若确定考生存在违规行为,根据预设违规行为处理规则,采取对应的违规行为处理方式。
具体的,图2为本发明提供的考场布控示意图,如图2所示,以具体的例子对本发明进行说明,在本发明实际应用过程中可通过数据库、数据库服务器,考场服务器、考生客户端、摄像头、人证统一识别机,摄像头的信号传输端与考生客户端连接,考生客户端与考场服务器连接,考场服务器与数据库服务连接,数据库服务与数据库连接。从数据准备到算法开发、训练、部署,集成生产环境,一站式完成所有任务。
其中,考生客户端用于考生进行答题,摄像头用于采集考生的图像及视频信息,人证统一识别机用于通过认证识别算法进行考生身份验证。可以理解的是,考试时往往一个考点有多个考场,一个考场中有多个考生。因此,可以部署多个考场服务器,由数据库服务器通过网络进行统一管理。
图3为本发明提供的基于人证统一的监考方法流程示意图,如图3所示,在考试前采集考生的生物数据,在步骤S1中,基于考生的生物数据,根据训练好的人脸检测模型,对考生的人脸图像进行识别,并和人证统一数据集中的信息进行比对,对考生身份进行识别。
可以理解的是,人证统一是指将人脸或证件照片与现场视频进行1:1比对(此时人证统一数据集中仅包括该考生对应的数据信息),或者从自建人脸库中进行1:N筛选比对(此时人证统一数据集中包括N个考生对应的数据信息),从而确保持证人与所持证件一一对应。
另外,人证统一的“证”不仅指身份证,还包括用户自行发放的证件如工作证、出入证、通行证、访客凭条和准考证等(包括无纸化证件)。可通过采集相关面照信息进行数据采集筛选以及数据标注通过深度算法后进行数据版本换化管理。
若确定人证比对成功,则说明考生身份认证通过,允许考生开始考试。反之,若比对失败,说明可能出现替考违规行为,禁止考生登录考试系统。
可以理解的是,考生的生物数据用于实现考生身份验证,除了包括人脸图像之外,还可以包括虹膜信息和指纹信息等,协同人脸比对共同实现考生的身份验证,提高验证的准确性。在本发明实际应用过程中,生物数据包括的具体类型和数量均可根据实际需求进行调整,本发明对此不作限定。
需要说明的是,在使用本发明提供的方法进行监考时,需要事先训练好人脸检测模型,人脸检测模型是基于样本人脸图像集训练得到的,输出人脸特征信息。在本发明中,人脸检测模型的具体结构、训练方法以及输出的人脸特征信息的具体类型和表现形式均能够根据实际需求进行调整,本发明对此不作限定。
在步骤S2中,在考试过程中,对考生的行为进行实时监测,利用摄像头,根据预设视频采集规则采集考生视频信息,根据考生视频信息判断考生是否存在违规行为。
需要说明的是,预设视频采集规则可以是按固定时间点采集、随机采集、以固定时间间隔采集以及持续采集等采集方式,采集的内容可以是一小段视频或抓拍图片,均可根据实际需求进行设置,本发明对此不作限定。
另外,违规行为包括替考、舞弊、违规携带通讯工具以及交头接耳等,具体的判断方法可以是基于神经网络模型进行判断、上传至服务器人工进行判断或两者联用以及其他方法,本发明对此不作限定。
在步骤S3中,若确定考生存在违规行为,根据预设违规行为处理规则,采取对应的违规行为处理方式。例如:发现考生非本人,进行了替考违规行为,禁止考生继续答题,并通知监考端对考生进行控制,严重或可追究刑事责任。发现考生违规使用手机,可禁止考生继续答题强制交卷。由于违规行为类型多,轻重程度不同,可预先设置违规行为处理规则,在出现违规行为时以对应的处理方法处理。
本发明提供的基于人证统一的监考方法通过采集考生的人脸图像,利用人脸检测模型,将考生的人脸特征信息与人证同一数据集进行比对,认证考生身份,能够有效鉴别是否出现替考行为。并且在考试过程中对考生的进行实时无人监控,能够及时发现考生的违规行为并采取对应的措施,提高监考效率,减少监考人力资源的浪费,保障考试的公平、公正。
可选的,根据本发明提供的基于人证统一的监考方法,基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试,具体包括:
基于考生人脸图像,根据人脸检测模型,确定考生人脸特征信息;
基于考生人脸特征信息,对考生进行活体检测;
若确定活体检测成功,则比对考生人脸特征信息与人证统一数据集中的人脸特征信息,判断是否存在匹配的目标人脸特征信息;
若确定存在目标人脸特征信息,则确定考生身份认证通过,允许考试。
具体的,由于人脸检测一般是基于禁止的图像信息实现的,可能有些考生会使用换脸、面具、遮挡等舞弊手段进行替考,因此为了抵御上述欺诈手段,本发明在人脸检测的基础上增添活体检测,共同实现对考生的身份验证。
首先将考生生物数据中的人脸图像输入训练好的人脸检测模型中,输出考生人脸特征信息。
利用人脸检测模型确定的考生人脸特征信息,对考生进行活体检测。若确定活体检测成功,则进一步对考生的身份进行验证。若活体检测失败,可以直接输出失败提示音,提示考生重新采集人脸图像再次进行活体检测。
可以理解的是,基于考生人脸特征信息进行活体检测的方法,可以是根据预先设置的活体检测模型实现的,具体的模型结构和检测原理可根据实际需求进行设置,本发明对此不作限定。
验证考生身份时,比对考生人脸特征信息与人证统一数据集中的人脸特征信息,判断是否存在匹配的目标人脸特征信息。
优选的,进行目标人脸特征信息匹配的方式为计算余弦相似度,两个向量越相似夹角越小,余弦值越接近1,若余弦值都大于0.9,则认为两人脸图像为同一人的脸,否则,判定人证人脸不一致,验证不通过。除此之外,还可使用其他的匹配方式例如计算曼哈顿距离、皮尔逊相关系数等,本发明对此不作限定。
需要说明的是,在利用人证统一数据集之前,还需要建立人证统一数据集。可以理解的是,建立人证统一数据集的步骤,即为基于考场内所有考生的图像,获取对应的人脸特征信息。将所有考生的人脸图像分别输入人脸检测模型中,获得所有考生的人脸特征信息。其对应的方法步骤,与进行身份比对时基于考生人脸图像,利用人脸检测模型提取考生人脸特征信息的步骤相同,具体的步骤在前文已经进行说明,在此不再赘述。在获取所有考生的人脸特征信息后,将所有考生的人脸特征信息汇总,建立人证统一数据集。
可以理解的是,在进行人脸特征信息的比对时,若人证统一数据集中的人脸特征信息中包含的是该考场内所有考生数据信息时,需确定该考生的人脸特征信息是否包含在人证统一数据集中。若人证统一数据集中仅包含一个人脸特征信息(例如:通过刷身份证的形式进行验证),则将该考生的人脸特征信息与数据集中的人脸特征信息进行比对,判断是否是同一个人。具体的比对方式可根据实际需求进行设置,本发明对此不作限定。
若确定存在目标人脸特征信息,则确定考生身份认证通过,允许考生考试。反之,则说明考生身份验证失败,可能出现替考违规行为,需采取相应的措施,或可能出现特殊原因导致验证失败,可进行重新验证。
现有技术中进行活体检测的方式一般为配合式活体检测,要求考生在摄像头前做出指定动作,例如眨眼、张嘴等组合动作,应用较为复杂且验证所需时间较长。
本发明提供的基于人证统一的监考方法通过采集考生的人脸图像,在利用人脸检测模型获取人脸特征信息后,基于人脸特征信息对考生进行活体检测。相比于现有技术采用配合式活体检测的方法,本方案无需考生进行额外的动作配合,无论是在有意还是无意的情况下,均不影响检测结果,通过算法可直接甄别纸张照片、屏幕成像、人脸面具等伪造人脸攻击,本方法操作简单实用性强,识别速度快准确性高,能够有效缩短检测时间,活体检测准确率达到98%以上。
可选的,根据本发明提供的基于人证统一的监考方法,人脸检测模型包括:人脸特征提取网络和特征信息生成网络;
基于考生人脸图像,根据人脸检测模型,确定考生人脸特征信息,具体包括:
将考生人脸图像输入人脸特征提取网络中,根据人脸特征提取网络,确定初始人脸特征信息;
将初始人脸特征信息输入特征信息生成网络中,根据特征信息生成网络,确定考生人脸特征信息;
其中,考生人脸特征信息包括目标人脸框位置信息和人脸关键点信息。
具体的,图4为本发明提供的人脸检测模型结构示意图,如图4所示,本发明中人脸检测模型可划分为人脸特征提取网络和特征信息生成网络。
对应的,基于考生人脸图像,根据人脸检测模型,确定考生人脸特征信息,具体包括:
将考生人脸图像输入人脸特征提取网络中,根据人脸特征提取网络,对人脸图像进行处理实现人脸特征信息进行初步提取,确定初始人脸特征信息。
获取初始人脸特征信息后,将初始人脸特征信息输入特征信息生成网络中,根据特征信息生成网络,对初始人脸特征信息进行进一步的处理,确定目标考生人脸特征信息。
可以理解的是,考生人脸特征信息包括目标人脸框位置信息和人脸关键点信息。目标人脸框位置信息能够准确地表示人脸在人脸图像中的位置,人脸关键点信息能够准确地反映人脸特征,通过人脸关键点信息的比对能够确定是否为同一人。其中,人脸关键点信息对应的人脸关键点的种类和数量可根据实际需求进行设置,本发明对此不作限定。
本发明提供的基于人证统一的监考方法通过采集考生的人脸图像,利用人脸检测模型,确定考生的人脸特征信息。基于人脸特征中目标人脸框位置信息以及人脸关键点信息,将考生人脸特征信息与人证同一数据集进行比对,认证考生身份,能够有效鉴别是否出现替考行为。能够有效提高人证统一的准确率,杜绝考生替考,同时该系统的使用可以使得监考员不再需要人工查验学员证件,大大减轻了监考老师工作量,也解决了因证件丢失、仿冒而给考生带来的烦恼,极大的保证考试的公平、公正,保障每个考生的权益。
可选的,根据本发明提供的基于人证统一的监考方法,特征信息生成网络包括:候选区域生成层、候选区域调整层和特征信息确定层;
将初始人脸特征信息输入特征信息生成网络中,根据特征信息生成网络,确定考生人脸特征信息,具体包括:
将初始人脸特征信息输入候选区域生成层中,根据候选区域生成层,确定第一人脸框候选区域;
将第一人脸框候选区域输入候选区域调整层中,根据候选区域调整层,确定第二人脸框候选区域;
将第二人脸框候选区域输入特征信息确定层中,根据特征信息确定层,确定目标人脸框位置信息和人脸关键点信息。
具体的,可利用神经网络的实现对考生的身份识别,以下结合具体的实例对本发明提供的身份识别方法进行说明:
以身份证图像人脸特征信息提取为例,通摄像头拍照获取考身份证图片,将图像灰度化,并归一化到64*64的大小,设定滑动窗口尺寸为3*3,计算每个像素点的十进制数据字节值。将图像划分为16*16的块,统计块内256个数据字节值出现的次数,构建数据字节方图,块内进行归一化处理,获取对应的16进制或10进制数据流,并对数据流每一字节除以255进行格式转换,对形成转换后的载荷数据流基于Find-S算法、faster-rcnn检测算法、卷积神经网络CNN对数据流进行筛选、关键点标定,形成考试信息基础库。
其中,Find-S算法内容:
将数据流初始化为假设空间H中最特殊的假设;
对于每一个数据自己进行训练数据:(1)如果是反例,h不变;(2)如果是正例,h变为和正例一致的最特殊的假设。
faster-rcnn网络结构分为三个部分:
第一部分用来提取数据流特征,生成feature maps的卷积层,
第二部分是候选区域生成网络——RPN(RegionProposal Network,区域候选网络)
第三部分是对候选区域进行分类和调整的网络。
通过faster-rcnn提取数据流特征,生成feature maps的卷积层并形成选区域使用Bounding box regression和非极大值抑制方法来过滤并校正候区域同时使用Boundingbox regression和NMS(非极大值抑制,Non-Maximum Suppression,简称NMS)进一步优化候选区域并拒绝掉大部分效果比较差的候选区域最后通过O-Net输出最终的人脸框和特征点位置,以及人脸关键点,形成人脸信息基础库。
如图4所示,特征信息生成网络包括:候选区域生成层(P-Net)、候选区域调整层(R-Net)和特征信息确定层(O-Net)。CNN将人脸检测与人脸关键点检测放在了一起,可分为三层网络结构:P-Net、R-Net和O-Net。
将初始人脸特征信息输入特征信息生成网络中,根据特征信息生成网络,确定考生人脸特征信息,具体包括:
P-Net是一个全卷积网络,将初始人脸特征信息输入候选区域生成层中,根通过浅层的CNN用来生成候选区域,使用Bounding box regression和非极大值抑制(NMS)来过滤并校正候区域,对人脸特征信息中的数据字节值提取特征,生成feature maps的卷积层,标定关键点并形成候选区域,确定第一人脸框候选区域。
该算法是对RCNN(Region-CNN)和Fast RCNN思想的结合,既保证特征提取的效率高于RCNN,同时保留RCNN提取的准确性。N-Net对候选区域进行调整,将第一人脸框候选区域输入候选区域调整层中,通过P-Net的候选窗输入R-Net中使用Bounding boxregression和NMS进一步优化候选区域,过滤并校正候选区域,并拒绝掉大部分效果比较差的候选区域,确定第二人脸框候选区域。
O-Net是一个较为复杂的卷积神经网络,O-Net输出最终的人脸框和特征点位置。将第二人脸框候选区域输入特征信息确定层中,基于Find-S机器学习算法,对提取候选区域特征信息数据的优化处理,输出最终的人脸框和特征点位置,以及人脸关键点数据信息。
Find-S机器学习算法能够有效解决人脸外形不稳定的问题,由于人可通过脸部变化产生的多表情,不同观察角度,人脸视觉图像相差很大,人脸受光照条件(例如白天和夜晚,室内和室外等)、遮盖物(例如口罩、墨镜、头发、胡须等)、年龄等多方面因素产生的人脸数据提取不准确的问题。
Find-S原理是将数据流初始化为假设空间A中最特殊的假设,对于每一个数据字节进行训练数据,生成训练数据,发现反例,A不变,正例,h变为和正例一致的最特殊的假设。具有很强的自适应能力,抗干扰能力强,人脸的定位准确率可达到98%以上。
上述人脸特征模型解决了现有技术对于人脸在类内变化往往大于类间变化,而使在受类内变化干扰情况下类间变化区分个体变得异常困难的难题。
可以理解的是,为了提高模型在监考场景下识别的准确性,在进行模型训练时,可以在训练好的初始人脸检测模型的基础上,增添监考场景(考生人脸图像采集处、考试对应的时间点、天气)下的样本图像对初始人脸检测模型进行二次训练,提高人脸检测模型对于监考场景下的识别精度。
另外,为了减少模型训练使用的样本数量,减少模型训练所需时间,可以进行预练习,通过MindSpore提供的model.train接口进行网络的训练,通过LossMonitor监控训练过程中loss值的变化,对模型网络参数进行调整,实现对模型训练。
本发明提供的基于人证统一的监考方法利用人脸检测模型,确定考生的人脸特征信息,进一步将考生人脸特征信息与人证统一数据集进行比对,认证考生身份,能够有效鉴别是否出现替考行为。相比于现有技术本发明在人脸检测中,实现人脸的姿态、角度、遮挡、清晰度、光照符合质量条件的才会被采集并对姿态、光照、遮蔽、年龄等方面具有很强的自适应能力,对当前采集到的人脸持续跟踪,动态定位人脸轮廓,稳定贴合人脸,抗干扰能力强,适应全黑工作环境,出色的防伪性能,杜绝伪造人脸信息,动态实时展现人脸上的核心关键点,完成人脸图片采集,并输出预设条件的人脸数据流,保证对人脸的定位准确率可达到98%以上。
可选的,根据本发明提供的基于人证统一的监考方法,活体检测模型包括:特征信息修正层、攻击样本特征层、特征相似性确定层和考生活体检测层;
基于考生人脸特征信息,对考生进行活体检测,具体包括:
将考生人脸特征信息输入活体检测模型的特征信息修正层中,根据特征信息修正层,确定修正后的人脸特征信息;
将修正后的人脸特征信息输入攻击样本特征层中,根据攻击样本特征层,基于修正后的人脸特征信息与活体样本的共同属性,确定攻击样本特征;
将攻击样本特征输入特征相似性确定层中,根据特征相似性确定层,确定攻击样本特征与活体样本的特征相似性;
将特征相似性输入考生活体检测层中,根据考生活体检测层,确定考生活体检测结果。具体的,图5为本发明提供的活体检测模型结构示意图,如图5所示,活体检测模型包括:特征信息修正层、攻击样本特征层、特征相似性确定层和考生活体检测层。结合本发明的实际应用过程,对基于考生人脸特征信息,对考生进行活体检测的具体进行说明。
本发明从异常检测的角度来解决活体问题,通过显式的回归损失regression-loss、隐式的度量学习metric-learning和辅助分类器来做监督。
假设活体样本具有某种共同属性,属于一个closed-set(闭集),而攻击样本(即非活体样本,假脸等)作为这个活体closed-set意外的异常,属于一个open-set(开集)。
定义一个spoof cue map的概念,即攻击和活体之间的difference,并明确这种spoof cue map只在攻击中存在,活体是all-zero map没有spoof cue map。
在基于人脸检测模型获取考生人脸特征信息后,将考生人脸特征信息输入活体检测模型的特征信息修正层中,根据特征信息修正层,采取了从3D结构中分离出姿态的算法,利用OpenCV算法集进一步对特征信息数据再进行修正,确定修正后的人脸特征信息。利用OpenCV和CNN能够有效地解决因姿态、光照和遮挡等因素造成算法的失效的问题
将修正后的人脸特征信息输入攻击样本特征层中,根据攻击样本特征层,采用U-Net网络结构作为spoof cue map(攻击样本特征)的生成器,比对修正后的人脸特征信息与活体样本的共同属性,确定攻击样本特征;
可以理解的是,在模型训练时,综合若干活体样本确定活体样本平均特征信息,此处比对修正后的人脸特征信息与活体样本的共同属性实际是将修正后的人脸特征信息与建立的活体样本平均特征信息进行比对。
特征相似性确定层利用度量学习metric learning(相似度学习)的方法来确定攻击样本特征的与正常样本(即活体样本)的相似性,三元组损失函数triplet loss将正常样本回归到0,而对异常样本(非活体样本)则不管,保证正常样本都有一个同一的域内中心,即为0,而异常样本的中心是不定的,所以计算回归loss的时候只计算正常样本的loss;对loss分类成辅助loss,增强梯度效应,形成正例和负例二分类,利用tiplet Loss,生成一个batch的数据里面有m个正样本和n个负样本,按照(a,p,n),组成n*n*m个三元组,计算三元组loss,使得类内紧凑,类间分散。
三元组损失函数triplet loss定义为:
式中,a为锚示例;p为正示例;n为负示例;m(margin)为一个大于0的常数;T为尺度因子;triplet loss接受n个样本特征作为输入Inputs,Inputs为V,里面的第i样本为vi。
损失函数triplet loss的输入是一个三元组,包括锚(Anchor)示例、正(Positive)示例、负(Negative)示例,正示例与锚示例同一类别的样本,负示例与锚示例是不同类别的样本。优化目标是拉近正示例与锚示例距离,拉远负示例与锚示例的距离。
将攻击样本特征输入特征相似性确定层中,计算三元组损失函数triplet loss,将计算结果作为特征相似性。特征相似性反映了spoof cue map的异常度大小,特征相似度大则认为更加异常(非活体)。将特征相似性输入考生活体检测层中,使用Caffe(Convolutional Architecture for Fast Feature Embedding,卷积神经网络框架,简称Caffe)训练CNN网络基于特征相似性进行人脸的二分类判定。
进一步的,可同时使用三元组损失函数triplet loss和回归损失regressionloss分别计算特征相似度,基于计算得到的两个特征相似度分别确定活体检测结果,仅当讲个检测结果均为活体时,才确定考生活体检测通过。采用双重检测的方式进行活体检测,能够有效提高活体检测的精确度。
可有效辨识图片、视频里的“假脸”,有效防止人员以假乱真,保障人员系统的安全,同时识别判断场景中的用户是否为活体,有效抵御换脸、面具、遮挡等舞弊手段,帮助甄别欺诈行为。
本发明提供的基于人证统一的监考方法通过人脸检测模型,通过构建考生活体检测模型,以人脸检测模型的输出作为活体检测模型的输入,能够准确的确定考生人脸特征信息中存在异常的部分,快速实现对考生是否为活体的判断,采用提取攻击样本特征,基于攻击样本特征和活体特征相似性的计算,基于相似性进行二分类实现活体检测的方案,能够有效提高检测的准确性。
可选的,根据本发明提供的基于人证统一的监考方法,若确定考生存在违规行为,根据预设违规行为处理规则,采取对应的违规行为处理方式,具体包括:
若确定考生存在违规行为,将考生视频信息发送至违规行为认定端,确定考生违规行为类型;
基于考生违规行为类型,根据预设违规行为处理规则,采取对应的违规行为处理方式。
具体的,如图3所示,在考试过程中,可以不定时自动抓拍照片或录制视频,将图片或视频文件上传至考试监控端,考试监控端可以在线整体查看考场考试情况也看随机抽看某位考生信息的考试情况。
若确定考生存在违规行为,根据预设违规行为处理规则,采取对应的违规行为处理方式,具体包括:
若确定考生存在违规行为,将考生视频信息发送至违规行为认定端(即考试监控端),确定考生违规行为类型。
可以理解的是,确定考生是否存在违规行为可以是基于神经网络模型确定的,也可以是后台的监考员确定的,还可以采用其他方式,本发明对此步骤限定。
基于考生违规行为类型,根据预设违规行为处理规则,采取对应的违规行为处理方式。可以理解的是,预设违规行为处理规则中,违规行为的类型以及对应的处理方式,均可根据实际需求进行设置,本发明对此不作限定。
例如:考试监控端进行实时远程监控发现考生作弊,远程发送指令对作弊考生进行作弊违规行为处理,通知监考端对考生进行相应的处理,并实时告知考生处理结果,发出停止答题指令,考生将不能继续答题,系统自动提交试卷,考生考试结束。或者采集图像信息后自动完成活体检测和人证统一识别,活体检测或人证统一识别不通过者把所抓拍的照片或视频上传考试监控端进行确认处理,若确认是替考,属于严重违纪行为,系统强制交卷并作出标记,将该试卷记为0分试卷。优选的,利用套接字Socket进行网络通信协议能够实现监控服务器与考生端的快速通信,同时使用具有检错和纠错等功能的流式通信协议能够保证定位数据正确及时的送达,确保监控考核的实时性和准确性。
视频文件采用切片和CDN(Content Delivery Network,内容分发网络,简称CDN)加速的多媒体视频安全播放方法,主要包括文件资源存储、事件通知、转码切片、生成视频切片文件、文件加密和视频播放等步骤,通过一系列处理,在保证信息安全的同时实现了多媒体视频加速播放。
视频自适应转码服务器通过FFmpeg技术将一个完整的视频源文件拆分为切成多个分片文件,视频源文件上传时设置的参数生成普清、高清、原画三种清晰度下适用的视频切片文件,并分别生成在浏览器下点播使用的视频切片文件。
基于切片和CDN加速的多媒体视频安全播放方法,采用CDN内容分发网络作为分发组件,将文件存储服务作为CDN分发网络的回源站点,将索引文件、切片文件进行Cache缓存,进行文件访问加速。由开源的轻量级分布式文件系统FastDFS集群组成的分布式文件存储模块,其用于提供文件存储、文件同步、文件访问、快速检索等功能,并解决了大容量文件存储和负载均衡等问题。
视频文件采用切片和CDN加速的多媒体视频安全播放方法与现有技术视频监控相比显著的优点:
现有视频需要先加载整个视频源文件才能进行播放而带来的网络接入速率较低,视频卡顿等用户体验不佳问题;查看视频监控可根据网络状况自动切换普清、高清、原画三种清晰度,使查看视频更加流畅;基于非对称加密RSA加密解密技术保证视频传输过程中的安全性。
本发明提供的基于人证统一的监考方法在考试过程中通过摄像头对考生的进行实时无人监控,能够及时发现考生的违规行为,并根据预设违规行为处理规则,采取对应的措施,提高监考效率,减少监考人力资源的浪费,保障考试的公平、公正。
可选的,根据本发明提供的基于人证统一的监考方法,在考试过程中,根据预设视频采集规则采集考生视频信息,判断考生是否存在违规行为的步骤之后,还包括:
若确定考生不存在违规行为,则允许考生提交试卷,采集考生的生物数据;
基于生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则考试结束。
具体的,如图3所示,若考生考试过程一直顺利直到答题完毕准备交卷,若确定考生不存在违规行为,则允许考生提交试卷,采集考生的生物数据。基于生物数据,根据训练好的人脸检测模型和人证统一数据集,再次对考生进行身份验证,识别考生身份,若确定考生身份认证通过,则考试结束。能够有效规避出现考试结束趁乱换位置作弊的情况。
本发明提供的基于人证统一的监考方法在考试过程中通过摄像头对考生的进行实时无人监控,在考生结束答题要交卷时,再次采集考生生物数据,对考生身份进行验证,有效规避考试结束趁乱换位置作弊的情况发生,提高监考效率,减少监考人力资源的浪费,保障考试的公平、公正。
本发明提供的基于人证统一的监考方法是基于机器深度学习算法所实现的,图6为本发明提供的机器深度学习算法的结构示意图,如图6所示,部署至生产环境主要包括以下五点:
1.基于微服务Docker部署满足分布集群以及模型可视化。
2.MySQL数据库用于管理人物-人脸特征数据库。
3.使用Caffe的C++接口进模型进行部署和使用,使用connector C++进行MySQL数据库的连接。
4.基于AIGallery实现算法分享、模型分享、数据分享。
5.提供在线服务、边缘服务、批量服务等相关服务,无需自建服务器,通过调用API实现云端识别。7x24小时不间断服务。
图7为本发明提供的基于人证统一的监考系统结构示意图,如图7所示,本发明还提供一种基于人证统一的监考系统,包括:身份认证单元710、行为分析单元720、结果处理单元730;
身份认证单元710,用于基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试;其中,生物数据包括考生人脸图像;人脸检测模型是基于样本人脸图像集训练得到的,输出人脸特征信息;
行为分析单元720,用于在考试过程中,根据预设视频采集规则采集考生视频信息,判断考生是否存在违规行为;
结果处理单元730,用于在确定考生存在违规行为后,根据预设违规行为处理规则,采取对应的违规行为处理方式。
具体的,图2为本发明提供的考场布控示意图,如图2所示,以具体的例子对本发明进行说明,在本发明实际应用过程中可通过数据库、数据库服务器,考场服务器、考生客户端、摄像头、人证统一识别机,摄像头的信号传输端与考生客户端连接,考生客户端与考场服务器连接,考场服务器与数据库服务连接,数据库服务与数据库连接。从数据准备到算法开发、训练、部署,集成生产环境,一站式完成所有任务。
其中,考生客户端用于考生进行答题,摄像头用于采集考生的图像及视频信息,人证统一识别机用于通过认证识别算法进行考生身份验证。可以理解的是,考试时往往一个考点有多个考场,一个考场中有多个考生。因此,可以部署多个考场服务器,由数据库服务器通过网络进行统一管理。
图3为本发明提供的基于人证统一的监考方法流程示意图,如图3所示,在考试前采集考生的生物数据,身份认证单元710,用于基于考生的生物数据,根据训练好的人脸检测模型,对考生的人脸图像进行识别,并和人证统一数据集中的信息进行比对,对考生身份进行识别。
可以理解的是,人证统一是指将人脸或证件照片与现场视频进行1:1比对(此时人证统一数据集中仅包括该考生对应的数据信息),或者从自建人脸库中进行1:N筛选比对(此时人证统一数据集中包括N个考生对应的数据信息),从而确保持证人与所持证件一一对应。
另外,人证统一的“证”不仅指身份证,还包括用户自行发放的证件如工作证、出入证、通行证、访客凭条和准考证等(包括无纸化证件)。可通过采集相关面照信息进行数据采集筛选以及数据标注通过深度算法后进行数据版本换化管理。
若确定人证比对成功,则说明考生身份认证通过,允许考生开始考试。反之,若比对失败,说明可能出现替考违规行为,禁止考生登录考试系统。
可以理解的是,考生的生物数据用于实现考生身份验证,除了包括人脸图像之外,还可以包括虹膜信息和指纹信息等,协同人脸比对共同实现考生的身份验证,提高验证的准确性。在本发明实际应用过程中,生物数据包括的具体类型和数量均可根据实际需求进行调整,本发明对此不作限定。
需要说明的是,在使用本发明提供的方法进行监考时,需要事先训练好人脸检测模型,人脸检测模型是基于样本人脸图像集训练得到的,输出人脸特征信息。
在本发明中,人脸检测模型的具体结构、训练方法以及输出的人脸特征信息的具体类型和表现形式均能够根据实际需求进行调整,本发明对此不作限定。
行为分析单元720,用于在考试过程中,对考生的行为进行实时监测,利用摄像头,根据预设视频采集规则采集考生视频信息,根据考生视频信息判断考生是否存在违规行为。
需要说明的是,预设视频采集规则可以是按固定时间点采集、随机采集、以固定时间间隔采集以及持续采集等采集方式,采集的内容可以是一小段视频或抓拍图片,均可根据实际需求进行设置,本发明对此不作限定。
另外,违规行为包括替考、舞弊、违规携带通讯工具以及交头接耳等,具体的判断方法可以是基于神经网络模型进行判断、上传至服务器人工进行判断或两者联用以及其他方法,本发明对此不作限定。
结果处理单元730,用于在确定考生存在违规行为后,根据预设违规行为处理规则,采取对应的违规行为处理方式。例如:发现考生非本人,进行了替考违规行为,禁止考生继续答题,并通知监考端对考生进行控制,严重或可追究刑事责任。发现考生违规使用手机,可禁止考生继续答题强制交卷。由于违规行为类型多,轻重程度不同,可预先设置违规行为处理规则,在出现违规行为时以对应的处理方法处理。
本发明提供的基于人证统一的监考系统通过采集考生的人脸图像,利用人脸检测模型,将考生的人脸特征信息与人证统一数据集进行比对,认证考生身份,能够有效鉴别是否出现替考行为。并且在考试过程中对考生的进行实时无人监控,能够及时发现考生的违规行为并采取对应的措施,提高监考效率,减少监考人力资源的浪费,保障考试的公平、公正。
需要说明的是,本发明提供的基于人证统一的监考系统用于执行上述基于人证统一的监考方法,其具体的实施方式与方法实施方式一致,在此不再赘述。
图8为本发明提供的电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(CommunicationsInterface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行基于人证统一的监考方法,该方法包括:基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试;其中,生物数据包括考生人脸图像;人脸检测模型是基于样本人脸图像集训练得到的,输出人脸特征信息;在考试过程中,根据预设视频采集规则采集考生视频信息,判断考生是否存在违规行为;若确定考生存在违规行为,根据预设违规行为处理规则,采取对应的违规行为处理方式。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,计算机能够执行上述各方法所提供的基于人证统一的监考方法,该方法包括:基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试;其中,生物数据包括考生人脸图像;人脸检测模型是基于样本人脸图像集训练得到的,输出人脸特征信息;在考试过程中,根据预设视频采集规则采集考生视频信息,判断考生是否存在违规行为;若确定考生存在违规行为,根据预设违规行为处理规则,采取对应的违规行为处理方式。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的基于人证统一的监考方法,该方法包括:基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试;其中,生物数据包括考生人脸图像;人脸检测模型是基于样本人脸图像集训练得到的,输出人脸特征信息;在考试过程中,根据预设视频采集规则采集考生视频信息,判断考生是否存在违规行为;若确定考生存在违规行为,根据预设违规行为处理规则,采取对应的违规行为处理方式。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于人证统一的监考方法,其特征在于,包括:
基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试;其中,所述生物数据包括考生人脸图像;所述人脸检测模型是基于样本人脸图像集训练得到的,输出人脸特征信息;
在考试过程中,根据预设视频采集规则采集考生视频信息,判断考生是否存在违规行为;
若确定考生存在违规行为,根据预设违规行为处理规则,采取对应的违规行为处理方式;
所述基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试,具体包括:
基于所述考生人脸图像,根据所述人脸检测模型,确定所述考生人脸特征信息;
基于所述考生人脸特征信息,根据活体检测模型,对考生进行活体检测;
若确定活体检测成功,则比对所述考生人脸特征信息与所述人证统一数据集中的人脸特征信息,判断是否存在匹配的目标人脸特征信息;
若确定存在目标人脸特征信息,则确定考生身份认证通过,允许考试;
所述人脸检测模型包括:人脸特征提取网络和特征信息生成网络;
所述基于所述考生人脸图像,根据所述人脸检测模型,确定所述考生人脸特征信息,具体包括:
将所述考生人脸图像输入人脸特征提取网络中,根据所述人脸特征提取网络,确定初始人脸特征信息;
将所述初始人脸特征信息输入所述特征信息生成网络中,根据所述特征信息生成网络,确定所述考生人脸特征信息;
其中,所述考生人脸特征信息包括目标人脸框位置信息和人脸关键点信息;
所述活体检测模型包括:特征信息修正层、攻击样本特征层、特征相似性确定层和考生活体检测层;
所述基于所述考生人脸特征信息,对考生进行活体检测,具体包括:
将所述考生人脸特征信息输入活体检测模型的特征信息修正层中,根据所述特征信息修正层,确定修正后的人脸特征信息;
将所述修正后的人脸特征信息输入攻击样本特征层中,根据所述攻击样本特征层,基于修正后的人脸特征信息与活体样本的共同属性,确定攻击样本特征;
将所述攻击样本特征输入特征相似性确定层中,根据所述特征相似性确定层,确定所述攻击样本特征与活体样本的特征相似性;
将所述特征相似性输入考生活体检测层中,根据所述考生活体检测层,确定考生活体检测结果;
在所述在考试过程中,根据预设视频采集规则采集考生视频信息,判断考生是否存在违规行为的步骤之后,还包括:
若确定考生不存在违规行为,则允许考生提交试卷,采集考生的生物数据;
基于所述生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则考试结束。
2.根据权利要求1所述的基于人证统一的监考方法,其特征在于,
所述特征信息生成网络包括:候选区域生成层、候选区域调整层和特征信息确定层;
所述将所述初始人脸特征信息输入所述特征信息生成网络中,根据所述特征信息生成网络,确定所述考生人脸特征信息,具体包括:
将所述初始人脸特征信息输入所述候选区域生成层中,根据所述候选区域生成层,确定第一人脸框候选区域;
将所述第一人脸框候选区域输入所述候选区域调整层中,根据所述候选区域调整层,确定第二人脸框候选区域;
将所述第二人脸框候选区域输入所述特征信息确定层中,根据所述特征信息确定层,确定目标人脸框位置信息和人脸关键点信息。
3.根据权利要求1或2所述的基于人证统一的监考方法,其特征在于,所述若确定考生存在违规行为,根据预设违规行为处理规则,采取对应的违规行为处理方式,具体包括:
若确定考生存在违规行为,将所述考生视频信息发送至违规行为认定端,确定考生违规行为类型;
基于考生违规行为类型,根据预设违规行为处理规则,采取对应的违规行为处理方式。
4.一种基于人证统一的监考系统,其特征在于,包括:身份认证单元、行为分析单元、结果处理单元;
所述身份认证单元,用于基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试;其中,所述生物数据包括考生人脸图像;所述人脸检测模型是基于样本人脸图像集训练得到的,输出人脸特征信息;
所述行为分析单元,用于在考试过程中,根据预设视频采集规则采集考生视频信息,判断考生是否存在违规行为;
所述结果处理单元,用于在确定考生存在违规行为后,根据预设违规行为处理规则,采取对应的违规行为处理方式;
所述基于考生的生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则允许考试,具体包括:
基于所述考生人脸图像,根据所述人脸检测模型,确定所述考生人脸特征信息;
基于所述考生人脸特征信息,根据活体检测模型,对考生进行活体检测;
若确定活体检测成功,则比对所述考生人脸特征信息与所述人证统一数据集中的人脸特征信息,判断是否存在匹配的目标人脸特征信息;
若确定存在目标人脸特征信息,则确定考生身份认证通过,允许考试;
所述人脸检测模型包括:人脸特征提取网络和特征信息生成网络;
所述基于所述考生人脸图像,根据所述人脸检测模型,确定所述考生人脸特征信息,具体包括:
将所述考生人脸图像输入人脸特征提取网络中,根据所述人脸特征提取网络,确定初始人脸特征信息;
将所述初始人脸特征信息输入所述特征信息生成网络中,根据所述特征信息生成网络,确定所述考生人脸特征信息;
其中,所述考生人脸特征信息包括目标人脸框位置信息和人脸关键点信息;
所述活体检测模型包括:特征信息修正层、攻击样本特征层、特征相似性确定层和考生活体检测层;
所述基于所述考生人脸特征信息,对考生进行活体检测,具体包括:
将所述考生人脸特征信息输入活体检测模型的特征信息修正层中,根据所述特征信息修正层,确定修正后的人脸特征信息;
将所述修正后的人脸特征信息输入攻击样本特征层中,根据所述攻击样本特征层,基于修正后的人脸特征信息与活体样本的共同属性,确定攻击样本特征;
将所述攻击样本特征输入特征相似性确定层中,根据所述特征相似性确定层,确定所述攻击样本特征与活体样本的特征相似性;
将所述特征相似性输入考生活体检测层中,根据所述考生活体检测层,确定考生活体检测结果;
在所述在考试过程中,根据预设视频采集规则采集考生视频信息,判断考生是否存在违规行为的步骤之后,还包括:
若确定考生不存在违规行为,则允许考生提交试卷,采集考生的生物数据;
基于所述生物数据,根据训练好的人脸检测模型和人证统一数据集,识别考生身份,若确定考生身份认证通过,则考试结束。
5.一种电子设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至3任一项所述的基于人证统一的监考方法。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至3任一项所述的基于人证统一的监考方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382606.0A CN114463828B (zh) | 2022-04-13 | 2022-04-13 | 基于人证统一的监考方法及系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210382606.0A CN114463828B (zh) | 2022-04-13 | 2022-04-13 | 基于人证统一的监考方法及系统、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114463828A CN114463828A (zh) | 2022-05-10 |
CN114463828B true CN114463828B (zh) | 2022-07-19 |
Family
ID=81418537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210382606.0A Active CN114463828B (zh) | 2022-04-13 | 2022-04-13 | 基于人证统一的监考方法及系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463828B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115174857A (zh) * | 2022-06-28 | 2022-10-11 | 广州乐庚信息科技有限公司 | 实验考试的智能考场监控方法、系统、设备及存储介质 |
CN115146243B (zh) * | 2022-07-08 | 2023-09-15 | 北京布局未来教育科技有限公司 | 一种基于数据分析的线上vr考试考生信息核对管理系统 |
CN116132637A (zh) * | 2023-02-15 | 2023-05-16 | 武汉博晟安全技术股份有限公司 | 在线考试监控系统及方法、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417990A (zh) * | 2020-10-30 | 2021-02-26 | 四川天翼网络服务有限公司 | 一种考试学生违规行为识别方法及系统 |
CN112633189A (zh) * | 2020-12-28 | 2021-04-09 | 北京弘远博学科技有限公司 | 防止考试作弊的方法、装置、电子设备及计算机可读介质 |
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 |
-
2022
- 2022-04-13 CN CN202210382606.0A patent/CN114463828B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417990A (zh) * | 2020-10-30 | 2021-02-26 | 四川天翼网络服务有限公司 | 一种考试学生违规行为识别方法及系统 |
CN112633189A (zh) * | 2020-12-28 | 2021-04-09 | 北京弘远博学科技有限公司 | 防止考试作弊的方法、装置、电子设备及计算机可读介质 |
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 |
Non-Patent Citations (1)
Title |
---|
Learning Generalized Spoof Cues for Face Anti-spoofing;Haocheng Feng 等;《arXiv:2005.03922v1》;20200508;第1-13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114463828A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114463828B (zh) | 基于人证统一的监考方法及系统、电子设备和存储介质 | |
CN109359548B (zh) | 多人脸识别监控方法及装置、电子设备及存储介质 | |
CN107862299B (zh) | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 | |
CN109522815B (zh) | 一种专注度评估方法、装置及电子设备 | |
WO2021036436A1 (zh) | 一种人脸识别方法及装置 | |
Pinto et al. | Using visual rhythms for detecting video-based facial spoof attacks | |
CN105956572A (zh) | 一种基于卷积神经网络的活体人脸检测方法 | |
DE602004005984T2 (de) | Gesichtsidentifikationsverifikation unter verwendung von vorder- und seitenansichten | |
CN105989263A (zh) | 身份认证方法、开户方法、装置及系统 | |
CN110390229B (zh) | 一种人脸图片筛选方法、装置、电子设备及存储介质 | |
US20240021015A1 (en) | System and method for selecting images for facial recognition processing | |
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 | |
CN111126219A (zh) | 一种基于人工智能的变电站人员的身份识别系统和方法 | |
CN107832721B (zh) | 用于输出信息的方法和装置 | |
CN112381782A (zh) | 人脸图像质量评估方法、装置、计算机设备及存储介质 | |
WO2023173785A1 (zh) | 准入权限的验证方法、装置、系统和身份认证终端 | |
CN111800428A (zh) | 一种数字会议参与实时统计方法及系统 | |
WO2022089220A1 (zh) | 图像数据处理方法、装置、设备、存储介质及产品 | |
KR102194409B1 (ko) | 멀티포커싱 ai신경망을 이용한 안면검출 및 안면식별 시스템 | |
CN111325185B (zh) | 人脸防欺诈方法及系统 | |
Abirami et al. | AI-based Attendance Tracking System using Real-Time Facial Recognition | |
Shekhar et al. | An ensemble model for face liveness detection | |
Jilani et al. | Standardising the capture and processing of custody images | |
CN114760484B (zh) | 直播视频识别方法、装置、计算机设备和存储介质 | |
Ahlawat et al. | Online invigilation: A holistic approach |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Unified invigilation methods and systems, electronic devices, and storage media based on personal identification Effective date of registration: 20230323 Granted publication date: 20220719 Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd. Pledgor: WUHAN BOSSIEN SAFETY TECHNOLOGY CO.,LTD. Registration number: Y2023420000117 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |