CN114882533A - 一种考场异常行为检测方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了一种考场异常行为检测方法、装置、设备以及存储介质，涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉技术领域。具体实现方案为：获取待检测图像；对待检测图像中的人体区域进行行为检测，得到第一检测结果；对待检测图像中的手部区域进行行为检测，得到第二检测结果；基于第一检测结果和第二检测结果，获取异常行为检测结果。本公开实现了对考场异常行为的自动检测。

Description

一种考场异常行为检测方法、装置、设备以及存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉技术领域。

背景技术

考场异常行为可以理解为考核过程考生中在考核不允许的范围内寻求或者试图寻求答案，与公平、公正原则相悖的行为。为了保证考试结果的公平，考场要求有纪律约束，禁止考场异常行为，对考生进行考试违纪的警示是考试检查制度的重要一环。

发明内容

本公开提供了一种考场异常行为检测方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种考场异常行为检测方法，包括：

获取待检测图像；

对所述待检测图像中的人体区域进行行为检测，得到第一检测结果；

对所述待检测图像中的手部区域进行行为检测，得到第二检测结果；

基于所述第一检测结果和所述第二检测结果，获取异常行为检测结果。

根据本公开的第二方面，提供了一种考场异常行为检测装置，包括：

获取图像模块，用于获取待检测图像；

第一检测模块，用于对所述待检测图像中的人体区域进行行为检测，得到第一检测结果；

第二检测模块，用于对所述待检测图像中的手部区域进行行为检测，得到第二检测结果；

获取结果模块，用于基于所述第一检测结果和所述第二检测结果，获取异常行为检测结果。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据第一方面所述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面所述的方法。

本公开中，获取待检测图像；对待检测图像中的人体区域进行行为检测，得到第一检测结果；对待检测图像中的手部区域进行行为检测，得到第二检测结果；基于第一检测结果和第二检测结果，获取异常行为检测结果，如此，可以实现对考场异常行为的自动检测。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开实施例提供的考场异常行为检测方法的流程图；

图2是本公开实施例中获取异常行为检测结果的流程图；

图3是本公开实施例中确定人体区域和手部区域的流程图；

图4是应用本公开实施例提供的考场异常行为的流程图；

图5是本公开实施例提供的考场异常行为检测装置的一种结构示意图；

图6是本公开实施例提供的考场异常行为检测装置的另一种结构示意图；

图7是用来实现本公开实施例的考场异常行为检测方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

针对考场异常行为，目前考场的监督主要是采用监考老师人工监督的形式，或者，监考老师和巡考的形式，配合采用摄像头事后查看录像的形式进行。但毕竟人的精力有限，监考老师无法每时每刻关注考场上每个考生的状态，而且监考老师往往需要持续监考几小时，甚至几天，很容易出现疲劳的情况。再者考场上考生作弊动作一般都比较小，监考老师也比较难发现。另外这种方式有可能出现监考老师和考生配合作弊的情况。

因此，为了解决目前方式中存在的这些问题，例如人工成本过高，人工检测难、不公平等问题，本公开实施例可以采用智能分析方式实现对考场异常行为的检测，也即实现了对考场异常行为的自动检测。

下面对本公开实施例提供的考场异常行为检测方法进行详细说明。

本公开实施例提供的考场异常行为检测方法可以应用于光学字符识别(OpticalCharacter Recognition，OCR)、人脸识别等场景。

本公开实施例提供的考场异常行为检测方法的执行主体可以是电子设备，具体地，可以是服务器、终端，等等。

本公开实施例提供了一种考场异常行为检测方法，可以包括：

获取待检测图像；

对待检测图像中的人体区域进行行为检测，得到第一检测结果；

对待检测图像中的手部区域进行行为检测，得到第二检测结果；

基于第一检测结果和第二检测结果，获取异常行为检测结果。

本公开实施例实现对考场异常行为的自动检测，也可以理解为实现了通过智能分析检测的方式对考场异常行为进行检测，本公开实施例中对待检测图像中的人体区域进行行为检测，得到第一检测结果；对待检测图像中的手部区域进行行为检测，得到第二检测结果，并对人体区域进行行为检测的结果和对手部区域进行行为检测的检测结果进行结合，获取异常行为检测结果，一方面，可以提高检测的准确性；另一方面，可以实现更公平、更方便、高效地完成异常行为的检测。

图1是本公开实施例提供的考场异常行为检测方法的流程图。参照图1，本公开实施例提供的考场异常行为检测方法可以包括：

S101，获取待检测图像。

待检测图像可以包括针对考场上考生的图像。

可以通过摄像头针对考场上考生采集视频流，然后，可以将视频流中所有的视频帧均作为待检测图像，或者，可以选择其中的预设帧作为待检测图像，预设帧可以根据实际需求或者经验确定，例如，1帧、2帧，等等。

一种可实现方式中，可以针对考场中各个考生分别采集待检测图像。例如，利用一摄像头采集考生1对应的待检测图像1，利用另一摄像头采集考生2对应的待检测图像2。

另一种可实现方式中，可以针对考场中所有考生采集待检测图像。例如，采集得到包括所有考生的待检测图像。

S102，对待检测图像中的人体区域进行行为检测，得到第一检测结果。

第一检测结果用于表示针对人体区域确定的考生行为是否异常的检测结果。

一种可实现方式中，第一检测结果除了包括考生行为是否异常，还可以包括对应的置信度，例如包括行为异常的置信度或行为正常的置信度，也即行为异常的概率或行为正常的概率。

针对每一考生，有可能是针对一个待检测图像得到针对该考生的一个人体区域，则基于该人体区域确定第一检测结果。也有可能是针对多个待检测图像分别得到多个人体区域，则可以分别针对各个人体区域分别得到一个第一检测结果，然后，可以将多个第一检测结果作为该考生的第一检测结果，或者，将多个第一检测结果整合得到一个第一检测结果作为该考生的第一检测结果。

其中，将多个第一检测结果进行整合可以是计算多个第一检测结果中行为异常及行为正常的比例，根据多个第一检测结果中行为异常及行为正常的比例确定整合的第一检测结果。

例如，若行为异常的比例大于行为正常的比例，则多个第一检测结果整合得到第一检测结果为行为异常，若行为正常的比例大于行为异常的比例，则多个第一检测结果整合得到第一检测结果为行为正常，若行为异常的比例等于行为正常的比例，则计算第一检测结果为行为异常的置信度的统计值以及第一检测结果为行为正常的置信度的统计值，然后，比较第一检测结果为行为异常的置信度的统计值和及第一检测结果为行为正常的置信度的统计值，统计值较大的结果即为整合得到的第一检测结果，统计值可以是均值、平方差等等。

S103，对待检测图像中的手部区域进行行为检测，得到第二检测结果。

第二检测结果用于表示针对手部区域确定的考生行为是否异常的检测结果。

一种可实现方式中，第二检测结果除了包括考生行为是否异常，还可以包括对应的置信度，例如行为异常的置信度或行为正常的置信度。

一个例子中，异常行为可以是考场作弊行为，考生是否手握小抄是判断考生是否作弊的重要内容，第二检测结果具体可以表示考生是否握持小抄。

针对每一考生，有可能是针对一个待检测图像得到针对该考生的一个手部区域，则直接基于该手部区域确定第二检测结果。也有可能是针对多个待检测图像分别得到多个手部区域，则可以分别针对各个手部区域分别得到一个第二检测结果；然后，可以将多个第二检测结果作为该考生的第二检测结果，或者，将多个第二检测结果整合得到一个第二检测结果作为该考生的第二检测结果。

其中，将多个第二检测结果进行整合可以是计算多个第二检测结果中行为异常及行为正常的比例，根据多个第二检测结果中行为异常及行为正常的比例确定整合的第二检测结果。

例如，若行为异常的比例大于行为正常的比例，则多个第二检测结果整合得到第二检测结果为行为异常，若行为正常的比例大于行为异常的比例，则多个第二检测结果整合得到第二检测结果为行为正常，若行为异常的比例等于行为正常的比例，则计算第二检测结果为行为异常的置信度的统计值以及第二检测结果为行为正常的置信度的统计值，然后，比较第二检测结果为行为异常的置信度的统计值和及第二检测结果为行为正常的置信度的统计值，统计值较大的结果即为整合得到的第二检测结果，统计值可以是均值、平方差等等。

S104，基于第一检测结果和第二检测结果，获取异常行为检测结果。

异常行为检测结果用于表示行为是否异常。一种可实现方式中，异常行为检测结果还可以包括行为是否异常对应的置信度，例如行为异常的置信度，行为正常的置信度。

针对每一考生，可以是针对一待检测图像得到一人体区域和一手部区域，基于该人体区域得到一个第一检测结果，基于该手部区域得到一个第二检测结果，则可以直接基于该第一检测结果和该第二检测结果，确定针对该考生的异常行为检测结果。例如，第一检测结果和第二检测结果均表示行为异常，则确定异常行为检测结果为行为异常。

针对每一考生，也可以针对多个待检测图像分别得到多个人体区域，并分别针对各个人体区域分别得到一个第一检测结果，得到多个第一检测结果或整合得到一个第一检测结果。同理，也有可能得到多个第二检测结果或整合得到一个第二检测结果。

这种情况下，若针对一考生，整合得到一个第一检测结果和一个第二检测结果，则基于第一检测结果和第二检测结果，确定异常行为检测结果参照上述一个第一检测结果和一个第二检测结果的情况。

若针对一考生得到多个第一检测结果和多个第二检测结果，则S104可以包括：预设比例的第一检测结果和第二检测结果，均确定考生作弊指示行为异常，则确定异常行为检测结果为行为异常。例如，一个第一检测结果和对应的第二检测结果可以称之为一个检测对，针对一个检测对得到一个检测结果，预设比例的检测对均确定行为异常，则确定异常行为检测结果为行为异常。针对一个检测对得到一个检测结果参照上述针对每一考生得到一个第一检测结果和一个第二检测结果的情况下确定异常行为检测结果的方式。其中，预设比例可以根据经验或者实际需求确定，例如，80％、90％，等等。

本公开实施例中对待检测图像中的人体区域进行行为检测，得到第一检测结果；对待检测图像中的手部区域进行行为检测，得到第二检测结果，并对人体区域进行行为检测的结果和对手部区域进行行为检测的检测结果进行结合，获取异常行为检测结果，一方面，可以提高检测的准确性；另一方面，可以实现更公平、更方便、高效地完成异常行为的检测。

一种可选地实施例中，响应于确定第一检测结果不满足第一条件，且第二检测结果满足第二条件，确定异常行为检测结果指示行为异常；

其中，第一条件指示行为异常且行为异常的置信度大于第一置信度阈值，第二条件指示行为异常且行为异常的置信度大于第二置信度阈值。

一种可实现方式中，第二条件可以指示手握小抄且手握小抄的置信度大于第二置信度阈值。

第一置信度阈值可以根据经验或者实际需求来确定，例如，60％、70％、75％，等等。同理，第二置信度阈值可以根据经验或者实际需求来确定，例如，90％、95％，等等。第二置信度阈值可以与第一置信度阈值相同，也可以不同于第一置信度阈值。

可以先判断第一检测结果是否满足第一条件，如果第一检测结果不满足第一条件，则继续判断第二检测结果是否满足第二条件，如果第二检测结果满足第二条件，则确定异常行为检测结果为行为异常，如果第二检测结果不满足第二条件，则确定异常行为检测结果为行为正常。

本公开实施例中确定第一检测结果不满足第一条件，没有直接确定异常行为检测结果为行为异常，而是继续判断判断第二检测结果是否满足第二条件，如此可以结合针对人体区域的检测结果和针对手部区域的检测结果确定异常行为检测结果，能够提高确定的异常行为检测结果的准确性。

一个例子中，异常行为可以包括作弊行为，具体地，第一检测结果可以理解为人体分类结果，可以指示是否作弊，第二检测结果可以理解为人手分类结果，可以指示是否手握小抄，一个例子中，第一置信度阈值为60％，第二置信度阈值为90％，如图2所示，若人体分类结果表示作弊且作弊的置信度大于60％，确定考场异常行为检测结果为作弊；或者，人体分类结果不满足条件：作弊且作弊的置信度大于60％(例如，人体分类结果表示未作弊，或者人体分类结果表示作弊但作弊的置信度不大于60％)，且人手分类结果表示握持小抄以及握持小抄的置信度大于90％，确定异常行为检测结果为作弊；而其他情况下，考场异常行为检测结果均为未作弊。

一种可实现方式中，S103可以包括：

响应于确定第一检测结果不满足第一条件，对待检测图像中的手部区域进行行为检测，得到第二检测结果。

可以理解为，当对待检测图像中的人体区域进行行为检测得到的第一检测结果不满足第一条件时，再对待检测图像中的手部区域进行行为检测，得到第二检测结果，并基于第一检测结果和第二检测结果，获取异常行为检测结果。而当对待检测图像中的人体区域进行行为检测得到的第一检测结果满足第一条件时，可以直接确定异常行为检测表示行为异常，如此可以在保证检测结果的基础上，提高检测效率。

本公开实施例中，在获取待检测图像后，可以先识别待检测图像中的人体区域和手部区域，然后再执行S102和S103。

人体区域即待检测图像中包括人体的区域。

可以通过检测人体关键点，检测待检测图像中人体区域，例如，一般情况下，通过人体的关键点如21个主要关键点，包含头顶、五官、颈部、四肢主要关节部位定位人体，则可以通过检测这些关键点，将包括这些关键点的区域确定为人体区域。

可以检测待检测图像中所有考生分别对应的人体区域。具体地，若待检测图像中包括一个考生，则检测得到该考生的人体区域，若待检测图像中包括两个考生，则检测得到两个考生分别对应的人体区域。

例如，待检测图像是针对考场中多个考生的待检测图像，则针对包括多个考生的待检测图像得到每个考生分别对应的人体区域。待检测图像是分别针对各个考生的，则分别针对各个考生的待检测图像分别得到各个考生的人体区域。

可以在待检测图像中标注出每一考生的人体区域，或者，可以从待检测图像中截取每一考生的人体区域。

当待检测图像有多个，分别针对每一待检测图像，检测每一待检测图像中各个考生的人体区域。

手部区域即包括手部的区域。

例如，针对一考生，该考生的手部区域可以是包括该考生一只手的区域，或者，也可以是包括该考生两只手的区域。

可以通过检测人手关键点检测手部区域。例如，检测人体区域中的所有手部，定位手部的骨节点，如21个主要骨节点，包括指尖、各节指骨连接处等，得到每个骨节点的坐标信息，针对一个手部，包括每个骨节点的坐标信息的区域即为手部区域。

具体地，可以针对标注有考生的人体区域的待检测图像进行检测，得到手部区域。或者，可以针对从待检测图像中截取的考生的人体区域进行检测，得到手部区域。

可以在人体区域中标注出每一考生的手部区域，或者，可以从人体区域中截取每一考生的手部区域。

一种可实现方式中，标注有考生的人体区域的待检测图像可以称之为人体图像，当针对标注有考生的人体区域的待检测图像进行检测，也即针对人体图像进行检测，可以在人体图像中标注手部区域，或者，从人体图像中截取手部区域。

例如，当人体图像中标注有一个考生的手部区域，则在人体图像标注该考生对应的手部区域，或者，从人体图像中截取该考生的手部区域。

当人体图像中标注有多个考生的手部区域，则在人体图像标注各个考生分别对应的手部区域，或者，从人体图像中分别截取各个考生的手部区域。

另一种可实现方式中，当人体区域是从待检测图像中截取的考生的人体区域，可以针对该待检测图像截取得到的各个人体区域，在该人体区域中标注各个考生的手部区域，或者，从人体区域中分别截取各个考生的手部区域。

近年来，深度学习技术随着硬件资源的支持获得了飞速发展，在很多领域相比传统算法都取得了不错的效果，特别是在计算机视觉领域，如目标检测，图像识别，图像增强等方向都取得了很大的成功。行为分析是计算机视觉领域一个重要的研究方向。随着神经网络技术的加入，行为分析取得了一系列重大进展。本公开实施例可以在考场异常行为检测的过程中利用神经网络技术。

一种可选地实施例中，如图3所示，还可以包括：

S301，通过将待检测图像输入人体检测模型进行人体识别，确定人体区域。

可以将待检测图像输入预先训练好的人体检测模型，通过人体检测模型得到人体区域。

人体检测模型采用深度神经网络建立模型。

人体检测模型的训练过程可以参照相关技术中神经网络的训练过程。例如，获取多个样本图像，样本图像中包括考场中的考生；针对各个样本图像，对该样本图像中的人体区域进行标记，得到该样本图像的人体区域真值，将多个样本图像以及各个样本图像对应的人体区域真值作为训练样本，对人体检测模型进行训练。具体地，针对每一样本图像，将样本图像输入人体检测模型，将人体检测模型的输出与该人体区域真值进行比较，基于人体检测模型的输出与该人体区域真值之间的差异对人体检测模型的模型参数进行调整，直至满足第一训练条件，完成对人体检测模型的训练，得到训练好的人体检测模型。其中，第一训练条件可以包括针对一样本图像，人体检测模型的输出与该样本图像对应的人体区域真值之间的差异达到预设精度，例如0.01，0.1，等等，或者针对一个样本图像的计算称之为一次迭代，迭代次数达到预设次数，例如1000次、2000次，等等。

S302，通过将人体区域的图像输入手部检测模型进行手部识别，确定手部区域。

可以将人体区域的图像输入预先训练好的手部检测模型，通过手部检测模型得到手部区域。

手部检测模型为深度神经网络模型。

手部检测模型的训练可以包括如下步骤：

获取多个人体区域的图像；针对各个人体区域的图像，对该人体区域的图像中手部进行标记，得到该人体区域的图像对应的手部区域真值。其中，可以直接对人体检测模型训练过程中标记的人体区域进行标记得到人体区域的图像对应的手部区域真值，这种方式可以降低标记成本，提高标记效率。

如此，可以将多个人体区域的图像以及各个人体区域的图像对应的手部区域真值作为训练样本，对手部检测模型进行训练。具体地，针对每一人体区域的图像，将人体区域的图像输入手部检测模型，将手部检测模型的输出与该手部区域真值进行比较，基于手部检测模型的输出与该手部区域真值之间的差异对手部检测模型的模型参数进行调整，直至满足第二训练条件，完成对手部检测模型的训练，得到训练好的手部检测模型。其中，第二训练条件可以包括针对一人体区域的图像，手部检测模型的输出与该人体区域的图像对应的手部区域真值之间的差异达到预设精度，例如0.01，0.1，等等，或者针对一个人体区域的计算称之为一次迭代，迭代次数达到预设次数，例如1000次、2000次，等等。

一种可实现方式中，可以将人体检测模型输出的人体区域作为手部检测模型的输入，对人体区域中的手部进行检测，输出手部区域。

如此，可以通过神经网络模型更方便、高效地对人体区域以及手部区域的检测，也为后续高效地基于人体区域确定第一检测结果、基于手部区域确定第二检测结果以及基于第一检测结果和第二检测结果，获取异常行为检测结果提供了基础。

一种可选地实施例中，S102可以包括：

通过将人体区域输入人体分类模型进行行为检测，得到第一检测结果。

S103可以包括：

通过将手部区域输入手部分类模型进行行为检测，得到第二检测结果。

人体分类模型为深度神经网络模型，其用来对人体区域进行分类，分类结果指示行为是否异常。一种可实现方式中，可以用来对人体检测模型检测出的人体区域进行分类，判断该人体是否为作弊，其输出结果可以包括两部分：是否作弊和相应的置信度。

人体分类模型的训练过程可以包括如下步骤：

获取多个人体区域；针对各个人体区域，对该人体区域对应的检测结果进行标记，得到该人体区域对应的检测结果真值。

可以将多个人体区域以及各个人体区域对应的检测结果真值作为训练样本，对人体分类模型进行训练。具体地，针对每一人体区域，将人体区域输入人体分类模型，将人体分类模型的输出与该人体区域对应的检测结果真值进行比较，基于人体分类模型的输出与作弊检测结果真值之间的差异对人体分类模型的模型参数进行调整，直至满足第三训练条件，完成对人体分类模型的训练，得到训练好的人体分类模型。其中，第三训练条件可以包括针对一人体区域，人体分类模型的输出与该人体区域对应的检测结果真值之间的差异达到预设精度，例如0.01，0.1，等等，或者针对一个人体区域的计算称之为一次迭代，迭代次数达到预设次数，例如1000次、2000次，等等。

手部分类模型同样为深度神经网络模型，其用于对手部区域进行分类，指示行为是否异常。一种可实现方式中，其用来对手部检测模型检测出的手部区域进行分类，指示手部是否握持小抄，其输出结果可以包括两部分：是否握持小抄和相应的置信度。

手部分类模型的训练过程可以包括如下步骤：

获取多个手部区域；针对各个手部区域，对该手部区域对应的检测结果进行标记，得到该手部区域对应的检测结果真值。

可以将多个手部区域以及各个手部区域对应的检测结果真值作为训练样本，对手部分类模型进行训练。具体地，针对每一手部区域，将手部区域输入手部分类模型，将手部分类模型的输出与该检测结果真值进行比较，基于手部分类模型的输出与该检测结果真值之间的差异对手部分类模型的模型参数进行调整，直至满足第四训练条件，完成对手部分类模型的训练，得到训练好的手部分类模型。其中，第四训练条件可以包括针对一手部区域，手部分类模型的输出与该手部区域对应的检测结果真值之间的差异达到预设精度，例如0.01，0.1，等等，或者针对一个手部区域的计算称之为一次迭代，迭代次数达到预设次数，例如1000次、2000次，等等。

人体检测模型和手部检测模型可以统称为人体、手部检测模块，人体分类模型和手部分类模型可以统称为人体、手部分类模块，基于第一检测结果和第二检测结果，确定异常行为检测结果可以通过逻辑判断模块来实现，本公开实施例中人体、手部检测模块可以连接人体、手部分类模块，人体、手部分类模块可以连接逻辑判断模块，如图4所示。如此，通过人体检测模型得到考生的人体区域，以及通过手部检测模型得到手部区域之后，可以将人体区域输入预先训练好的人体分类模型，通过人体分类模型得到第一检测结果，将人体区域输入预先训练好的手部分类模型，通过手部分类模型得到第二检测结果，接着，通过逻辑判断模块基于第一检测结果和第二检测结果，确定异常行为检测结果，如此可以实现对考场异常行为的端到端检测，更方便、高效地完成考场异常行为的检测。

本公开实施例中采用模型实现考场异常行为检测，可以更加方便、高效地进行异常行为检测，在对人体区域进行行为检测的结果和对手部区域进行行为检测的检测结果进行结合以获取异常行为检测结果，提高检测准确的基础上，提高检测效率。

对应于上述实施例提供的考场异常行为检测方法，本公开实施例还提供了一种考场异常行为检测装置，如图5，可以包括：

获取图像模块501，用于获取待检测图像；

第一检测模块502，用于对待检测图像中的人体区域进行行为检测，得到第一检测结果；

第二检测模块503，用于对待检测图像中的手部区域进行行为检测，得到第二检测结果；

获取结果模块504，用于基于第一检测结果和第二检测结果，获取异常行为检测结果。

可选地，获取结果模块504，具体用于响应于确定第一检测结果不满足第一条件，且第二检测结果满足第二条件，确定异常行为检测结果指示行为异常；

其中，第一条件指示行为异常且行为异常的置信度大于第一置信度阈值，第二条件指示行为异常且行为异常的置信度大于第二置信度阈值。

可选地，第二检测模块503，具体用于响应于确定第一检测结果不满足第一条件，对待检测图像中的手部区域进行行为检测，得到第二检测结果。

可选地，如图6所示，装置还包括：

识别模块601，用于通过将待检测图像输入人体检测模型进行人体识别，确定人体区域；通过将人体区域的图像输入手部检测模型进行手部识别，确定手部区域。

可选地，第一检测模块502，具体用于通过将人体区域输入人体分类模型进行行为检测，得到第一检测结果；

第二检测模块503，具体用于通过将手部区域输入手部分类模型进行行为检测，得到第二检测结果。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如考场异常行为检测方法。例如，在一些实施例中，考场异常行为检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的考场异常行为检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行考场异常行为检测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (13)

1.一种考场异常行为检测方法，包括：

获取待检测图像；

对所述待检测图像中的人体区域进行行为检测，得到第一检测结果；

对所述待检测图像中的手部区域进行行为检测，得到第二检测结果；

基于所述第一检测结果和所述第二检测结果，获取异常行为检测结果。

2.根据权利要求1所述的方法，其中，所述基于所述第一检测结果和所述第二检测结果，获取异常行为检测结果，包括：

响应于确定所述第一检测结果不满足第一条件，且所述第二检测结果满足第二条件，确定所述异常行为检测结果指示行为异常；

其中，所述第一条件指示行为异常且行为异常的置信度大于第一置信度阈值，第二条件指示行为异常且行为异常的置信度大于第二置信度阈值。

3.根据权利要求2所述的方法，其中，所述对所述待检测图像中的手部区域进行行为检测，得到第二检测结果，包括：

响应于确定所述所述第一检测结果不满足所述第一条件，对所述待检测图像中的手部区域进行行为检测，得到所述第二检测结果。

4.根据权利要求1所述的方法，所述方法还包括：

通过将所述待检测图像输入人体检测模型进行人体识别，确定所述人体区域；

通过将所述人体区域的图像输入手部检测模型进行手部识别，确定所述手部区域。

5.根据权利要求1所述的方法，其中，所述对所述待检测图像中的人体区域进行行为检测，得到第一检测结果，包括：

通过将所述人体区域输入人体分类模型进行行为检测，得到所述第一检测结果；

所述对所述待检测图像中的手部区域进行行为检测，得到第二检测结果，包括：

通过将所述手部区域输入手部分类模型进行行为检测，得到所述第二检测结果。

6.一种考场异常行为检测装置，包括：

获取图像模块，用于获取待检测图像；

第一检测模块，用于对所述待检测图像中的人体区域进行行为检测，得到第一检测结果；

第二检测模块，用于对所述待检测图像中的手部区域进行行为检测，得到第二检测结果；

获取结果模块，用于基于所述第一检测结果和所述第二检测结果，获取异常行为检测结果。

7.根据权利要求6所述的装置，其中，所述获取结果模块，具体用于响应于确定所述第一检测结果不满足第一条件，且所述第二检测结果满足第二条件，确定所述异常行为检测结果指示行为异常；

其中，所述第一条件指示行为异常且行为异常的置信度大于第一置信度阈值，第二条件指示行为异常且行为异常的置信度大于第二置信度阈值。

8.根据权利要求7所述的装置，其中，所述第二检测模块，具体用于响应于确定所述所述第一检测结果不满足所述第一条件，对所述待检测图像中的手部区域进行行为检测，得到所述第二检测结果。

9.根据权利要求6所述的装置，所述装置还包括：

识别模块，用于通过将所述待检测图像输入人体检测模型进行人体识别，确定所述人体区域；通过将所述人体区域的图像输入手部检测模型进行手部识别，确定所述手部区域。

10.根据权利要求6所述的装置，其中，所述第一检测模块，具体用于通过将所述人体区域输入人体分类模型进行行为检测，得到所述第一检测结果；

所述第二检测模块，具体用于通过将所述手部区域输入手部分类模型进行行为检测，得到所述第二检测结果。

11.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。

13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。

Images