一种用于大规模线上考试的辅助监考方法技术

本发明专利技术涉及一种用于大规模线上考试的辅助监考方法，通过利用考生作答现场使用的电脑自带前置摄像头，获取考生作答时正面图像，再使用Viola

【技术实现步骤摘要】
一种用于大规模线上考试的辅助监考方法


[0001]本专利技术属于图像识别
，涉及一种在大规模线上考试场景下，通过视频监控技术进行监考的方法。

技术介绍

[0002]现实生活中，由于某些不可抗力的影响影响，一些考试无法现场进行，只能安排在线上。线上考试需要通过视频监控对考生进行监考，由于每个考生有一个单独的监考画面，少数监考老师要面对大量的考生监控画面进行，监考压力较大。

技术实现思路

[0003]本专利技术的目的是针对上述问题，提供一种用于大规模线上考试的辅助监考方法，通过分析监控画面中出现的考生异常行为并及时提示，监考老师只需重点关注有异常行为的考生，从而减轻监考老师的压力。
[0004]本专利技术的技术方案如下：
[0005]一种用于大规模线上考试的辅助监考方法，其特征在于，包括以下步骤：
[0006]步骤1，安装配置考生端硬件设备：考生需要使用带有前置摄像头的电脑，另外配置一个后置摄像头，前置摄像头应能拍摄到考生的完整头部，后置摄像头应能拍摄到考生座位处的全景；
[0007]步骤2，采集神经网络训练数据集：在考试前一定时间内，引导考生模拟答题状态，通过考生使用的电脑自带前置摄像头，获取考生的多帧正面图像，再使用目标识别算法Viola
‑
Jones提取每帧图像中的眼部图像；将每张眼部图像进行缩放或扩张，使得每张眼部图像大小一致；
[0008]步骤3，数据预处理：对步骤2所采集到的图像进行预处理，预处理过程包括离群点剔除和数据归一化；所述离群点是指考生眨眼的图像；在剔除离群点后，将表征像素值的数据归一化到区间[
‑
1,1]；
[0009]步骤4，神经网络训练：将预处理后的眼部图像输入到神经网络中进行训练；将视线方向偏离电脑屏幕范围设定为异常行为，神经网络输出值为眼部图像对应的视线方向是否在电脑屏幕范围之内的一个判据；
[0010]步骤5，实时检测：考试开始后，前置摄像头采集考生眼部图像，输入到神经网络进行异常行为判断，判断方法是：预先设定一个考生异常行为阈值，并根据考生连续多帧图像中的视线范围计算考生异常行为概率，当某个考生的异常行为概率超过阈值时，在该考生对应的监控视频中标注为异常，提示监考老师进行关注，同时调取考生作答现场安置的后置摄像头，反馈给监考教师进行进一步判断。
[0011]本专利技术通过对有异常行为的监控画面进行标注，提示监考老师进行关注，系统可对异常考生摄像头画面进行切换，调取后置摄像头的图像来进一步查看考生状态，实现少数监考教师对大量考生进行有效监考，能有效减轻监考教师的压力。本专利技术的所需的硬件
设备要求较低，只需一个带有摄像头的电脑和一个后置摄像头，而后置摄像头则可用手机摄像头来代替，因此本专利技术有较好的实用性。
附图说明
[0012]图1是本专利技术的辅助监考方法流程图。
具体实施方式
[0013]本专利技术所指的线上考试是考生在电脑端答题的一类考试，这类考试过程中，考生的视线范围大部分时间应处于电脑屏幕内，这使得图像识别技术能得以应用，并为神经网络判断提供了依据。
[0014]图1是本专利技术的辅助监考方法流程图，具体实现过程如下：
[0015]步骤1，安装配置考生端硬件设备。
[0016]该步骤，需要考生使用带有前置摄像头的电脑，另外配置一个后置摄像头，前置摄像头和后置摄像头的视场应合理调整，前置摄像头应能能拍摄到考生的完整头部为宜，后置摄像头应能拍摄到考生座位处的全景。
[0017]步骤2，采集神经网络训练数据集。
[0018]考试前几分钟，提示并引导考生模拟答题状态，利用考生作答现场使用的电脑自带前置摄像头，获取考生作答时正面图像，再使用目标识别算法Viola
‑
Jones算法提取眼部图像。
[0019]Viola
‑
Jones算法不管视线方向如何，都能够准确的从图像中提取眼部图像。由于考生在考试过程中眼部与摄像头的距离一直处于动态变化中，为此，将每次算法检测到的眼部图像进行缩放或扩张，使得每张眼部图像大小一致，这也是为了满足后续神经网络输入的要求。在实际操作中，每张眼部图像统一被变换到像素为25*90的大小。
[0020]步骤3，数据预处理。
[0021]对步骤2所采集到的图像进行预处理，预处理过程包括数据归一化和离群点剔除。所述离群点是指考生眨眼的图像；在剔除离群点后，将表征像素值的数据归一化到区间[
‑
1,1]；
[0022]之所以要进行预处理，是因为符合条件的训练数据共两类，一类是考生看着答题界面时的眼部图像，另一类是考生没有看电脑屏幕时的眼部图像。但在实际图像采集的过程中，由于采集频率较高，会采集到眨眼瞬间闭眼的图片，以及一些因识别算法导致被误识别为眼部的图片，这些图像本身不属于训练数据中的任何一类，属于数据中的离群点，如果这些数据被误判为任何一类，混杂在有效数据中训练神经网络，会大大降低神经网络的分类效果。为此采用离群点剔除算法将这些少数点删除，具体方法是先通过主成分分析对数据进行降维，之后对降维后的数据进行聚类，初始聚类中心分别定义为两类数据的平均值，聚类完成后，删除离聚类中心较远的点以及聚类结果与原始标签不一致的点，即完成离群点的剔除。
[0023]在剔除离群点后，需要将表征像素值的数据归一化到区间[
‑
1,1]，使得训练时网络参数能够更快的收敛。因为所建立的神经网络每一层的激活函数为logistic函数，该函数在自变量增大到一定程度时，函数的输出均接近于1，如果不对数据进行归一化处理，神
经网络最后的结果输出始终是一个接近1的数据，而且每次参数的更新量很小。因此，为了保证每次都能有效的更新参数，需要将原始数据归一化到比较小的区间，以便神经网络能够更快的收敛。
[0024]步骤4，构建与训练神经网络。
[0025]本实施例中所构建的神经网络参数如下表1所示。
[0026]参数值hidden_layer_size(100,50)activationlogisticssolverlbfgsbatch_size50learning_rate0.001max_iter200
[0027]表1神经网络关键参数设置
[0028]表1中的参数详解如下：
[0029]hidden_layer_size：隐含层大小，在表1中表示神经网络有两个隐含层，神经元的个数分别为100个和50个；
[0030]activation：激活函数类型，这里为logistic函数，即f(x)＝1/(1+exp(
‑
x))；
[0031]solver：更新网络权值的数学方法，表1中的lbfgs指用拟牛顿法进行参数的更新；
[0032]batch_size：每次向网络中输入的样本数目，该实例中，每次向网络中输入50个样本进行训练；
[0033]learning本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于大规模线上考试的辅助监考方法，其特征在于，包括以下步骤：步骤1，安装配置考生端硬件设备：考生需要使用带有前置摄像头的电脑，另外配置一个后置摄像头，前置摄像头应能拍摄到考生的完整头部，后置摄像头应能拍摄到考生座位处的全景；步骤2，采集神经网络训练数据集：在考试前一定时间内，引导考生模拟答题状态，通过考生使用的电脑自带前置摄像头，获取考生的多帧正面图像，再使用目标识别算法Viola
‑
Jones提取每帧图像中的眼部图像；将每张眼部图像进行缩放或扩张，使得每张眼部图像大小一致；步骤3，数据预处理：对步骤2所采集到的图像进行预处理，预处理过程包括离群点剔除和数据归一化；所述离群点是指考生眨眼的图像；在剔除离群点后，将表征像素值的数据归一化到区间[
‑
1,1]；步骤4，神经网络训练：将预处理后的眼部图像输入到神经网络中进行训练；将视线方向偏离电脑屏幕范围设定为异常行为，神经网络输出值为眼部图像对应的视线方向是否在电脑屏幕范围之内的一个判据；步骤5，实时检测：考试开始后，前置摄像头采集考生眼部图像，输入到神经网络进行异常行为判断，判断方法是：预先设定一个考生异常行为阈值，并根据考生连续多帧图像中的视线范围计算考生异常行为概率，当某个考生的异常行为概率超过阈值时，在该考生对应的监控视频中标注为异常，提示监考老师进行关注，同时调取考生作答现场安...

【专利技术属性】
技术研发人员：史仓州，王林波，
申请(专利权)人：北京长峰科威光电技术有限公司，
类型：发明
国别省市：