一种考场监控方法及系统技术方案

本发明专利技术公开了一种考场监控方法及系统。采集监控图像。所述监控图像为考场中监控所有学生的监控图像。将所述监控图像输入作弊检测模型中，判断是否有学生发生作弊行为。若有学生作弊，得到监控图像前后10帧的作弊视频。将作弊视频发送给监控人员。所述作弊检测模型包括一个作弊静态检测层、一个作弊动态检测层、一个监控视频获取层和两个全连接层。采用采集监控图像的方法对作弊行为进行检测，大大增加了作弊判断的自由性和准确性。通过对作弊类型的判断来训练神经网络，增加判断是否作弊的精确性。依据判断时序上的有关联的动作，大大增加了判断作弊的准确性。了判断作弊的准确性。了判断作弊的准确性。

【技术实现步骤摘要】
一种考场监控方法及系统


[0001]本专利技术涉及计算机
，具体而言，涉及一种考场监控方法及系统。

技术介绍

[0002]目前，对于限制作弊采用了很多方法，如增加屏蔽器等情况。对于检测作弊行为没有其他方式，最多采取增加监考老师的行为来进行检测作弊行为。由于人工监控是否作弊会因为个人原因，比如视线无法兼顾的原因无法准确检测作弊，所以作弊行为检测困难。并且很少有对作弊进行自动检测的方法来直接对检测作弊，因为作弊行为不好判断，判断作弊的精确性较低，容易判断错误。

技术实现思路

[0003]本专利技术的目的在于提供了一种考场监控方法及系统，用以解决现有技术中存在的上述问题
[0004]第一方面，本专利技术实施例提供了一种考场监控方法，包括：
[0005]采集监控图像；所述监控图像为考场中监控所有学生的监控图像；
[0006]将所述监控图像输入作弊检测模型中，判断是否有学生发生作弊行为；
[0007]若有学生作弊，得到监控图像前后10帧的作弊视频；将作弊视频发送给监控人员；
[0008]所述作弊检测模型包括一个作弊静态检测层、一个作弊动态检测层、一个监控视频获取层和两个全连接层：
[0009]作弊静态检测层的输入为监控图像；第一全连接层的输入为所述作弊静态检测层的输出；第一全连接层的输出为第一特征向量，用来判断是否可能发生作弊行为；若可能作弊，确定监控视频获取层的输入为监控图像；作弊动态检测层的输入为监控视频获取层的输出；第二全连接层的输入为作弊动态检测层的输出；第二全连接层的输出为第二特征向量，用来判断学生是否发生作弊行为。
[0010]可选的，作弊检测模型训练方法：
[0011]获得训练集，所述训练集包括多张训练图像、多段训练视频和标注数据；所述训练视频表示学生作弊的过程；所述训练图像为所述训练视频中能够确定表明作弊的图像；所述标注数据包括图像标注数据和视频标注数据；所述图像标注数据包括针对图像的标注作弊情况和标注作弊类型；所述标注作弊情况表示是否发生作弊行为；所述视频标注数据表示图像中的学生是否发生作弊行为；
[0012]将所述训练图像输入作弊静态检测层，进行特征提取，得到第一训练特征图；
[0013]将所述第一训练特征图输入第一全连接层，得到第一训练特征向量；所述第一训练特征向量判断特征图中的行为是否发生作弊行为；所述第一训练特征向量包括作弊情况和作弊类型；所述作弊情况表示是否发生作弊行为；
[0014]基于所述第一训练特征向量和标注数据，得到第一训练损失值；
[0015]将第一训练视频输入作弊动态检测层，进行特征提取，得到第二训练特征图；所述
第一训练视频为包含所述训练图像的训练视频；
[0016]将所述第二训练特征图输入第二全连接层，得到第二训练特征向量；所述第二训练特征向量判断特征图中的行为是否发生作弊行为；
[0017]基于所述第二训练特征向量和标注数据，得到第二训练损失值；
[0018]获得训练损失值；所述训练损失值为所述第一训练损失值和第二训练损失值相加之和；
[0019]获得检测模型当前的训练迭代次数以及预先设定的所述检测模型训练的最大迭代次数；
[0020]当所述损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的检测模型。
[0021]可选的，所述将所述训练图像输入作弊静态检测层，进行特征提取，得到第一训练特征图，包括：
[0022]获得二值化训练图像；所述二值化训练图像为所述训练图像经过二值化后得到的图像；
[0023]将所述二值化训练图像输入所述作弊静态检测层，进行特征提取，得到第一训练特征图；所述作弊静态检测层用于提取所述二值化训练图像的图像特征。
[0024]可选的，所述将所述第一训练监控视频输入作弊动态检测层，进行特征提取，得到第二训练特征图，包括：
[0025]将所述第一训练监控视频的第一图像输入第一神经网络，得到第一特征图；所述第一图像为所述第一训练监控视频的第一帧图像；
[0026]将所述第一特征图和所述第一训练监控视频的第二图像输入第二神经网络，得到第二特征图；所述第二图像与第一图像间隔5帧；
[0027]通过多次将第一训练监控视频的当前帧监控图像与与当前帧监控图像相差5帧的前面的监控图像输入对应神经网络，知道达到第一训练监控视频的最后一帧图像；
[0028]获得第二训练特征图；所述第二特征图为所述第一训练监控视频的最后一帧图像与前一帧图像得到的特征图输入对应神经网络得到的特征图。
[0029]可选的，所述基于所述第一训练特征向量和标注数据，得到第一训练损失值，包括：
[0030]所述第一训练损失值具体通过下述公式计算方式获得：
[0031][0032]其中，Loss为所述第一训练损失值；N是所有输入图片的数量；y
i
表示第i张图像的标注作弊情况；p
i
表示第i张图像的预测作弊情况；K表示作弊类型的数量；表示第i张图像标注的第k类作弊类型；表示第i张图像预测的第k类作弊类型。
[0033]可选的，所述基于所述第二训练特征向量和标注数据，得到第二训练损失值，包括：
[0034]所述第二训练损失值具体通过下述公式计算方式获得：
[0035][0036]其中，Loss1为所述第二训练损失值；M是所有输入图片的数量；y
j
表示第j张图像的标注作弊情况；p
j
表示第j张图像的预测作弊情况。
[0037]第二方面，本专利技术实施例提供了一种考场监控系统，包括：
[0038]采集模块：采集监控图像；所述监控图像为考场中监控所有学生的监控图像；
[0039]作弊判断模块：将所述监控图像输入作弊检测模型中，判断是否有学生发生作弊行为；
[0040]作弊视频发送模块：若有学生作弊，得到监控图像前后10帧的作弊视频；将作弊视频发送给监控人员；
[0041]所述作弊检测模型包括一个作弊静态检测层、一个作弊动态检测层、一个监控视频获取层和两个全连接层：
[0042]作弊静态检测层的输入为监控图像；第一全连接层的输入为所述作弊静态检测层的输出；第一全连接层的输出为第一特征向量，用来判断是否可能发生作弊行为；若可能作弊，确定监控视频获取层的输入为监控图像；作弊动态检测层的输入为监控视频获取层的输出；第二全连接层的输入为作弊动态检测层的输出；第二全连接层的输出为第二特征向量，用来判断学生是否发生作弊行为。
[0043]可选的，作弊检测模型训练方法：
[0044]获得训练集，所述训练集包括多张训练图像、多段训练视频和标注数据；所述训练视频表示学生作弊的过程；所述训练图像为所述训练视频中能够确定表明作弊的图像；所述标注数据包括图像标注数据和视频标注数据；所述图像标注数据包括针对图像的标注作弊情况和标注作弊类型；所述标注作弊情况表示是否本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考场监控方法，其特征在于，包括：采集监控图像；所述监控图像为考场中监控所有学生的监控图像；将所述监控图像输入作弊检测模型中，判断是否有学生发生作弊行为；若有学生作弊，得到监控图像前后10帧的作弊视频；将作弊视频发送给监控人员；所述作弊检测模型包括一个作弊静态检测层、一个作弊动态检测层、一个监控视频获取层和两个全连接层：作弊静态检测层的输入为监控图像；第一全连接层的输入为所述作弊静态检测层的输出；第一全连接层的输出为第一特征向量，用来判断是否可能发生作弊行为；若可能作弊，确定监控视频获取层的输入为监控图像；作弊动态检测层的输入为监控视频获取层的输出；第二全连接层的输入为作弊动态检测层的输出；第二全连接层的输出为第二特征向量，用来判断学生是否发生作弊行为。2.根据权利要求1所述的一种考场监控方法，其特征在于，作弊检测模型训练方法：获得训练集，所述训练集包括多张训练图像、多段训练视频和标注数据；所述训练视频表示学生作弊的过程；所述训练图像为所述训练视频中能够确定表明作弊的图像；所述标注数据包括图像标注数据和视频标注数据；所述图像标注数据包括针对图像的标注作弊情况和标注作弊类型；所述标注作弊情况表示是否发生作弊行为；所述视频标注数据表示图像中的学生是否发生作弊行为；将所述训练图像输入作弊静态检测层，进行特征提取，得到第一训练特征图；将所述第一训练特征图输入第一全连接层，得到第一训练特征向量；所述第一训练特征向量判断特征图中的行为是否发生作弊行为；所述第一训练特征向量包括作弊情况和作弊类型；所述作弊情况表示是否发生作弊行为；基于所述第一训练特征向量和标注数据，得到第一训练损失值；将第一训练视频输入作弊动态检测层，进行特征提取，得到第二训练特征图；所述第一训练视频为包含所述训练图像的训练视频；将所述第二训练特征图输入第二全连接层，得到第二训练特征向量；所述第二训练特征向量判断特征图中的行为是否发生作弊行为；基于所述第二训练特征向量和标注数据，得到第二训练损失值；获得训练损失值；所述训练损失值为所述第一训练损失值和第二训练损失值相加之和；获得检测模型当前的训练迭代次数以及预先设定的所述检测模型训练的最大迭代次数；当所述损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的检测模型。3.根据权利要求2所述的一种考场监控方法，其特征在于，所述将所述训练图像输入作弊静态检测层，进行特征提取，得到第一训练特征图，包括：获得二值化训练图像；所述二值化训练图像为所述训练图像经过二值化后得到的图像；将所述二值化训练图像输入所述作弊静态检测层，进行特征提取，得到第一训练特征图；所述作弊静态检测层用于提取所述二值化训练图像的图像特征。
4.根据权利要求2所述的一种考场监控方法，其特征在于，所述将所述第一训练监控视频输入作弊动态检测层，进行特征提取，得到第二训练特征图，包括：将所述第一训练监控视频的第一图像输入第一神经网络，得到第一特征图；所述第一图像为所述第一训练监控视频的第一帧图像；将所述第一特征图和所述第一训练监控视频的第二图像输入第二神经网络，得到第二特征图；所述第二图像与第一图像间隔5帧；通过多次将第一训练监控视频的当前帧监控图像与与当前帧监控图像相差5帧的前面的监控图像输入对应神经网络，知道达到第一训练监控视频的最后一帧图像；获得第二训练特征图；所述第二特征图为所述第一训练监控视频的最后一帧图像与前一帧图像得到的特征图输入对应神经网络得到的特征图。5.根据权利要求2所述的一种考场监控方法，其特征在于，所述基于所述第一训练特征向量和标注数据，得到第一训练损失值，包括：所述第一训练损失值具体通过下述公式计算方式获得：其中，Loss为所述第一训练损失值；N是所有输入图片的数量；y
i
表示第i张图像的标注作弊情况；p
i
表示第i张图像的预测作弊情况；K表示作弊类型的数量；表示第i张图像标注的第k类作弊类型；表示第i张图像预测...

【专利技术属性】
技术研发人员：缪俞蓉，茅颖，李玲，
申请(专利权)人：江苏商贸职业学院，
类型：发明
国别省市：