一种基于行为识别的考试作弊智能检测方法及系统与流程

本发明涉及考试作弊，特别涉及一种基于行为识别的考试作弊智能检测方法及系统。

背景技术：

1、随着在线考试和智能监考系统的广泛应用，传统依赖人工监考的方式已难以满足大规模、高效率、高准确性的考试监管需求。尤其在远程教育、资格认证等场景中，作弊行为呈现出隐蔽化、协同化和多样化的趋势，使得仅依靠视频回放或简单规则判断的检测手段愈发力不从心。因此，亟需引入人工智能技术，特别是基于视觉的行为识别方法，实现对考生异常行为的自动感知与智能研判。

2、当前主流的作弊检测方法多聚焦于单一考生的孤立动作分析，如频繁低头、视线偏移等，缺乏对多人之间潜在协同作弊行为的建模能力。这类方法往往忽视了考场环境中考生之间的空间互动关系，难以有效识别诸如传递纸条、手势暗号、同步翻卷等需要多人配合的复杂作弊模式。此外，现有系统在处理连续视频流时，对动作时序特征的建模较为粗糙，容易将正常行为误判为异常，导致误报率较高，影响实际应用效果。

技术实现思路

1、本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。

2、为实现上述目的，本发明提供了一种基于行为识别的考试作弊智能检测方法，包括以下步骤：

3、对考场视频流进行帧序列提取，得到连续的图像帧，并基于所述图像帧进行人体区域检测，得到考生人体框；

4、基于所述考生人体框对各图像帧中的考生进行姿态关键点定位，得到姿态关键点坐标，并基于所述姿态关键点坐标构建上半身动作轨迹序列；

5、基于所述上半身动作轨迹序列确定是否存在可疑动作片段，若存在，则基于所述可疑动作片段对相邻考生之间的空间相对位置进行动态关联分析，得到多人协同行为关系图；

6、当所述多人协同行为关系图中存在至少两个考生在相同时间段内呈现一致的异常动作模式时，则判定对应时间段内发生疑似作弊行为，并输出包含时间戳与涉事考生标识的作弊告警信息。

7、进一步的，对考场视频流进行帧序列提取，得到连续图像帧，并基于所述连续图像帧进行人体区域检测，得到考生人体框，包括：

8、通过预设的视频流解析器对所述考场视频流进行帧序列提取，得到连续图像帧，并对所述连续图像帧进行预处理，得到预处理图像；

9、对所述预处理图像进行初步人体区域筛选，得到候选人体区域图，并对所述候选人体区域图进行边缘检测与轮廓闭合处理，得到闭合轮廓人体图；

10、对所述闭合轮廓人体图进行真实性校验，得到真实人体区域图，并基于所述真实人体区域图进行最小外接矩形框定，得到考生人体框。

11、进一步的，对所述候选人体区域图进行边缘检测与轮廓闭合处理，得到闭合轮廓人体图，包括：

12、对所述候选人体区域图进行梯度计算，得到边缘强度图，并对所述边缘强度图进行阈值分割，得到初始边缘图；

13、基于所述初始边缘图进行断点连接，得到边缘链接图，并对所述边缘链接图进行区域填充，得到完整轮廓图；

14、对所述完整轮廓图进行边界平滑，得到光滑轮廓图，并对所述光滑轮廓图进行区域验证，得到闭合轮廓人体图。

15、进一步的，基于所述考生人体框对各图像帧中的考生进行姿态关键点定位，得到姿态关键点坐标，包括：

16、对所述考生人体框进行区域划分，得到上半身区域图，并对所述上半身区域图进行对比度增强，得到增强上半身图；

17、对所述增强上半身图进行特征点检测，得到候选关节点，并对所述候选关节点进行伪点剔除，得到筛选后关节点；

18、基于所述筛选后关节点对各图像帧中的考生进行姿态关键点坐标定位及映射，得到关节点坐标，并对所述关节点坐标进行分类整理，得到姿态关键点坐标。

19、进一步的，基于所述筛选后关节点对各图像帧中的考生进行姿态关键点坐标定位及映射，得到关节点坐标，包括：

20、对所述筛选后关节点进行像素坐标提取，得到关节像素点集，并对所述关节像素点集进行坐标系校准，得到标准坐标点；

21、基于所述标准坐标点建立人体骨骼连接关系，以生成骨架连接图，并对所述骨架连接图进行尺度归一化，得到标准骨架图；

22、基于所述标准骨架图对各图像帧中的考生进行关键点配对，得到姿态节点组，并对所述姿态节点组进行空间投影变换，得到映射坐标集；

23、基于所述映射坐标集进行关节点分类标注，得到关节类型表，并对所述关节类型表进行坐标整合，得到关节点坐标。

24、进一步的，基于所述姿态关键点坐标构建上半身动作轨迹序列，包括：

25、对所述姿态关键点坐标按帧时序排序，得到时序坐标列，并对所述时序坐标列进行插值补全，得到补全坐标列；

26、对所述补全坐标列按关节类型拆分，得到单关节坐标组，并对所述单关节坐标组进行连续线段连接，得到单关节轨迹线；

27、对所述单关节轨迹线进行时间轴对齐，得到对齐轨迹线，并对所述对齐轨迹线按帧组合，获得上半身动作轨迹序列。

28、进一步的，基于所述可疑动作片段对相邻考生之间的空间相对位置进行动态关联分析，得到多人协同行为关系图，包括：

29、基于所述可疑动作片段中的考生对对应相邻考生进行位置距离计算，得到考生位置矩阵，并对所述考生位置矩阵进行邻近关系分析，得到考生邻接图；

30、基于所述考生邻接图进行时序动作匹配，得到动作相关性矩阵；

31、将所述动作相关性矩阵进行时间窗口划分，得到时段关联表，并对所述时段关联表进行频次统计，得到关联强度图；

32、基于所述关联强度图进行群体行为分析，得到行为群集图，并对所述行为群集图进行时空关联整合，得到多人协同行为关系图。

33、进一步的，基于所述考生邻接图进行时序动作匹配，得到动作相关性矩阵，包括：

34、对所述考生邻接图中的考生及对应相邻考生进行轨迹提取，获取相邻考生对在可疑动作片段内的上半身动作轨迹段，并按时间轴提取各上半身动作轨迹段中所有上半身姿态关键点的坐标变化序列，得到考生动作时序特征；其中，相邻考生对是基于考生人体框的空间位置关系确定的考生组合；

35、对所述考生动作时序特征的各关键点坐标变化序列进行时间轴对齐，计算不同部位动作的开始时刻差、持续时长比及运动方向重合度，得到动作协同参数；

36、对所述动作协同参数进行加权计算，得到相邻考生对在各时间窗口内的动作关联度，并将所述动作关联度按相邻考生对与时间窗口的对应关系进行矩阵排列，得到动作相关性矩阵。

37、本发明还提供了一种基于行为识别的考试作弊智能检测系统，包括：

38、提取模块，用于对考场视频流进行帧序列提取，得到连续的图像帧，并基于所述图像帧进行人体区域检测，得到考生人体框；

39、定位模块，用于基于所述考生人体框对各图像帧中的考生进行姿态关键点定位，得到姿态关键点坐标，并基于所述姿态关键点坐标构建上半身动作轨迹序列；

40、确定模块，用于基于所述上半身动作轨迹序列确定是否存在可疑动作片段，若存在，则基于所述可疑动作片段对相邻考生之间的空间相对位置进行动态关联分析，得到多人协同行为关系图；

41、判定模块，用于当所述多人协同行为关系图中存在至少两个考生在相同时间段内呈现一致的异常动作模式时，则判定对应时间段内发生疑似作弊行为，并输出包含时间戳与涉事考生标识的作弊告警信息。

42、本发明提供的一种基于行为识别的考试作弊智能检测方法，包括以下步骤：对考场视频流进行帧序列提取，得到连续的图像帧，并基于所述图像帧进行人体区域检测，得到考生人体框；基于所述考生人体框对各图像帧中的考生进行姿态关键点定位，得到姿态关键点坐标，并基于所述姿态关键点坐标构建上半身动作轨迹序列；基于所述上半身动作轨迹序列确定是否存在可疑动作片段，若存在，则基于所述可疑动作片段对相邻考生之间的空间相对位置进行动态关联分析，得到多人协同行为关系图；当所述多人协同行为关系图中存在至少两个考生在相同时间段内呈现一致的异常动作模式时，则判定对应时间段内发生疑似作弊行为，并输出包含时间戳与涉事考生标识的作弊告警信息，解决了传统技术往往忽视了考场环境中考生之间的空间互动关系，难以有效识别复杂作弊模式的技术问题，实现了基于姿态关键点构建的动作轨迹序列具有较强的鲁棒性，可在光照变化、部分遮挡等实际考场干扰条件下稳定工作；同时，时序建模方式保留了动作的动态演化特征，有助于捕捉具有时间延续性的作弊行为模式的技术效果。