考生行为的监控方法、装置、存储介质和电子装置与流程

1.本发明实施例涉及计算机领域，具体而言，涉及一种考生行为的监控方法、装置、存储介质和电子装置。


背景技术：

2.随着社会的进步，教育考试在社会中占有重要的地位。如何保证考试的公平是考试组织部门所必须考虑的问题。现有的技术当中，都采用人工核对身份证、准考证、参考人等信息的方式完成考生身份审核，在考试过程中采用人工监考的方式监控考场纪律和考生行为。但由于现在医疗的发达，以及身份证上的照片可能是几年前的照片，身材样貌的变化，使用肉眼辨别容易存在出入。在考试过程中，监考人员通过肉眼去监控考场纪律和考生行为也很难做到全面准确，效率会比较低。
3.针对相关技术中存在的对考生行为的监控效率较低的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种考生行为的监控方法、装置、存储介质和电子装置，以至少解决相关技术中存在的对考生行为的监控效率较低的问题。
5.根据本发明的一个实施例，提供了一种考生行为的监控方法，包括：从考试场景的目标位置上的考生图像中识别出所述目标位置上的考生的考生信息；在所述考生信息与所述目标位置对应的目标考生信息一致的情况下，对所述考生图像进行分类，得到目标行为类型，其中，所述目标行为类型用于指示所述考生图像中所展示的考生行为所属的行为类型；在所述目标行为类型为异常行为类型的情况下，发出第一异常信息，其中，所述第一异常信息用于提示所述目标位置上的考生的考试行为存在异常。
6.在一个示例性实施例中，所述从所述考试场景的所述目标位置上的所述考生图像中识别出所述目标位置上的考生的所述考生信息，包括：拍摄所述目标位置上的所述考生图像；对所述考生图像进行面部识别，得到面部特征作为所述考生信息。
7.在一个示例性实施例中，在对所述考生图像进行分类，得到目标行为类型之前，所述方法还包括：将所述面部特征与所述目标位置所对应的目标面部特征进行匹配；在所述面部特征与所述目标面部特征匹配一致的情况下，确定所述考生信息与所述目标位置对应的目标考生信息一致。
8.在一个示例性实施例中，所述对所述考生图像进行分类，得到目标行为类型，包括：将所述考生图像输入目标分类模型，其中，所述目标分类模型是根据标注有行为类型的样本图像对初始分类模型进行训练得到的；获取所述目标分类模型输出的所述目标行为类型。
9.在一个示例性实施例中，在对所述考生图像进行分类，得到目标行为类型之前，所述方法还包括：将所述样本图像输入所述初始分类模型；获取所述初始分类模型输出的初
始行为类型；根据所述初始行为类型与所述样本图像所标注的行为类型之间的关系，对所述初始分类模型的模型参数进行调整，直至所述初始行为类型与所述样本图像所标注的行为类型之间的关系满足所述初始分类模型对应的训练条件；将使得所述初始行为类型与所述样本图像所标注的行为类型之间的关系满足所述初始分类模型对应的训练条件的模型参数确定为所述目标分类模型的模型参数，得到所述目标分类模型。
10.在一个示例性实施例中，在从考试场景的目标位置上的考生图像中识别出所述目标位置上的考生的考生信息之后，所述方法还包括：在所述考生信息与所述目标位置对应的目标考生信息不一致的情况下，发出第二异常信息，其中，所述第二异常信息用于提示所述目标位置上的考生的身份存在异常。
11.在一个示例性实施例中，在从考试场景的目标位置上的考生图像中识别出所述目标位置上的考生的考生信息之前，所述方法还包括：获取所述考试场景的场景图像；从所述场景图像中对每个考试位置进行定位，得到所述考试场景中所包括的多个所述目标位置；获取多个所述目标位置中每个所述目标位置所对应的每个目标考生信息，得到具有对应关系的目标位置和目标考生信息。
12.根据本发明的又一个实施例，还提供了一种考生行为的监控装置，包括：识别模块，用于从考试场景的目标位置上的考生图像中识别出所述目标位置上的考生的考生信息；分类模块，用于在所述考生信息与所述目标位置对应的目标考生信息一致的情况下，对所述考生图像进行分类，得到目标行为类型，其中，所述目标行为类型用于指示所述考生图像中所展示的考生行为所属的行为类型；第一发出模块，用于在所述目标行为类型为异常行为类型的情况下，发出第一异常信息，其中，所述第一异常信息用于提示所述目标位置上的考生的考试行为存在异常。
13.根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
14.根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
15.通过本发明，通过从考试场景的目标位置上的考生图像中识别出目标位置上的考生的考生信息；在考生信息与目标位置对应的目标考生信息一致的情况下，对考生图像进行分类，得到目标行为类型，其中，目标行为类型用于指示考生图像中所展示的考生行为所属的行为类型；在目标行为类型为异常行为类型的情况下，发出第一异常信息，其中，第一异常信息用于提示目标位置上的考生的考试行为存在异常，即，通过图像识别从考试场景的目标位置上的考生图像中识别出该目标位置上的考生的考生信息，如果该考生信息与目标位置对应的目标考生信息一致，则对考生图像进行分类，从而识别出该考生的目标行为类型，如果该目标行为类型为异常行为类型，则发出第一异常信息，从而使用图像识别技术对考生在考场上的考试行为进行自动监控和行为异常的提示，因此，解决了相关技术中存在的对考生行为的监控效率较低的问题，达到了提高对考生行为的监控效率的效果。
附图说明
16.图1是本发明实施例的考生行为的监控方法的移动终端硬件结构框图；
17.图2是根据本发明实施例的考生行为的监控方法的流程图；
18.图3是根据本发明实施例的考生行为的监控过程的示意图；
19.图4是根据本发明实施例的考生行为的监控装置的结构框图。
具体实施方式
20.下文中将参考附图并结合实施例来详细说明本发明的实施例。
21.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
22.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的考生行为的监控方法的移动终端硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
23.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的考生行为的监控方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
24.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(network interface control ler，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
25.在本实施例中提供了一种考生行为的监控方法，图2是根据本发明实施例的考生行为的监控方法的流程图，如图2所示，该流程包括如下步骤：
26.步骤s202，从考试场景的目标位置上的考生图像中识别出所述目标位置上的考生的考生信息；
27.步骤s204，在所述考生信息与所述目标位置对应的目标考生信息一致的情况下，对所述考生图像进行分类，得到目标行为类型，其中，所述目标行为类型用于指示所述考生图像中所展示的考生行为所属的行为类型；
28.步骤s206，在所述目标行为类型为异常行为类型的情况下，发出第一异常信息，其中，所述第一异常信息用于提示所述目标位置上的考生的考试行为存在异常。
29.通过上述步骤，通过图像识别从考试场景的目标位置上的考生图像中识别出该目标位置上的考生的考生信息，如果该考生信息与目标位置对应的目标考生信息一致，则对考生图像进行分类，从而识别出该考生的目标行为类型，如果该目标行为类型为异常行为类型，则发出第一异常信息，从而使用图像识别技术对考生在考场上的考试行为进行自动监控和行为异常的提示，因此，解决了相关技术中存在的对考生行为的监控效率较低的问题，达到了提高对考生行为的监控效率的效果。
30.在上述步骤s202提供的技术方案中，考试场景的目标位置可以但不限于是包括考试场景中每个考试座位或者考试区域的一定区域范围，比如：如果是笔试的考试场景，那么考试场景中的目标位置可以但不限于是包括笔试座位的一定区域范围。
31.可选地，在本实施例中，考生进入到考试场景中的目标位置后可以采集到考生的考生图像，该考生图像可以但不限于是拍摄的照片，也可以是拍摄的视频中截取的视频图像。
32.可选地，在本实施例中，考生的考生信息可以但不限于包括考生的生物特征(比如：面部特征)，考号、姓名、手机号等标识。
33.在一个可选的实施例中，可以但不限于通过以下方式从考试场景的目标位置上的考生图像中识别出目标位置上的考生的所述考生信息：拍摄所述目标位置上的所述考生图像；对所述考生图像进行面部识别，得到面部特征作为所述考生信息。
34.可选地，在本实施例中，考试场景中可以但不限于部署一个或者多个摄像设备来拍摄考生图像目标位置上的。
35.可选地，在本实施例中，可以但不限于通过面部识别技术识别出考生的面部特征作为考生信息。
36.在一个可选的实施例中，在对所述考生图像进行分类，得到目标行为类型之前，可以但不限于通过以下方式检测考生信息与目标位置对应的目标考生信息是否一致：将所述面部特征与所述目标位置所对应的目标面部特征进行匹配；在所述面部特征与所述目标面部特征匹配一致的情况下，确定所述考生信息与所述目标位置对应的目标考生信息一致。
37.可选地，在本实施例中，可以但不限于采用特征匹配技术来确定从考生图像中识别出的面部特征与目标面部特征是否匹配。
38.可选地，在本实施例中，从考生图像中识别考生的面部特征以及对面部特征进行匹配的过程可以但不限于由训练后的特征匹配模型来执行。该特征匹配模型可以包括特征提取部分和特征匹配部分，将考生图像输入到该特征匹配模型中，由特征提取部分从考生图像中识别考生的面部特征，由特征匹配部分将识别出的面部特征与预先存储的目标面部特征进行匹配，模型的输出即可作为匹配的结果用于指示考生信息与目标位置对应的目标考生信息是否一致。
39.在上述步骤s204提供的技术方案中，考生在考试场景中所产生的行为可以但不限于按照多种标准被划分为各种类型。
40.比如：一种方式是可以将考生在考试场景中的行为划分为正常行为类型和异常行为类型，可以但不限于根据考生在考试场景中所展示的考试行为的行为特征来区分正常行为类型和异常行为类型，如：头部朝向落入预设的范围内则可以判定考试行为是正常行为类型，头部朝向未落入预设的范围内则可以判定考试行为是异常行为类型。
41.另一种方式可以是将考生在考试场景中的行为进行细分，包括：转头行为，伸手行为，交流行为，答题行为等等，再将细分的行为类型划分到正常行为类型和异常行为类型中，其中，正常行为类型可以包括答题行为等等，异常行为类型可以包括转头行为，伸手行为，交流行为等等。
42.在一个可选的实施例中，可以但不限于通过以下方式对考生图像进行分类：将所述考生图像输入目标分类模型，其中，所述目标分类模型是根据标注有行为类型的样本图像对初始分类模型进行训练得到的；获取所述目标分类模型输出的所述目标行为类型。
43.可选地，在本实施例中，可以但不限于通过训练后的目标分类模型来对考生图像中所展示的考试行为进行自动分类。
44.在一个可选的实施例中，在对所述考生图像进行分类，得到目标行为类型之前，还可以但不限于通过以下方式对初始分类模型进行训练，从而得到目标分类模型：将所述样本图像输入所述初始分类模型；获取所述初始分类模型输出的初始行为类型；根据所述初始行为类型与所述样本图像所标注的行为类型之间的关系，对所述初始分类模型的模型参数进行调整，直至所述初始行为类型与所述样本图像所标注的行为类型之间的关系满足所述初始分类模型对应的训练条件；将使得所述初始行为类型与所述样本图像所标注的行为类型之间的关系满足所述初始分类模型对应的训练条件的模型参数确定为所述目标分类模型的模型参数，得到所述目标分类模型。
45.可选地，在本实施例中，还可以设置模型迭代的最大次数，如果在上述模型训练过程中，模型的迭代次数达到预设的最大次数时初始行为类型与样本图像所标注的行为类型之间的关系未能满足初始分类模型对应的训练条件，则结束迭代过程，可以由研发人员对初始分类模型的超参数，模型结构等进行调整后再进行模型训练。
46.在一个可选的实施例中，在从考试场景的目标位置上的考生图像中识别出所述目标位置上的考生的考生信息之后，还可以但不限于通过以下方式对考生信息与目标位置对应的目标考生信息不一致的情况进行异常提示：在所述考生信息与所述目标位置对应的目标考生信息不一致的情况下，发出第二异常信息，其中，所述第二异常信息用于提示所述目标位置上的考生的身份存在异常。
47.可选地，在本实施例中，发出的第二异常信息可以但不限于发送到考试场景所对应的客户端上由监考人员进行查看，或者，也可以发送到广播设备上进行广播，还可以发送到本次考试的管理设备上由监考人员进行统一处理。
48.可选地，在本实施例中，监考人员可以但不限于根据接收到的第二异常信息对目标位置上的考生的身份进行核实。
49.在一个可选的实施例中，在从考试场景的目标位置上的考生图像中识别出所述目标位置上的考生的考生信息之前，还可以但不限于通过以下方式对考试场景中的监考过程进行提前的准备：获取所述考试场景的场景图像；从所述场景图像中对每个考试位置进行定位，得到所述考试场景中所包括的多个所述目标位置；获取多个所述目标位置中每个所述目标位置所对应的每个目标考生信息，得到具有对应关系的目标位置和目标考生信息。
50.可选地，在本实施例中，目标考生信息可以但不限于包括考生录入的个人正面人脸图像，考号，姓名，手机号等等。
51.可选地，在本实施例中，可以但不限于以坐标范围的形式标识考试场景中所包括
的多个目标位置。
52.在上述步骤s206提供的技术方案中，发出的第一异常信息可以但不限于发送到考试场景所对应的客户端上由监考人员进行查看，或者，也可以发送到广播设备上进行广播，还可以发送到本次考试的管理设备上由监考人员进行统一处理。
53.可选地，在本实施例中，考试场景所对应的客户端可以但不限于是考试场景中所部署的终端设备或者移动终端，也可以是考试场景的监考人员所携带的终端设备或者移动终端。
54.可选地，在本实施例中，考试场景的监考人员可以依据接收到的第一异常信息对目标位置上的考生进行考试行为的排查或者重点监控。
55.显然，上述所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。
56.下面结合实施例对本发明进行具体说明：
57.在本实施例中，提供了一种防作弊管理系统，通过防作弊管理系统对考试场景中的考生行为进行监控，图3是根据本发明实施例的考生行为的监控过程的示意图，如图3所示，在考试准备阶段，可以将信息录入防作弊管理系统，其中包括：考生录入个人正面人脸图像等身份信息，考场摄像系统采集标准考场的背景图像，并定位考场内各座位坐标，得到多个目标位置。在监考阶段，考场摄像系统开始实时采集考场图像进行监考，监考过程可以分为两个监控阶段：采集各座位考生人脸图像信息(相当于上述目标位置上的考生的考生信息)与录入系统的考生正面人脸图像信息(相当于上述目标位置对应的目标考生信息)进行匹配算法的运算，核对考生是否代考。采集各座位考生关键部位信息，对考生行为进行分类算法运算，查看考生行为是否异常。如果上述过程中防作弊管理系统检测出异常情况则提示监考员，监考员现场核实，如考生确实存在作弊行为则采取相应措施，如未发现异常情况则防作弊管理系统继续监考直至考试结束。
58.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根据上述实施例的方法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，但很多情况下前者是更佳的实施方式。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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
59.在本实施例中还提供了一种考生行为的监控装置，图4是根据本发明实施例的考生行为的监控装置的结构框图，如图4所示，该装置包括：
60.识别模块42，用于从考试场景的目标位置上的考生图像中识别出所述目标位置上的考生的考生信息；
61.分类模块44，用于在所述考生信息与所述目标位置对应的目标考生信息一致的情况下，对所述考生图像进行分类，得到目标行为类型，其中，所述目标行为类型用于指示所述考生图像中所展示的考生行为所属的行为类型；
62.第一发出模块46，用于在所述目标行为类型为异常行为类型的情况下，发出第一异常信息，其中，所述第一异常信息用于提示所述目标位置上的考生的考试行为存在异常。
63.通过上述模块，通过图像识别从考试场景的目标位置上的考生图像中识别出该目标位置上的考生的考生信息，如果该考生信息与目标位置对应的目标考生信息一致，则对
考生图像进行分类，从而识别出该考生的目标行为类型，如果该目标行为类型为异常行为类型，则发出第一异常信息，从而使用图像识别技术对考生在考场上的考试行为进行自动监控和行为异常的提示，因此，解决了相关技术中存在的对考生行为的监控效率较低的问题，达到了提高对考生行为的监控效率的效果。
64.在一个可选的实施例中，所述识别模块包括：拍摄单元，用于拍摄所述目标位置上的所述考生图像；识别单元，用于对所述考生图像进行面部识别，得到面部特征作为所述考生信息。
65.在一个可选的实施例中，所述装置还包括：匹配模块，用于在对所述考生图像进行分类，得到目标行为类型之前，将所述面部特征与所述目标位置所对应的目标面部特征进行匹配；第一确定模块，用于在所述面部特征与所述目标面部特征匹配一致的情况下，确定所述考生信息与所述目标位置对应的目标考生信息一致。
66.在一个可选的实施例中，所述分类模块包括：输入单元，用于将所述考生图像输入目标分类模型，其中，所述目标分类模型是根据标注有行为类型的样本图像对初始分类模型进行训练得到的；获取单元，用于获取所述目标分类模型输出的所述目标行为类型。
67.在一个可选的实施例中，所述装置还包括：输入模块，用于在对所述考生图像进行分类，得到目标行为类型之前，将所述样本图像输入所述初始分类模型；第一获取模块，用于获取所述初始分类模型输出的初始行为类型；调整模块，用于根据所述初始行为类型与所述样本图像所标注的行为类型之间的关系，对所述初始分类模型的模型参数进行调整，直至所述初始行为类型与所述样本图像所标注的行为类型之间的关系满足所述初始分类模型对应的训练条件；第二确定模块，用于将使得所述初始行为类型与所述样本图像所标注的行为类型之间的关系满足所述初始分类模型对应的训练条件的模型参数确定为所述目标分类模型的模型参数，得到所述目标分类模型。
68.在一个可选的实施例中，所述装置还包括：第二发出模块，用于在从考试场景的目标位置上的考生图像中识别出所述目标位置上的考生的考生信息之后，在所述考生信息与所述目标位置对应的目标考生信息不一致的情况下，发出第二异常信息，其中，所述第二异常信息用于提示所述目标位置上的考生的身份存在异常。
69.在一个可选的实施例中，所述装置还包括：第二获取模块，用于在从考试场景的目标位置上的考生图像中识别出所述目标位置上的考生的考生信息之前，获取所述考试场景的场景图像；定位模块，用于从所述场景图像中对每个考试位置进行定位，得到所述考试场景中所包括的多个所述目标位置；第三获取模块，用于获取多个所述目标位置中每个所述目标位置所对应的每个目标考生信息，得到具有对应关系的目标位置和目标考生信息。
70.需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
71.本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
72.在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：u盘、只读存储器(read
‑
only memory，简称为rom)、随机存取存储器(random access memory，简称为
ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
73.本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
74.在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
75.本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
76.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
77.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。