一种考场监控方法及系统与流程

1.本发明涉及计算机技术领域，具体而言，涉及一种考场监控方法及系统。


背景技术：

2.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。


技术实现要素：

3.本发明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
4.第一方面，本发明实施例提供了一种考场监控方法，包括：
5.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；
6.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；
7.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；
8.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：
9.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。
10.可选的，作弊检测模型训练方法：
11.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；
12.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；
13.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；
14.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；
15.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；
16.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；
17.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；
18.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；
19.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；
20.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。
21.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：
22.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；
23.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。
24.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：
25.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；
26.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；
27.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；
28.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。
29.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：
30.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；yi表示第i张图像的标注作弊情况；pi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；yj表示第j张图像的标注作弊情况；pj表示第j张图像的预测作弊情况。
[0037]
第二方面，本发明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；
[0045]
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；
[0046]
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；
[0047]
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；
[0048]
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；
[0049]
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；
[0050]
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；
[0051]
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；
[0052]
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；
[0053]
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。
[0054]
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：
[0055]
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；
[0056]
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。
[0057]
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：
[0058]
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；
[0059]
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；
[0060]
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；
[0061]
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。
[0062]
相较于现有技术，本发明实施例达到了以下有益效果：
[0063]
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。
[0064]
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。先对监控图像进行作弊判断，判断是否作弊。同时判断作弊类型，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。同时增加了作弊动态检测层进行判断，也就是不利用作弊行为图像，而利用一段视频中的多帧图像所表述的动作来判断是否作弊。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。
附图说明
[0065]
图1是本发明实施例提供的一种考场监控方法流程图。
[0066]
图2是本发明实施例提供的一种考场监控方法检测和训练过程示意图。
[0067]
图3是本发明实施例提供的rnn循环网络的结构示意图。
[0068]
图4是本发明实施例提供的一种电子设备的方框结构示意图。
[0069]
图中标记：总线500；接收器501；处理器502；发送器503；存储器504；总线接口505。
具体实施方式
[0070]
下面结合附图，对本发明作详细的说明。
[0071]
实施例1
[0072]
如图1所示，本发明实施例提供了一种考场监控方法，所述方法包括：
[0073]
s101：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。
[0074]
s102：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；
[0075]
s103：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。
[0076]
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：
[0077]
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。
[0078]
其中，本实施例中，作弊监控视频层的输出为多张前后监控图像。所述多张前后监控图像为监控图像时间序列向前每5帧取得的2张图像和时间序列向后每5帧取得的2张图像，驾驶所述监控图像，得到监控视频。
[0079]
其中，可以通过确定每个学生的位置，得到在监控图像中的位置，从而对单个学生进行作弊识别。若可能作弊，获得单个学生监控视频。所述单个学生监控视频表示只包括一个学生的作弊监控图像前后连续多帧监控图像。将所述单个学生监控视频输入作弊动态检测层中，判断是否作弊。
[0080]
其中，所述述作弊检测模型的检测和训练过程如图2所述。
[0081]
通过上述方法，每隔5帧取得图像能够既保留学生在行为运动过程中的基本动作，又能减轻计算程度，降低梯度爆炸的风险。
[0082]
可选的，作弊检测模型训练方法：
[0083]
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。
[0084]
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。
[0085]
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。
[0086]
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；
[0087]
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；
[0088]
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。
[0089]
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；
[0090]
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；
[0091]
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。
[0092]
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。
[0093]
其中，阈值为1。
[0094]
通过上述方法，获得所述第一训练损失值和所述第二训练损失值，依据对所述第一训练损失值和所述第二训练损失值求和，得到总损失值的方法来训练神经网络。使得神经网络整体可以识别出是否作弊。并且在作弊静态检测层判断是否作弊和作弊类型，在作弊动态检测层只需判断是否作弊，一方面由于作弊静态检测层判断作弊类型比较简单方便。其次增加作弊类型的判断是为了增加神经网络判断是否作弊的准确性，实际上神经网络的作用还是判断是否作弊。
[0095]
可选的，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：
[0096]
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。
[0097]
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。
[0098]
所述作弊静态检测层包括多层卷积层，本发明采用resnet50残差网络，所述检测主干网络的最后三层的结构和输出如下表1所示：
[0099]
表1
[0100][0101]
通过上述方法，获得二值化图像的特征。先将图像进行二值化，只留下图像的形状特征，去除其他如衣着、颜色等的影响因素，使得更加快速准确的提取出图像基于形状的特征。同时本实施例中使用resnet50残差网络能有较深的网络进行训练。
[0102]
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：
[0103]
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。
[0104]
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。
[0105]
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。
[0106]
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。
[0107]
其中，本实施例中的表示监控视频中间隔5帧的图像输入rnn循环网络的结构如图3所示。
[0108]
通过上述方法，所述作弊动态检测层中为rnn结构，能够结合视频中这一次的上一张的特征图，对整段视频进行行为判定。rnn能够联系两张图片特征的关系
[0109]
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：
[0110]
所述第一训练损失值具体通过下述公式计算方式获得：
[0111][0112]
其中，loss为所述第一训练损失值。n是所有输入图片的数量。yi表示第i张图像的标注作弊情况。pi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。
[0113]
通过上述方法，先求得作弊情况的损失，如过标注作弊情况是没有作弊，作弊类型损失就没有太大用处，所以在作弊类型损失面前加熵标注作弊情况。这样增加了神经网络对于是否作弊判断的准确性。
[0114]
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：
[0115]
所述第二训练损失值具体通过下述公式计算方式获得：
[0116][0117]
其中，loss1为所述第二训练损失值。m是所有输入图片的数量。yj表示第j张图像的标注作弊情况。pj表示第j张图像的预测作弊情况。
[0118]
通过上述方法，得到第二训练损失值。所述第二训练损失值为所述作弊动态检测层提取的特征进行分类预测后得到的损失值。通过增加作弊动态检测层的情况大大增加了在一段时间内的动作识别的准确性。
[0119]
通过上述方法，先利用监控图像输入作弊检测模型中对异常行为进行检测。所述异常行为是标注了的作弊行为。通过卷积的方式进行特征提取然后检测，检测是否作弊为重要结果，而哪种作弊类型只是用来增加检测是否作弊的准确性。所以在设置损失函数时，通过标注数据是否作弊于判断作弊类型的损失函数进行相乘。表示若作弊再判断作弊类
型，若没有作弊则不用继续判断。同时增加了作弊动态检测层来增加判断作弊的准确性，由于作弊动态检测层采取的rnn为循环网络，通过判断一段时间内动作的关系来判断是否作弊，从时间上的动作关系判断，大大增加了判断是否作弊的准确性。
[0120]
基于上述的一种考场监控方法，本发明实施例还提供了一种考场监控系统，所述系统包括采集模块、作弊判断模块和作弊视频发送模块。
[0121]
其中，所述采集模块用于采集监控图。所述监控图像为考场中监控所有学生的监控图像。
[0122]
其中，所述作弊判断模块用于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。
[0123]
其中，所述作弊视频发送模块当若有学生作弊时，得到监控图像前后10帧的作弊视频。并且将作弊视频发送给监控人员。
[0124]
在此关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0125]
本发明实施例还提供了一种电子设备，如图4所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述一种考场监控方法的任一方法的步骤。
[0126]
其中，在图4中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
[0127]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种考场监控方法的任一方法的步骤以及上述的所涉及的数据。
[0128]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0129]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0130]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面
的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0131]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0132]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0133]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0134]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。