基于AI技术的高校在线考试模拟监控系统

基于ai技术的高校在线考试模拟监控系统
技术领域
1.本发明属于ai技术领域，尤其涉及基于ai技术的高校在线考试模拟监控系统。


背景技术：

2.目前，人工智能技术的快速兴起，为教育的信息化、个性化和智能化的发展提供了一个全新的思路，在教育领域，多媒体和课堂教学智能监控技术具有了很大的普及，但是在基于ai的考试模拟监控系统技术上不是很成熟，学生在家上网课，考试大多不严谨，因此需要一个具备先进技术的在线考试模拟监控系统来帮助学校能够更好地管理学生。
3.通过上述分析，现有技术存在的问题及缺陷为：
4.(1)基于ai的考试模拟监控系统技术成熟度有待加强。
5.(2)学校对学生进行在线考试的监控程度有待加强。


技术实现要素：

6.针对现有技术存在的问题，本发明提供了基于ai技术的高校在线考试模拟监控系统。
7.本发明是这样实现的，基于ai技术的高校在线考试模拟监控系统，所述 ai技术的高校在线考试模拟监控系统包括：
8.图像采集单元，所述图像采集单元中实时采集的考试影像以模拟电信号的形式存在，经过图像采集单元内部的a/d转换器转换为计算机可以编码显示的数字信号，当其他模块需要使用图像采集单元内部的数字信号时，图像采集单元对数字信号进行分批打包，打包后使用无线通信方式传输至其他模块；
9.ai集成软件系统，所述ai集成软件系统包括有ai算法，所述ai算法中包含人脸识别模块、表情识别模块和行为识别模块；
10.所述ai集成软件系统中的人脸识别模块包括人脸检测单元、人脸对齐单元和人脸特征计算单元，首先获取图像采集单元中获取的实时考试图像，使用人脸检测单元中的识别程序对图像中的人脸进行识别，识别到人脸后，使用人脸对齐单元中的part segmentation算法与人脸特征计算单元中的矩阵算法得到特征脸；
11.所述ai集成软件系统中的表情识别模块中集成了hog算法与svm算法的混合体，即hog算法嵌入到了svm算法中，获取到人脸识别模块中得到的特征脸，运用hog svm算法进行表情识别；
12.所述ai集成软件系统中的行为识别模块中是首先采集图像，其次进行图像的预处理、人体姿态估计、动作特征挖掘、行为分类和行为类别的输出，其中人体姿态估计与动作特征挖掘使用deepcut算法进行多人姿态估计与动作挖掘，得到包含人体姿态线条与动作特征值，然后使用双向二维主成分分析算法进行行为分类与行为类别的输出；
13.统计结果分析模块，显示考试过程中系统输出的数据信息，将数据信息通过dvi接口传入显示屏，以供显示。
14.进一步的，所述ai集成软件系统中的ai算法搭载于基于ai的人脸识别签到模块、基于ai的学生行为分析模块和基于ai的学生行为分析模块。
15.进一步的，所述基于ai的人脸识别签到模块中包括人脸识别单元，所述人脸识别单元包括学生的签到和老师的签到，系统中包括有学生和老师人脸数据的注册管理，包括注册、删减和更改操作，学生和老师坐在电脑前，基于电脑摄像器进行人脸的识别和考试签到，进行人脸匹配，查看考试学生人脸和该学生注册信息是否相符；所述人脸识别单元中设置有人脸检测、人脸对齐和人脸特征计算单元。
16.进一步的，所述基于ai的学生行为分析模块包括行为识别模块，对学生采用人体姿态估计评价，进行人体关键点的检测，在此基础上，加入分类的思想，实现对学生的行为分析，得出学生是处于坐姿、站立、趴桌子、考试做题、翻阅资料动作中的哪种状态；
17.人体骨骼关键点对于描述人体姿态，预测人体行为至关重要，主要检测人体的一些关键点，如关节，五官等，通过关键点描述人体骨骼信息，采用自下而上的方法对多人人体骨骼关键点检测，其中人体骨骼关键点定位算法包含两个部分，关键点检测和关键点聚类，即首先需要将图片中所有的关键点都检测出来，然后通过相关策略将所有的关键点聚类成不同的个体，其中对关键点之间关系进行建模，使用的算法为part segmentation，使用深度学习的思想进行人体关键点的特征提取，生成相应的人体关键点热力度，采用自下而上的方式实现最终的人体关键点检测；在关键点检测基础上，结合对学生具体表现的理解，对行为进行相应的定义，挖掘动作与关键点之间的关联，进而对一些动作进行识别理解；通过关键点与动作的关联挖掘中，引入深度学习模型进行辅助分类，输出行为类别。
18.进一步的，所述基于ai面部表情识别模块包括人脸识别模块和表情识别模块，其中对学生的面部表情进行识别，此模块是在人脸识别的基础上进行的，采用深度学习的方法进行表情识别，统计学生某个表情类型出现的次数占比，统计全部学生出现某表情的次数占比，推断试题难易程度。
19.进一步的，所述统计结果分析模块中包括对学生行为的展示和分析完成之后学生的情绪比，得到此次试题的难易程度，以百分制进行展示。
20.进一步的，所述行为识别模块中图像的预处理包括图像小波去噪、图像边缘增强、直方图均衡化。
21.本发明的另一目的在于提供一种实现所述基于ai技术的高校在线考试模拟监控系统的信息数据处理终端
22.本发明的另一目的在于提供一种实现所述基于ai技术的高校在线考试模拟监控系统的移动设备。
23.本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述基于ai技术的高校在线考试模拟监控系统。
24.结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
25.第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
26.本发明利用ai相关技术，聚焦人脸识别、表情分析、行为识别在线考试模拟监控的
深度融合，实现基于行为、人脸面部表情识别的学生是否存在作弊的情况和学生对考试题目难易程度的反应。
27.第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
28.本系统中的视觉识别主要包括人脸识别、表情识别、行为识别，图像采集单元的实时识别抓取，为在线考试的智能化监控提供了数据来源，从而将视觉识别和数据分析形成有机的整体，提高了基于ai技术的高校在线考试模拟监控系统的监控效率。
附图说明
29.图1是本发明实施例提供的基于ai技术的高校在线考试模拟监控系统的总体架构图；
30.图2是本发明实施例提供的ai集成软件系统的模块结构图；
31.图3是本发明实施例提供的人脸识别模块的单元结构图；
32.图4是本发明实施例提供的行为识别模块的流程图。
具体实施方式
33.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
34.一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
35.如附图1-4所示，基于ai技术的高校在线考试模拟监控系统，所述ai技术的高校在线考试模拟监控系统包括：
36.图像采集单元，所述图像采集单元中实时采集的考试影像以模拟电信号的形式存在，经过图像采集单元内部的a/d转换器转换为计算机可以编码显示的数字信号，当其他模块需要使用图像采集单元内部的数字信号时，图像采集单元对数字信号进行分批打包，打包后使用无线通信方式传输至其他模块；
37.ai集成软件系统，所述ai集成软件系统包括有ai算法，所述ai算法中包含人脸识别模块、表情识别模块和行为识别模块；
38.所述ai集成软件系统中的人脸识别模块包括人脸检测单元、人脸对齐单元和人脸特征计算单元，首先获取图像采集单元中获取的实时考试图像，使用人脸检测单元中的识别程序对图像中的人脸进行识别，识别到人脸后，人脸对齐单元中调用part segmentation算法进行人脸图像的关键点提取进行人脸对齐，同时将人脸对齐的图像结果传入到人脸特征计算单元中，人脸特征计算单元首先将人脸对齐结果转换为人脸图像矩阵，并计算人脸图像矩阵的协方差矩阵，并进一步计算协方差矩阵的特征值与特征向量，即特征脸；
39.所述ai集成软件系统中的表情识别模块中集成了hog算法与svm算法的混合体，即hog算法嵌入到了svm算法中，获取到人脸识别模块中得到的特征脸，运用hog svm算法进行表情识别；
40.所述ai集成软件系统中的行为识别模块中是首先采集图像，其次进行图像的预处
理、人体姿态估计、动作特征挖掘、行为分类和行为类别的输出，其中人体姿态估计与动作特征挖掘使用deepcut算法进行多人姿态估计与动作挖掘，得到包含人体姿态线条与动作特征值，然后使用双向二维主成分分析算法进行行为分类与行为类别的输出；
41.统计结果分析模块，显示考试过程中系统输出的数据信息，将数据信息通过dvi接口传入显示屏，以供显示。
42.所述ai集成软件系统中包含扩展电芯片，上面集成了多个ai算法，在相应模块调用ai算法时，首先向ai集成软件系统申请要使用的ai算法的物连接口，待ai集成软件系统验证通过后，相应模块连通模块与ai算法的接口进行调用。
43.所述ai集成软件系统中的ai算法搭载于基于ai的人脸识别签到模块、基于ai的学生行为分析模块和基于ai的学生行为分析模块。
44.所述基于ai的人脸识别签到模块中包括人脸识别单元，所述人脸识别单元包括学生的签到和老师的签到，系统中包括有学生和老师人脸数据的注册管理，包括注册、删减和更改操作，学生和老师坐在电脑前，基于电脑摄像器进行人脸的识别和考试签到，进行人脸匹配，查看考试学生人脸和该学生注册信息是否相符；所述人脸识别单元中设置有人脸检测、人脸对齐和人脸特征计算单元。
45.所述人脸识别单元中在采集人脸特征时调用主成分分析pca进行人脸识别的特征提取，人脸特征计算单元主要针对主成分特征进行计算，不仅保证了运算量小，系统负载低，而且保证了人脸特征提取的准确性。
46.所述基于ai的学生行为分析模块包括行为识别模块，对学生采用人体姿态估计评价，进行人体关键点的检测，在此基础上，加入分类的思想，实现对学生的行为分析，得出学生是处于坐姿、站立、趴桌子、考试做题、翻阅资料动作中的哪种状态；
47.人体骨骼关键点对于描述人体姿态，预测人体行为至关重要，主要检测人体的一些关键点，如关节，五官等，通过关键点描述人体骨骼信息，采用自下而上的方法对多人人体骨骼关键点检测，其中人体骨骼关键点定位算法包含两个部分，关键点检测和关键点聚类，即首先需要将图片中所有的关键点都检测出来，然后通过相关策略将所有的关键点聚类成不同的个体，其中对关键点之间关系进行建模，使用的算法为part segmentation，使用深度学习的思想进行人体关键点的特征提取，生成相应的人体关键点热力度，采用自下而上的方式实现最终的人体关键点检测；在关键点检测基础上，结合对学生具体表现的理解，对行为进行相应的定义，挖掘动作与关键点之间的关联，进而对一些动作进行识别理解；通过关键点与动作的关联挖掘中，引入深度学习模型进行辅助分类，输出行为类别。
48.所述基于ai面部表情识别模块包括人脸识别模块和表情识别模块，其中对学生的面部表情进行识别，此模块是在人脸识别的基础上进行的，采用深度学习的方法进行表情识别，统计学生某个表情类型出现的次数占比，统计全部学生出现某表情的次数占比，推断试题难易程度。
49.所述使用深度学习的方法进行表情识别，首先选取进行表情识别的深度学习模型，对深度学习模型进行表情数据集的训练，根据训练结果对深度学习模型不断优化，在优化后，使用当前采集的表情进行测试，在准确率达到99％以上时，认为表情识别的深度学习模型优化完成，可以使用深度学习模型进行接下来的表情识别工作。
50.所述统计结果分析模块中包括对学生行为的展示和分析完成之后学生的情绪比，
得到此次试题的难易程度，以百分制进行展示。
51.所属统计分析的结果展示是通过hdmi接口直连显示。
52.工作原理：本发明中，通过图像采集单元进行对图像抓取，也就是通过电脑的摄像器对学生和老师的人脸进行高精度的抓取，同时抓取学生的行为状态，将抓取的图像数据发送到ai集成软件系统中，其中基于ai的人脸识别签到模块通过人脸识别模块实现学生和老师的签到，其中人脸识别模块通过人脸检测单元、人脸对齐单元和人脸特征计算单元实现获取高精度的人脸图像，基于ai 的学生行为分析模块通过行为识别模块实现对学生行为的判断，将采集的图像进行预处理操作，其次进行人体姿态估计，进而通过深度学习模块实现动作特征的挖掘，最后进行行为的分类和行为类别的输出，基于ai的面部表情识别模块通过人脸识别模块和表情识别模块对学生的表情进行判断，判断完成之后在统计结果分析模块中进行展示出来，实现高效的在线考试模拟监控和有效地把控试题的难易程度。
53.二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
54.在使用基于ai技术的高校在线考试模拟监控系统进行考试模拟监控时，开启系统，调用电脑的摄像器对学生和老师的人脸进行高精度的抓取，同时抓取学生的行为状态，将抓取的图像数据发送到ai集成软件系统中，实现学生和老师的签到，实现对学生行为的判断，将采集的图像进行预处理操作，其次进行人体姿态估计，进而通过深度学习模块实现动作特征的挖掘，最后进行行为的分类和行为类别的输出。同时对学生的表情进行判断，判断完成之后在统计结果分析模块中进行展示出来，实现高效的在线考试模拟监控和有效地把控试题的难易程度。
55.应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体，或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
56.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。