[發明專利]在線考試智能監控方法

有效

• 申請號: 201210202592.6
• 申請日: 2012-06-15
• 公開（公告）號: CN102890747A
• 公開（公告）日: 2013-01-23
• 發明（設計）人: 郭彥懿;余海濱;來林靜
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06K9/66;H04N7/18
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種在線考試智能監控方法，包括以下步驟：

(a)把核實的生物統計數據存儲到一個中央站處；

(b)把異常監督樣本數據存儲到所述中央站；

(c)把考試問題數據存儲到所述中央站；

(d)在遠距離考試站輸入考生生物統計數據，以開始考試過程；

(e)把所述考生生物統計數據傳送給中央站，并比較考生生物統計數據和核實的生物統計數據，由此核實所述考生生物統計數據；

(f)使中央站存儲的考試問題數據可在考試站得到；

(g)存儲應答所述考試問題數據而存儲的考試應答數據；

(h)在考試過程中，考試站記錄考試時的考生監督數據并傳送到中央站，在中央站將考生監督數據與異常監督樣本數據進行比較，并判斷考生是否存在異常考場行為；或者使中央站存儲的異常監督樣本數據可在考試站得到，并在考試站將考生監督數據與異常監督樣本數據進行比較，并判斷考生是否存在異常考場行為；如果存在異常考場行為，采取相應措施；

(i)在考試過程中，考試站對考試站上運行的進程進行監控管理，如果出現非法進程，采取相應措施；

(j)結束考試過程。

2.根據權利要求1所述的一種在線考試智能監控方法，其特征在于，所述考試站的考生生物統計數據以及考生監督數據均為由同一個攝像頭得到的圖像或視頻數據。

3.根據權利要求1或2所述的一種在線考試智能監控方法，其特征在于，在考試的過程中，還包括每隔一定的時間提取考生生物統計數據，與中央站的核實生物統計數據進行比較的步驟。

4.根據權利要求1或2所述的一種在線考試智能監控方法，其特征在于，在考試過程中，還包括考試站對系統行為進行控制的步驟，該步驟在考試期間監視和記錄用戶輸入，并判斷用戶的輸入是否為系統預設的非法操作，如果是非法操作則禁止用戶的操作。

5.根據權利要求1或2所述的一種在線考試智能監控方法，其特征在于，在考試過程中，還包括考試站對屏幕進行監督的步驟，以記錄考試期間考生的屏幕數據。

6.根據權利要求5所述的一種在線考試智能監控方法，其特征在于，考試站對屏幕進行監督的裝置是一個提供考試期間屏幕視頻記錄的攝像頭，或者是通過操作系統的接口獲得的屏幕數據，或者為直接從顯卡數據緩沖區獲得的屏幕顯示數據。

7.根據權利要求5所述的一種在線考試智能監控方法，其特征在于，中央站或考試站還包括與屏幕監督步驟相應的屏幕分析步驟，將獲得的考生屏幕數據與考試時應當出現的屏幕數據進行比對，判斷出考生的作弊行為。

8.根據權利要求7所述的一種在線考試智能監控方法，其特征在于，屏幕分析步驟不需要預先獲得考試時應當出現的屏幕數據，而是提取當前同時參加考試的全部考生的屏幕信息，得到當前應當出現的屏幕數據，并對差異較大的考生屏幕數據進行分析。

9.根據權利要求1或2所述的一種在線考試智能監控方法，其特征在于，考試站上安裝的軟件，由考生在開始考試之前，從中央站下載安裝軟件包并在考試站上安裝。

10.根據權利要求1或2所述的一種在線考試智能監控方法，其特征在于，中央站或考試站將考生監督數據與異常監督樣本數據進行比較的方法為，在考試的過程中，獲取攝像頭捕獲的考生人臉圖像，并對人臉姿勢進行識別，從人臉姿勢中判斷是否存在作弊的情況，具體步驟包括：

步驟一、準備樣品圖像，樣本圖像分為正樣本和負樣本，即判定為正面人臉的圖像和判定為非正面人臉的圖像，根據樣本圖像生成分類器；

步驟二、接收考試監控視頻，每隔一定時間間隔從視頻中采集一幅考生攝像頭捕獲圖像，并使用步驟一得到的分類器進行分類，判斷捕獲圖像是否為正面人臉圖像；

步驟三、如果檢測到非正面人臉圖像連續存在超過一定時間，則判定考生可能存在作弊行為，提醒系統管理員注意，或者對考生采取警告、終止考試等處理措施；

其中，步驟一中根據樣本圖像生成分類器的方法為：

一、將樣本圖片記為(x₁，y₁)，…(x_n，y_n)，y_i＝1表示該樣本為正例即判定為正面人臉的圖像，y_i=0表示該例為負例即判定為非正面人臉的圖像；

二、將所有的樣本圖像歸一化為標準大小的圖像，并且將所有的樣本進行灰度化；

三、初始化樣本權重：

W_t，i表示第t次循環中第i個樣本的誤差權重，初始化時，若第i個樣本為負例，令m為負例的樣本個數；若第i個樣本為正例，則令l為正例的樣本個數；

四、訓練系統的強分類器，具體方法為：

A.指定強分類器中包含的弱分類器的個數T，對t＝1，...T，循環執行以下步驟：

1)歸一化權重：

其中t＝1，...T，T為訓練的次數；

2)對每一個Haar特征f，訓練一個弱分類器h(x，f，p，θ)；計算對應這個特征的弱分類器的分類誤差；Haar特征就是用兩個相鄰的矩形組成的特征，其中一個用白色矩形表示，一個用黑色矩形表示，Haar特征模板包括邊緣特征、線性特征、中心特征和對角線特征，每個特征模板內有白色和黑色兩種矩形，特征模板在一幅圖像子窗口內可以放置在任意放置并可以縮放，任意一種形態的任意一次縮放擺放稱為一種特征，定義該模板的特征值為白色矩形像素和減去黑色矩形像素和，對于灰度圖像，像素和即每個像素灰度值之和；

3)選取最佳的即擁有最小錯誤率ε_t的弱分類器h_t(x)＝h(x，f_t，p_t，θ_t)，其中f_t，p_t，θ_t是使ε_t為最小的值；

4)按照上一步得到的最佳弱分類器調整權重：

wt+1,i=wt,iβt1-ei]]>

其中，如果x_i被正確分類，e_i=0，如果x_i被錯誤地分類，e_i=1，

B.最終得到的強分類器為：

其中

步驟2)中，訓練弱分類器及計算加權錯誤率的方法為：

對每一個特征f，訓練一個弱分類器h(x，f，p，θ)

其中f為特征，θ為閾值，p指示不等號的方向，就是1和-1，用來判別系統指定的是大于閾值符合標準還是小于閾值符合標準，x代表一個檢測子窗口，f(x)代表該特征模板的特征值；

對每個特征f，訓練一個弱分類器h(x，f，p，θ)，就是確定f的最優閾值，使得這個弱分類器h(x，f，p，θ)對所有的訓練樣本的分類誤差最低；

對每個特征進行弱分類器訓練的過程為：

(1)對每個特征f，得到所有訓練樣本的特征值；

(2)將特征值排序；

(3)對排好序的每個元素：

(i)計算全部正樣本的權重和T⁺；

(ii)計算全部負樣本的權重和T^-；

(iii)計算該元素前正樣本的權重和S⁺；

(iv)計算該元素前負樣本的權重和S^-；

(v)選取當前元素的特征值和它前面的一個特征值之間的數作為閾值，并計算該閾值的分類誤差為：

e=min(S⁺+(T^--S^-)，S^-+(T⁺-S⁺))；

(4)比較所有分類誤差，得到使分類誤差最小的閾值，作為針對特征f的弱分類器。