[發明專利]一種考試異常行為檢測方法、裝置及計算機可讀存儲介質

在審

• 申請號: 202011303698.6
• 申請日: 2020-11-19
• 公開（公告）號: CN112287884A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 陳中舉;房夢婷
• 申請（專利權）人: 長江大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 武漢智嘉聯合知識產權代理事務所(普通合伙) 42231
• 代理人: 易賢衛

1.一種考試異常行為檢測方法，其特征在于，包括以下步驟：

獲取考試行為圖像，對所述考試行為圖像進行標注，生成考試異常行為數據集；

優化YOLOv3算法的損失函數，對數據集的邊界框聚類，獲取最佳Anchor尺寸，得到優化后的YOLOv3算法，利用數據集對YOLOv3算法進行訓練及測試，得到最終的YOLOv3模型；

獲取考試行為視頻，按幀讀取所述視頻，形成幀圖片，利用所述最終的YOLOv3模型對所述幀圖片進行檢測，得到考試異常行為檢測結果。

2.根據權利要求1所述的考試異常行為檢測方法，其特征在于，所述對數據集的邊界框聚類，具體包括，通過k-means方法并以交并比作為距離度量，對數據集的邊界框聚類。

3.根據權利要求1所述的考試異常行為檢測方法，其特征在于，還包括使用Darknet32網絡代替YOLOv3的主干網絡Darknet53網絡。

4.根據權利要求3所述的考試異常行為檢測方法，其特征在于，所述Darknet32網絡包括6組帶殘差塊的網絡；所述Darknet32網絡采用多尺度訓練方式，在訓練過程中不斷調整輸入圖像的尺寸；所述Darknet32網絡不設置池化層，通過卷積來實現下采樣。

5.根據權利要求1所述的考試異常行為檢測方法，其特征在于，所述優化YOLOv3算法的損失函數，具體包括，采用GIoU作為衡量指標來計算位置損失，采用facal loss對置信度損失進行優化，采用二值交叉熵計算分類損失。

6.根據權利要求5所述的考試異常行為檢測方法，其特征在于，所述位置損失的計算公式為所述置信度損失的計算公式為

其中，S²和B為網格數量以及每個網格中檢測框數量，表示網格i的第j個檢測框是否負責預測該對象，若是則取1，否則取0，為標注框的寬度和高度，α為facalloss函數中的權重系數，γ為facal loss函數中加入的超參數，和C_i為置信度的真實值和預測值，λ_noobj為權重系數。

7.根據權利要求1所述的考試異常行為檢測方法，其特征在于，獲取考試行為視頻，按幀讀取所述視頻，形成幀圖片，利用所述最終的YOLOv3模型對所述幀圖片進行檢測，得到考試異常行為檢測結果，具體包括，獲取考試行為視頻，按幀讀取所述視頻，形成幀圖片，利用最終的YOLOv3模型進行幀圖片交替檢測及標注，對標注后幀圖片輸出，得到考試異常行為檢測結果。

8.根據權利要求1所述的考試異常行為檢測方法，其特征在于，按幀讀取所述視頻，形成幀圖片，利用最終的YOLOv3模型進行幀圖片交替檢測及標注，對標注后幀圖片進行輸出，得到考試異常行為檢測結果，具體包括，

步驟S11、按幀讀取所述視頻，形成幀圖片，將幀圖片放入輸入隊列；

步驟S12、讀取第一張幀圖片，并將該幀圖片的檢測標志設定為true；

步驟S13、利用最終的YOLOv3模型進行檢測；

步驟S14、標注幀圖片，將標注過的幀圖片放入輸出隊列，將該幀圖片的檢測標志取反；

步驟S15、讀取下一張幀圖片，并使下一張幀圖片引用上一張幀圖片的檢測標志，判斷該幀圖片的檢測標志是否為true，若否，則繼續使用上一張圖片的檢測框，重新執行步驟S14、若是，則重新執行步驟S13，直至所有幀圖片讀取完畢；

步驟S16、對標注后幀圖片進行輸出，得到考試異常行為檢測結果。

9.一種考試異常行為檢測方法裝置，其特征在于，包括處理器以及存儲器，所述存儲器上存儲有計算機程序，所述計算機程序被所述處理器執行時，實現如權利要求1-8任一所述的考試異常行為檢測方法。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機該程序被處理器執行時，實現如權利要求1-8任一所述的考試異常行為檢測方法。