[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

本發明涉及一種考試異常行為檢測方法、裝置及計算機可讀存儲介質，所述方法包括以下步驟：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。本發明所述的考試異常行為檢測方法，提高了異常考試行為檢測的精度。

技術領域

本發明涉及行為檢測技術領域，尤其涉及一種考試異常行為檢測方法、裝置及計算機可讀存儲介質。

背景技術

考試是大眾普遍接受的一種知識水平鑒定方式，目前主要實行的人工現場監考和考試監控視頻復查的監考方式仍存在弊端，無法保證考試的公平性。深度學習的出現促進了計算機視覺領域的發展，考試異常行為檢測屬于一種典型的計算機視覺任務，可以采用深度學習的方法來實現。通過將正常考試行為和幾種異常考試行為進行區分，并對檢測出的異常考試行為進行標注，從而快速獲取疑似作弊人員進行重點觀察。目前，深度學習目標檢測在眾多領域取得了巨大成就，但是利用深度學習進行考試異常行為目標檢測的研究卻少有人為，該研究不僅可以節省更多的人力成本、提高監控視頻復查效率，對保證考試的公平性、維持正常的考試秩序也有極大的促進作用。

現有研究成果都是在特定場景進行的有針對性的算法設計，不能完全適用于考試異常行為的檢測，將現有算法設計應用至異常考試行為檢測時，其檢測精度較低。

發明內容

有鑒于此，有必要提供一種考試異常行為檢測方法、裝置及計算機可讀存儲介質，用以解決現有異常考試行為檢測的精度較低的問題。

本發明提供一種考試異常行為檢測方法，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。

進一步地，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。

進一步地，所述考試異常行為檢測方法還包括使用Darknet32網絡代替YOLOv3的主干網絡Darknet53網絡。

進一步地，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。

進一步地，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。

進一步地，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facal loss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。