基于人脸识别和姿态估计的智能监考模型设计与应用

针对传统监考存在人工成本高、主观性强等问题,构建基于人脸识别、头部姿态估计和目标检测的智能监考模型。模型通过人脸识别算法进行考生身份验证,设计结合注意力机制的头部姿态估计(channel and spatial-aware wide head pose estimation network,CS-WHENet)方法对考生偷看的异常行为进行检测,并使用深度学习方法及传统方法对考生传递纸条的异常行为进行联合判定。实验结果表明,智能监考模型在模拟真实考场的环境中,对考生身份验证与异常行为检测均有较高的准确率,并能在GPU支持下实现实时检测。通过验证表明,该模型能有效降低监考人员工作成本,实现考场监考公平性。

“P+S”一体化人工智能监考机器人系统设计

本文基于多智能体技术设计了智能移动监考机器人装置。首先分析了现行监考模式下的缺陷并针对目前监考体系存在的网络及服务器设备应用复杂、后台信息管理僵化、投入成本高等问题设计了一体化的智能监考系统。接着深入探究机器人设计原理及运用技术,最终将监考责任分配到终端监考服务器、实时记录摄像系统、移动机器人监考系统三大操作系统。以"P(prevent)+S(surveillance)一体化"为核心,从预防与监考两方面出发重点解决考试违纪问题并兼有考试判卷功能,在有效解决监考系统中现存问题、完善监考体制的现存缺陷的同时促进巡考的智能化、规范化。

基于视频行为分析的智能监考辅助系统

针对高校监考任务繁重且传统监考作弊取证较难等问题,设计了基于视频行为分析的智能监考辅助系统。该系统首先应用视频流实时处理算法对视频流进行解码,然后运用YOLOv3算法检测出人体以及违禁品边框,接着用MTCNN算法检测面部姿态,最后对行为异常进行检测分析并给出异常警告。通过使用该系统,能够实现自动检测考生作弊行为并且可以自动预警和保存作弊行为。经过测试,系统的识别结果准确率能够达到百分之五十以上,能够起到辅助监考的作用。

基于计算机视觉的学校智能监考系统

针对学校人工监考难以发现作弊行为并及时取证的问题,文中设计了一种利用OpenCV平台,基于Caffe-SSD算法的学校智能监考系统。该系统通过收集有关作弊行为图像建立训练集模型,对作弊行为进行分类,实现系统功能。该系统可实时监测报警,并自动对作弊行为进行取证。经测试,该系统在指定场景中的运行准确率为84%,可满足现阶段学校对智能监考的要求,并为未来的无人监考系统设计提供参考。

面向考场视频中作弊行为的层次式检测方法

针对当前考场视频作弊行为检测精度低、难以实际应用的问题,本文提出一种高效的作弊行为层次式检测方法。该方法首先使用帧间差分,快速筛选出包含异常行为的关键帧图像;随后采用ResNet50作为分类器进行基于骨骼图像的行为识别,检测出疑似作弊行为;最后使用改进的三维卷积(3D-CNN,简称C3D)网络作为主干网络,融合时空注意力机制,构建C3D+attention动作识别网络,使用包括疑似作弊行为在内的单人图像序列单元,精确检测出作弊行为。实验结果表明:本方法融合二维卷积(C2D)网络速度快和C3D网络精度高的优点,能够高效地检测出数量稀少的作弊行为视频片段,对光照变化和低分辨率视频具有强鲁棒性,使智能监考成为可能。

基于人脸识别的考生身份识别应用研究

指纹身份识别技术目前已发展得比较成熟,典型的产品是指纹考勤,但指纹识别产品成本较高,普及度低。近些年,人脸识别技术发展迅速,越来越多的行业应用人脸识别技术,节省人力和成本,提高便捷性。针对当前很多学校仍然通过传统的低效率人工方式进行考勤、考试身份识别,文章研究了人脸识别关键技术,提出了使用人脸识别技术来对考生身份进行验证框架,并开发了一个基于人脸识别的考生身份识别的程序。经过测试,识别效果基本满足实际应用。

基于3D卷积神经网络的考生异常行为识别研究

本论文将卷积神经网络应用到的考生异常行为检测的智能视频监控系统中去。当输入多维图像时,算法更为显著,只用直接进行图像输入,还能够使考生异常行为识别的准确性得到提升。