考生異常行為識別技術研究

李 凌

(淮北職業技術學院 計算機科學技術系,安徽 淮北 235000)

·應用技術研究·

考生異常行為識別技術研究

李 凌

(淮北職業技術學院 計算機科學技術系,安徽 淮北 235000)

考試中存在的違紀、作弊行為嚴重影響了考試的公平、公正。傳統的人工監考可能存在作弊違紀行為的漏判或誤判。考生異常行為智能識別對于保證考試的公平性具有重要意義。圍繞考生異常行為智能識別的要求，定義了常見的考生異常行為，比較分析常用的運動目標檢測方法，采用幀間差分和邊緣檢測相結合檢測考生，該方法計算簡單，具有較好的魯棒性。

識別；異常行為；目標檢測

考試中存在著的違紀、作弊行為，嚴重影響了考試的公平、公正。因此準確識別、及時提醒和制止考生違紀作弊行為，對于保證考試的公平性具有重要的意義。[1]國務院和教育部先后頒布系列相關條例和規定，對被視作的作弊行為進行了解釋、說明，這對判斷、識別考生異常行為具有一定指導意義；國家教育部頒布的《國家教育考試違規處理辦法》將考生可能發生的違規行為從宏觀上分為違紀9種和作弊9種，違紀和作弊這兩種違規行為之間的差異較少，一般情況下很難界定。

傳統的人工監考可能存在作弊違紀行為的漏判或誤判。近年視頻監控廣泛應用于考試中，[2]由于考生行為的多樣性，若僅由監控人員對大量的實時視頻進行分析，不僅效率低下，并且識別的正確率較低，因此自動識別考生行為具有十分重要的應用價值，是目前計算機視覺的重要研究課題。[3]國內外一些學者進行了相關研究，提出了許多有效的考生行為自動識別方法。[4]一些學者將機器學習算法和人工智能技術應用到考生行為自動識別中，出現了支持向量機、基于神經網絡等考生行為識別方法。[5]

1 考生異常行為智能識別

考生行為智能識別是指通過機器語言、算法分析來描述考生的行為，并用自然語言理解，即判斷欲測試序列圖像與已建立的異常行為參考序列圖像是否匹配，其實質是把考生的行為分為正常行為和作弊行為，是一種兩分類問題，主要包括提取考生行為特征和構建行為分類器。在考生行為實時視頻監控中，首先要獲取目標，然后提取行為特征、檢測異常行為并正確描述和識別；其中特征提取是考生行為智能識別的基礎，異常行為檢測是重要環節，通過識別正常行為，以判斷異常行為。目前異常行為檢測分為基于運動目標的和基于運動特征的兩個大類，基于運動目標的方法關注運動的個體，通過標注正常的個體來判斷異常個體，目前主要有行為對比和跟蹤兩種方法，行為對比大致有基于模板的、基于狀態空間的和基于模型的三種方法；模板匹配方法計算復雜度低實現簡單，但是對噪聲敏感；狀態空間法可很好避免模板匹配的缺點，但是需要復雜的迭代運算。跟蹤法通過跟蹤運動目標，獲得運動目標的運動詳情，確定目標，提取目標的顏色、紋理等特征，通過匹配或聚類，判斷跟蹤的目標是否正常。基于運動特征的異常行為檢測首先提取運動特征，根據正常行為特征與異常的差異來判斷行為是否異常。目前，考生特征包括考生側影特征和輪廓特征2種，側影特征計算量大，難以滿足實時性要求，因此目前識別考生行為主要采用輪廓特征。

2 常見的考生異常行為定義

視頻監考中，按照考場的紀律守則，考生的異常行為一般指作弊違紀行為，作弊行為包括考生向前、后、左或右轉頭，手臂向左或向右伸出，身體向左或向右傾斜，傳遞紙條，舉手示意，桌面出現異常物品，這些都是常見的考生異常行為，在此，通過建立X-Y直角坐標系，對幾種考生異常行為進行定義，并給出判定方法。

2.1 考生身體向左或向右傾斜

在考場視頻圖像中，選取由考生和課桌組成的單個考生子區域，以課桌左上角為坐標原點，建立X-Y坐標系，如圖1所示，限定人體的活動區域，正常讀寫狀態可用式(1)表示如下：

式(1)

其中xl≤xmax∩xr≥xmin，yt≤xmax∩yb≥xmin。

若xl>xmax，則考生身體向左傾斜，若xr

圖1 考生活動區域

圖2 Sobel算子

2.2 考生前后左右轉頭

2.3 手臂向左或向右伸出

3 考生檢測

人體行為識別的基礎是從靜態圖像或視頻序列中獲得感興趣目標的位置及大小等信息，即運動目標檢測。運動目標檢測的結果將對后續目標特征的提取、運動分析、運動理解等將產生重要影響。因此在計算機視覺分析中，運動目標檢測是一項關鍵技術。由于受陰影、遮擋、攝像機抖動等因素的干擾，檢測運動目標的算法的準確性、魯棒性和實時性仍然面臨著諸多挑戰。不同運動目標檢測方法有不同的特點，根據其特點可分為不同的類別。根據運動目標的類型，分為剛體和非剛體的目標檢測；根據場景中運動目標的數量，分為單目標和多目標的目標檢測；根據攝像頭是否運動，分為靜態背景和動態背景下的目標檢測。目前大多數視頻監控系統的攝像頭是固定的，因此廣大學者對靜態背景下的運動目標檢測算法開展了研究，常用有幀間差分、背景差分、光流、邊緣檢測等運動目標檢測算法。

3.1 幀間差分法

幀間差分法通過在連續幾幀圖像之間做差分，從而獲取圖像中的運動目標，是最常用的目標檢測方法之一。基本思想是將相鄰幾幀圖像相減做差分運算，對得到的差分圖像進行二值化處理，提取目標區域，該方法簡單、計算速度快，比較適合實時處理；但是該方法對環境噪聲較為敏感，閾值選擇是關鍵，閾值過小難以抑制圖像中的噪聲，閾值過大則易忽略圖像中有用的變化，無法完整地提取體積比較大、顏色一致的運動目標，在目標內部有可能產生空洞現象。常采用直方圖、迭代、自適應局部閾值和最大類間方差等確定閾值。

3.2 背景差分法

背景差分法是常用的運動目標檢測方法之一，它利用背景的參數模型來近似背景圖像的像素值，是一種有效的運動目標檢測方法。它的基本思想是將當前幀與背景模型進行差分，通過判定灰度等特征的變化或直方圖等統計信息的變化，來分割運動目標。因此背景建模、背景更新是該算法的關鍵。針對如何建立能夠適應不同場景的背景模型及背景模型如何自動更新，以減少場景變化對運動目標檢測的影響，學者們提出了許多背景建模算法，總體可以歸納為非回歸遞推和回歸遞推兩類。非回歸遞推利用最近時間段內存儲的新近觀測數據作為樣本建立背景模型，幀間差分法、中值濾波是最簡單的非回歸背景建模方法。回歸遞推算法通過回歸的方式基于輸入的每一幀圖像來更新某個時刻的背景模型，卡夫曼濾波、混合高斯模型等是廣泛應用的回歸遞推背景建模方法。與幀間差分法相比，背景差分法能夠檢測到視頻中停止運動的物體，但是，由于背景的更新增加了算法的復雜性，導致實時性變差。

3.3 邊緣檢測法

圖像的邊緣是圖像中灰度發生急劇變化的區域，一般對應一階導數較大，二階導數為零的點。邊緣檢測與幀間差分和背景差分法相比，利于運動目標的提取和鄰近運動目標的區分，對背景噪聲的魯棒性很好。常用的邊緣檢測算法很多，如Robert、Sobel、Canny和LOG算法等。Sobel算子結合了高斯平滑和微分，提取邊緣的效果比Robert好，比Canny和LOG算子運算復雜度低，實時性好，因此本文選用Sobel算子作為邊緣算子。Sobel算子是3×3的算子模板，圖2所示的dx,dy卷積核形成Sobel算子，利用式(2)獲得橫向梯度Gx、式(3)獲得縱向梯度Gy，利用式(4)獲得該像素點的梯度值，對圖像的每一個像素點進行閾值處理從而獲得一幅圖的邊緣圖像。

式(2)

式(3)

式(4)

3.4 幀間差分和邊緣檢測相結合提取考生

基本思路如下：首先對Fk(x,y)、Fk+1(x,y)、Fk+2(x,y)三幀連續圖像用Sobel算子進行邊緣檢測，得到三幀邊緣圖像Ek(x,y)、Ek+1(x,y)，以及Ek+2(x,y)，然后對三幀邊緣圖像進行三幀差分，再采用最大類間方差確定二值化的閾值，進行二值化處理，提取考生目標，最后進行形態學腐蝕運算去除孤立的小區域，進行膨脹運算填充小間隙，一方面消除噪聲，同時可以平滑圖像。[7]

4 結語

考生異常行為智能識別對于保證考試的公平性具有重要的意義，所以，對智能化考試狀態識別方法的研究，已經成為計算機監控領域研究的熱點問題。圍繞考生異常行為識別的要求，對常見的考生異常行為進行了定義，比較分析了常用的幾種運動目標檢測方法，采用幀間差分法和邊緣檢測相結合檢測考生，獲取連續三幀圖像的邊緣圖像，對連續的邊緣圖像進行差分，采用最大類間方差法確定閾值，進行閾值分割，提取考生，進行形態學處理，進一步消除噪聲，平滑圖像；該方法計算簡單，且具有較好的魯棒性。

[1] 李貴兵,譚穎,吳兵，等.基于生物識別技術的考試身份認證系統的框架設計[J].計算機信息與技術,2007(8):5-7.

[2] 羅葉飛,劉建勛.基于特征表的過程測評計算機一級考試系統的設計與實現[J].計算機應用與軟件,2011,28(9):45-47．

[3] 徐光迎,張東輝,李龍.一種通用考試平臺的開放式人機交互設計[J].計算機應用與軟件,2012,29(8):156-159．

[4] 李仕強,王水平.基于指紋特征的考生身份認證系統[J].計算機工程,2006,32(21):160-161.

[5] 許敏,王士同.PSO優化的神經網絡在教學質量評價中的應用[J].計算機工程與設計,2008,29(20):5327-5329.

[6] 李靖.電子監考異常行為的檢測與研究[D].太原:太原理工大學,2013．

[7] 甘明剛,陳杰,劉勁，等.一種基于三幀差分和邊緣信息的運動目標檢測方法[J].電子與信息學報,2010,32(4):894-897.

責任編輯：凈 草

2017-04-11

本文系2017年安徽省高校自然科學重點研究項目“基于視頻的考生異常行為識別系統的研究與設計”(編號：KJ2017A525)、2016年安徽省高校學科(專業)拔尖人才學術資助重點項目(編號：gxbjZD2016113)和2014年淮北職業技術學院質量工程“軟件技術教學團隊”(編號：2014jxtd-02)階段性研究成果。

李凌(1971—)，女，安徽蕭縣人，副教授，碩士，研究方向:圖像處理、信息處理。

TP391

A

1671-8275(2017)03-0128-03