李 凌

(淮北職業(yè)技術(shù)學(xué)院 計算機科學(xué)技術(shù)系,安徽 淮北 235000)

·應(yīng)用技術(shù)研究·

考生異常行為識別技術(shù)研究

李 凌

(淮北職業(yè)技術(shù)學(xué)院 計算機科學(xué)技術(shù)系,安徽 淮北 235000)

考試中存在的違紀(jì)、作弊行為嚴(yán)重影響了考試的公平、公正。傳統(tǒng)的人工監(jiān)考可能存在作弊違紀(jì)行為的漏判或誤判?？忌惓Ｐ袨橹悄茏R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(biāo)檢測方法，采用幀間差分和邊緣檢測相結(jié)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(biāo)檢測

考試中存在著的違紀(jì)、作弊行為，嚴(yán)重影響了考試的公平、公正。因此準(zhǔn)確識別、及時提醒和制止考生違紀(jì)作弊行為，對于保證考試的公平性具有重要的意義。[1]國務(wù)院和教育部先后頒布系列相關(guān)條例和規(guī)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(dǎo)意義；國家教育部頒布的《國家教育考試違規(guī)處理辦法》將考生可能發(fā)生的違規(guī)行為從宏觀上分為違紀(jì)9種和作弊9種，違紀(jì)和作弊這兩種違規(guī)行為之間的差異較少，一般情況下很難界定。

傳統(tǒng)的人工監(jiān)考可能存在作弊違紀(jì)行為的漏判或誤判。近年視頻監(jiān)控廣泛應(yīng)用于考試中，[2]由于考生行為的多樣性，若僅由監(jiān)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(yīng)用價值，是目前計算機視覺的重要研究課題。[3]國內(nèi)外一些學(xué)者進行了相關(guān)研究，提出了許多有效的考生行為自動識別方法。[4]一些學(xué)者將機器學(xué)習(xí)算法和人工智能技術(shù)應(yīng)用到考生行為自動識別中，出現(xiàn)了支持向量機、基于神經(jīng)網(wǎng)絡(luò)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(zhì)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(gòu)建行為分類器。在考生行為實時視頻監(jiān)控中，首先要獲取目標(biāo)，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(chǔ)，異常行為檢測是重要環(huán)節(jié)，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(biāo)的和基于運動特征的兩個大類，基于運動目標(biāo)的方法關(guān)注運動的個體，通過標(biāo)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(tài)空間的和基于模型的三種方法；模板匹配方法計算復(fù)雜度低實現(xiàn)簡單，但是對噪聲敏感；狀態(tài)空間法可很好避免模板匹配的缺點，但是需要復(fù)雜的迭代運算。跟蹤法通過跟蹤運動目標(biāo)，獲得運動目標(biāo)的運動詳情，確定目標(biāo)，提取目標(biāo)的顏色、紋理等特征，通過匹配或聚類，判斷跟蹤的目標(biāo)是否正常?；谶\動特征的異常行為檢測首先提取運動特征，根據(jù)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(cè)影特征和輪廓特征2種，側(cè)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(jiān)考中，按照考場的紀(jì)律守則，考生的異常行為一般指作弊違紀(jì)行為，作弊行為包括考生向前、后、左或右轉(zhuǎn)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(xiàn)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(biāo)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(qū)域，以課桌左上角為坐標(biāo)原點，建立X-Y坐標(biāo)系，如圖1所示，限定人體的活動區(qū)域，正常讀寫狀態(tài)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(qū)域

圖2 Sobel算子

2.2 考生前后左右轉(zhuǎn)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(chǔ)是從靜態(tài)圖像或視頻序列中獲得感興趣目標(biāo)的位置及大小等信息，即運動目標(biāo)檢測。運動目標(biāo)檢測的結(jié)果將對后續(xù)目標(biāo)特征的提取、運動分析、運動理解等將產(chǎn)生重要影響。因此在計算機視覺分析中，運動目標(biāo)檢測是一項關(guān)鍵技術(shù)。由于受陰影、遮擋、攝像機抖動等因素的干擾，檢測運動目標(biāo)的算法的準(zhǔn)確性、魯棒性和實時性仍然面臨著諸多挑戰(zhàn)。不同運動目標(biāo)檢測方法有不同的特點，根據(jù)其特點可分為不同的類別。根據(jù)運動目標(biāo)的類型，分為剛體和非剛體的目標(biāo)檢測；根據(jù)場景中運動目標(biāo)的數(shù)量，分為單目標(biāo)和多目標(biāo)的目標(biāo)檢測；根據(jù)攝像頭是否運動，分為靜態(tài)背景和動態(tài)背景下的目標(biāo)檢測。目前大多數(shù)視頻監(jiān)控系統(tǒng)的攝像頭是固定的，因此廣大學(xué)者對靜態(tài)背景下的運動目標(biāo)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(biāo)檢測算法。

3.1 幀間差分法

幀間差分法通過在連續(xù)幾幀圖像之間做差分，從而獲取圖像中的運動目標(biāo)，是最常用的目標(biāo)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(biāo)區(qū)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(huán)境噪聲較為敏感，閾值選擇是關(guān)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(biāo)，在目標(biāo)內(nèi)部有可能產(chǎn)生空洞現(xiàn)象。常采用直方圖、迭代、自適應(yīng)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(biāo)檢測方法之一，它利用背景的參數(shù)模型來近似背景圖像的像素值，是一種有效的運動目標(biāo)檢測方法。它的基本思想是將當(dāng)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(tǒng)計信息的變化，來分割運動目標(biāo)。因此背景建模、背景更新是該算法的關(guān)鍵。針對如何建立能夠適應(yīng)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(biāo)檢測的影響，學(xué)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(nèi)存儲的新近觀測數(shù)據(jù)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(yīng)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(fù)雜性，導(dǎo)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(fā)生急劇變化的區(qū)域，一般對應(yīng)一階導(dǎo)數(shù)較大，二階導(dǎo)數(shù)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(biāo)的提取和鄰近運動目標(biāo)的區(qū)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(jié)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(fù)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(jié)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(xù)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(biāo)，最后進行形態(tài)學(xué)腐蝕運算去除孤立的小區(qū)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(jié)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(tài)識別方法的研究，已經(jīng)成為計算機監(jiān)控領(lǐng)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(biāo)檢測方法，采用幀間差分法和邊緣檢測相結(jié)合檢測考生，獲取連續(xù)三幀圖像的邊緣圖像，對連續(xù)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(tài)學(xué)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(shù)的考試身份認證系統(tǒng)的框架設(shè)計[J].計算機信息與技術(shù),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(tǒng)的設(shè)計與實現(xiàn)[J].計算機應(yīng)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(shè)計[J].計算機應(yīng)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(tǒng)[J].計算機工程,2006,32(21):160-161.

[5] 許敏,王士同.PSO優(yōu)化的神經(jīng)網(wǎng)絡(luò)在教學(xué)質(zhì)量評價中的應(yīng)用[J].計算機工程與設(shè)計,2008,29(20):5327-5329.

[6] 李靖.電子監(jiān)考異常行為的檢測與研究[D].太原:太原理工大學(xué),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(biāo)檢測方法[J].電子與信息學(xué)報,2010,32(4):894-897.

責(zé)任編輯：凈 草

2017-04-11

本文系2017年安徽省高校自然科學(xué)重點研究項目“基于視頻的考生異常行為識別系統(tǒng)的研究與設(shè)計”(編號：KJ2017A525)、2016年安徽省高校學(xué)科(專業(yè))拔尖人才學(xué)術(shù)資助重點項目(編號：gxbjZD2016113)和2014年淮北職業(yè)技術(shù)學(xué)院質(zhì)量工程“軟件技術(shù)教學(xué)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