李 凌

(淮北職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)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(shí)別技術(shù)研究

李 凌

(淮北職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)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。考生異常行為智能識(shí)別對(duì)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(shí)別的要求，定義了常見的考生異常行為，比較分析常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，采用幀間差分和邊緣檢測(cè)相結(jié)合檢測(cè)考生，該方法計(jì)算簡(jiǎn)單，具有較好的魯棒性。

識(shí)別；異常行為；目標(biāo)檢測(cè)

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(shí)別、及時(shí)提醒和制止考生違紀(jì)作弊行為，對(duì)于保證考試的公平性具有重要的意義。[1]國(guó)務(wù)院和教育部先后頒布系列相關(guān)條例和規(guī)定，對(duì)被視作的作弊行為進(jìn)行了解釋、說明，這對(duì)判斷、識(shí)別考生異常行為具有一定指導(dǎo)意義；國(guó)家教育部頒布的《國(guó)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(duì)大量的實(shí)時(shí)視頻進(jìn)行分析，不僅效率低下，并且識(shí)別的正確率較低，因此自動(dòng)識(shí)別考生行為具有十分重要的應(yīng)用價(jià)值，是目前計(jì)算機(jī)視覺的重要研究課題。[3]國(guó)內(nèi)外一些學(xué)者進(jìn)行了相關(guān)研究，提出了許多有效的考生行為自動(dòng)識(shí)別方法。[4]一些學(xué)者將機(jī)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(dòng)識(shí)別中，出現(xiàn)了支持向量機(jī)、基于神經(jīng)網(wǎng)絡(luò)等考生行為識(shí)別方法。[5]

1 考生異常行為智能識(shí)別

考生行為智能識(shí)別是指通過機(jī)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(cè)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(shí)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(shí)時(shí)視頻監(jiān)控中，首先要獲取目標(biāo)，然后提取行為特征、檢測(cè)異常行為并正確描述和識(shí)別；其中特征提取是考生行為智能識(shí)別的基礎(chǔ)，異常行為檢測(cè)是重要環(huán)節(jié)，通過識(shí)別正常行為，以判斷異常行為。目前異常行為檢測(cè)分為基于運(yùn)動(dòng)目標(biāo)的和基于運(yùn)動(dòng)特征的兩個(gè)大類，基于運(yùn)動(dòng)目標(biāo)的方法關(guān)注運(yùn)動(dòng)的個(gè)體，通過標(biāo)注正常的個(gè)體來判斷異常個(gè)體，目前主要有行為對(duì)比和跟蹤兩種方法，行為對(duì)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(jì)算復(fù)雜度低實(shí)現(xiàn)簡(jiǎn)單，但是對(duì)噪聲敏感；狀態(tài)空間法可很好避免模板匹配的缺點(diǎn)，但是需要復(fù)雜的迭代運(yùn)算。跟蹤法通過跟蹤運(yùn)動(dòng)目標(biāo)，獲得運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)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。基于運(yùn)動(dòng)特征的異常行為檢測(cè)首先提取運(yùn)動(dòng)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(jì)算量大，難以滿足實(shí)時(shí)性要求，因此目前識(shí)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(chǎng)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(duì)幾種考生異常行為進(jìn)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(chǎng)視頻圖像中，選取由考生和課桌組成的單個(gè)考生子區(qū)域，以課桌左上角為坐標(biāo)原點(diǎn)，建立X-Y坐標(biāo)系，如圖1所示，限定人體的活動(dòng)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(dòng)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(cè)

人體行為識(shí)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(yùn)動(dòng)目標(biāo)檢測(cè)。運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果將對(duì)后續(xù)目標(biāo)特征的提取、運(yùn)動(dòng)分析、運(yùn)動(dòng)理解等將產(chǎn)生重要影響。因此在計(jì)算機(jī)視覺分析中，運(yùn)動(dòng)目標(biāo)檢測(cè)是一項(xiàng)關(guān)鍵技術(shù)。由于受陰影、遮擋、攝像機(jī)抖動(dòng)等因素的干擾，檢測(cè)運(yùn)動(dòng)目標(biāo)的算法的準(zhǔn)確性、魯棒性和實(shí)時(shí)性仍然面臨著諸多挑戰(zhàn)。不同運(yùn)動(dòng)目標(biāo)檢測(cè)方法有不同的特點(diǎn)，根據(jù)其特點(diǎn)可分為不同的類別。根據(jù)運(yùn)動(dòng)目標(biāo)的類型，分為剛體和非剛體的目標(biāo)檢測(cè)；根據(jù)場(chǎng)景中運(yùn)動(dòng)目標(biāo)的數(shù)量，分為單目標(biāo)和多目標(biāo)的目標(biāo)檢測(cè)；根據(jù)攝像頭是否運(yùn)動(dòng)，分為靜態(tài)背景和動(dòng)態(tài)背景下的目標(biāo)檢測(cè)。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(duì)靜態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)算法開展了研究，常用有幀間差分、背景差分、光流、邊緣檢測(cè)等運(yùn)動(dòng)目標(biāo)檢測(cè)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(yùn)動(dòng)目標(biāo)，是最常用的目標(biāo)檢測(cè)方法之一?；舅枷胧菍⑾噜弾讕瑘D像相減做差分運(yùn)算，對(duì)得到的差分圖像進(jìn)行二值化處理，提取目標(biāo)區(qū)域，該方法簡(jiǎn)單、計(jì)算速度快，比較適合實(shí)時(shí)處理；但是該方法對(duì)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(yùn)動(dòng)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(yùn)動(dòng)目標(biāo)檢測(cè)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(yùn)動(dòng)目標(biāo)檢測(cè)方法。它的基本思想是將當(dāng)前幀與背景模型進(jìn)行差分，通過判定灰度等特征的變化或直方圖等統(tǒng)計(jì)信息的變化，來分割運(yùn)動(dòng)目標(biāo)。因此背景建模、背景更新是該算法的關(guān)鍵。針對(duì)如何建立能夠適應(yīng)不同場(chǎng)景的背景模型及背景模型如何自動(dòng)更新，以減少場(chǎng)景變化對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)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(shí)間段內(nèi)存儲(chǔ)的新近觀測(cè)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(jiǎn)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(gè)時(shí)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(cè)到視頻中停止運(yùn)動(dòng)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(shí)時(shí)性變差。

3.3 邊緣檢測(cè)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(duì)應(yīng)一階導(dǎo)數(shù)較大，二階導(dǎo)數(shù)為零的點(diǎn)。邊緣檢測(cè)與幀間差分和背景差分法相比，利于運(yùn)動(dòng)目標(biāo)的提取和鄰近運(yùn)動(dòng)目標(biāo)的區(qū)分，對(duì)背景噪聲的魯棒性很好。常用的邊緣檢測(cè)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(yùn)算復(fù)雜度低，實(shí)時(shí)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(diǎn)的梯度值，對(duì)圖像的每一個(gè)像素點(diǎn)進(jìn)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(cè)相結(jié)合提取考生

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

4 結(jié)語

考生異常行為智能識(shí)別對(duì)于保證考試的公平性具有重要的意義，所以，對(duì)智能化考試狀態(tài)識(shí)別方法的研究，已經(jīng)成為計(jì)算機(jī)監(jiān)控領(lǐng)域研究的熱點(diǎn)問題。圍繞考生異常行為識(shí)別的要求，對(duì)常見的考生異常行為進(jìn)行了定義，比較分析了常用的幾種運(yùn)動(dòng)目標(biāo)檢測(cè)方法，采用幀間差分法和邊緣檢測(cè)相結(jié)合檢測(cè)考生，獲取連續(xù)三幀圖像的邊緣圖像，對(duì)連續(xù)的邊緣圖像進(jìn)行差分，采用最大類間方差法確定閾值，進(jìn)行閾值分割，提取考生，進(jìn)行形態(tài)學(xué)處理，進(jìn)一步消除噪聲，平滑圖像；該方法計(jì)算簡(jiǎn)單，且具有較好的魯棒性。

[1] 李貴兵,譚穎,吳兵，等.基于生物識(shí)別技術(shù)的考試身份認(rèn)證系統(tǒng)的框架設(shè)計(jì)[J].計(jì)算機(jī)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(cè)評(píng)計(jì)算機(jī)一級(jí)考試系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)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(tái)的開放式人機(jī)交互設(shè)計(jì)[J].計(jì)算機(jī)應(yīng)用與軟件,2012,29(8):156-159．

[4] 李仕強(qiáng),王水平.基于指紋特征的考生身份認(rèn)證系統(tǒng)[J].計(jì)算機(jī)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(píng)價(jià)中的應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì),2008,29(20):5327-5329.

[6] 李靖.電子監(jiān)考異常行為的檢測(cè)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(yùn)動(dòng)目標(biāo)檢測(cè)方法[J].電子與信息學(xué)報(bào),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(diǎn)研究項(xiàng)目“基于視頻的考生異常行為識(shí)別系統(tǒng)的研究與設(shè)計(jì)”(編號(hào)：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(diǎn)項(xiàng)目(編號(hào)：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(tuán)隊(duì)”(編號(hào)：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