考生异常行为识别技术研究

李 凌

(淮北职业技术学院 计算机科学技术系,安徽 淮北 235000)

·应用技术研究·

考生异常行为识别技术研究

李 凌

(淮北职业技术学院 计算机科学技术系,安徽 淮北 235000)

考试中存在的违纪、作弊行为严重影响了考试的公平、公正。传统的人工监考可能存在作弊违纪行为的漏判或误判。考生异常行为智能识别对于保证考试的公平性具有重要意义。围绕考生异常行为智能识别的要求，定义了常见的考生异常行为，比较分析常用的运动目标检测方法，采用帧间差分和边缘检测相结合检测考生，该方法计算简单，具有较好的鲁棒性。

识别；异常行为；目标检测

考试中存在着的违纪、作弊行为，严重影响了考试的公平、公正。因此准确识别、及时提醒和制止考生违纪作弊行为，对于保证考试的公平性具有重要的意义。[1]国务院和教育部先后颁布系列相关条例和规定，对被视作的作弊行为进行了解释、说明，这对判断、识别考生异常行为具有一定指导意义；国家教育部颁布的《国家教育考试违规处理办法》将考生可能发生的违规行为从宏观上分为违纪9种和作弊9种，违纪和作弊这两种违规行为之间的差异较少，一般情况下很难界定。

传统的人工监考可能存在作弊违纪行为的漏判或误判。近年视频监控广泛应用于考试中，[2]由于考生行为的多样性，若仅由监控人员对大量的实时视频进行分析，不仅效率低下，并且识别的正确率较低，因此自动识别考生行为具有十分重要的应用价值，是目前计算机视觉的重要研究课题。[3]国内外一些学者进行了相关研究，提出了许多有效的考生行为自动识别方法。[4]一些学者将机器学习算法和人工智能技术应用到考生行为自动识别中，出现了支持向量机、基于神经网络等考生行为识别方法。[5]

1 考生异常行为智能识别

考生行为智能识别是指通过机器语言、算法分析来描述考生的行为，并用自然语言理解，即判断欲测试序列图像与已建立的异常行为参考序列图像是否匹配，其实质是把考生的行为分为正常行为和作弊行为，是一种两分类问题，主要包括提取考生行为特征和构建行为分类器。在考生行为实时视频监控中，首先要获取目标，然后提取行为特征、检测异常行为并正确描述和识别；其中特征提取是考生行为智能识别的基础，异常行为检测是重要环节，通过识别正常行为，以判断异常行为。目前异常行为检测分为基于运动目标的和基于运动特征的两个大类，基于运动目标的方法关注运动的个体，通过标注正常的个体来判断异常个体，目前主要有行为对比和跟踪两种方法，行为对比大致有基于模板的、基于状态空间的和基于模型的三种方法；模板匹配方法计算复杂度低实现简单，但是对噪声敏感；状态空间法可很好避免模板匹配的缺点，但是需要复杂的迭代运算。跟踪法通过跟踪运动目标，获得运动目标的运动详情，确定目标，提取目标的颜色、纹理等特征，通过匹配或聚类，判断跟踪的目标是否正常。基于运动特征的异常行为检测首先提取运动特征，根据正常行为特征与异常的差异来判断行为是否异常。目前，考生特征包括考生侧影特征和轮廓特征2种，侧影特征计算量大，难以满足实时性要求，因此目前识别考生行为主要采用轮廓特征。

2 常见的考生异常行为定义

视频监考中，按照考场的纪律守则，考生的异常行为一般指作弊违纪行为，作弊行为包括考生向前、后、左或右转头，手臂向左或向右伸出，身体向左或向右倾斜，传递纸条，举手示意，桌面出现异常物品，这些都是常见的考生异常行为，在此，通过建立X-Y直角坐标系，对几种考生异常行为进行定义，并给出判定方法。

2.1 考生身体向左或向右倾斜

在考场视频图像中，选取由考生和课桌组成的单个考生子区域，以课桌左上角为坐标原点，建立X-Y坐标系，如图1所示，限定人体的活动区域，正常读写状态可用式(1)表示如下：

式(1)

其中xl≤xmax∩xr≥xmin，yt≤xmax∩yb≥xmin。

若xl>xmax，则考生身体向左倾斜，若xr

图1 考生活动区域

图2 Sobel算子

2.2 考生前后左右转头

2.3 手臂向左或向右伸出

3 考生检测

人体行为识别的基础是从静态图像或视频序列中获得感兴趣目标的位置及大小等信息，即运动目标检测。运动目标检测的结果将对后续目标特征的提取、运动分析、运动理解等将产生重要影响。因此在计算机视觉分析中，运动目标检测是一项关键技术。由于受阴影、遮挡、摄像机抖动等因素的干扰，检测运动目标的算法的准确性、鲁棒性和实时性仍然面临着诸多挑战。不同运动目标检测方法有不同的特点，根据其特点可分为不同的类别。根据运动目标的类型，分为刚体和非刚体的目标检测；根据场景中运动目标的数量，分为单目标和多目标的目标检测；根据摄像头是否运动，分为静态背景和动态背景下的目标检测。目前大多数视频监控系统的摄像头是固定的，因此广大学者对静态背景下的运动目标检测算法开展了研究，常用有帧间差分、背景差分、光流、边缘检测等运动目标检测算法。

3.1 帧间差分法

帧间差分法通过在连续几帧图像之间做差分，从而获取图像中的运动目标，是最常用的目标检测方法之一。基本思想是将相邻几帧图像相减做差分运算，对得到的差分图像进行二值化处理，提取目标区域，该方法简单、计算速度快，比较适合实时处理；但是该方法对环境噪声较为敏感，阈值选择是关键，阈值过小难以抑制图像中的噪声，阈值过大则易忽略图像中有用的变化，无法完整地提取体积比较大、颜色一致的运动目标，在目标内部有可能产生空洞现象。常采用直方图、迭代、自适应局部阈值和最大类间方差等确定阈值。

3.2 背景差分法

背景差分法是常用的运动目标检测方法之一，它利用背景的参数模型来近似背景图像的像素值，是一种有效的运动目标检测方法。它的基本思想是将当前帧与背景模型进行差分，通过判定灰度等特征的变化或直方图等统计信息的变化，来分割运动目标。因此背景建模、背景更新是该算法的关键。针对如何建立能够适应不同场景的背景模型及背景模型如何自动更新，以减少场景变化对运动目标检测的影响，学者们提出了许多背景建模算法，总体可以归纳为非回归递推和回归递推两类。非回归递推利用最近时间段内存储的新近观测数据作为样本建立背景模型，帧间差分法、中值滤波是最简单的非回归背景建模方法。回归递推算法通过回归的方式基于输入的每一帧图像来更新某个时刻的背景模型，卡夫曼滤波、混合高斯模型等是广泛应用的回归递推背景建模方法。与帧间差分法相比，背景差分法能够检测到视频中停止运动的物体，但是，由于背景的更新增加了算法的复杂性，导致实时性变差。

3.3 边缘检测法

图像的边缘是图像中灰度发生急剧变化的区域，一般对应一阶导数较大，二阶导数为零的点。边缘检测与帧间差分和背景差分法相比，利于运动目标的提取和邻近运动目标的区分，对背景噪声的鲁棒性很好。常用的边缘检测算法很多，如Robert、Sobel、Canny和LOG算法等。Sobel算子结合了高斯平滑和微分，提取边缘的效果比Robert好，比Canny和LOG算子运算复杂度低，实时性好，因此本文选用Sobel算子作为边缘算子。Sobel算子是3×3的算子模板，图2所示的dx,dy卷积核形成Sobel算子，利用式(2)获得横向梯度Gx、式(3)获得纵向梯度Gy，利用式(4)获得该像素点的梯度值，对图像的每一个像素点进行阈值处理从而获得一幅图的边缘图像。

式(2)

式(3)

式(4)

3.4 帧间差分和边缘检测相结合提取考生

基本思路如下：首先对Fk(x,y)、Fk+1(x,y)、Fk+2(x,y)三帧连续图像用Sobel算子进行边缘检测，得到三帧边缘图像Ek(x,y)、Ek+1(x,y)，以及Ek+2(x,y)，然后对三帧边缘图像进行三帧差分，再采用最大类间方差确定二值化的阈值，进行二值化处理，提取考生目标，最后进行形态学腐蚀运算去除孤立的小区域，进行膨胀运算填充小间隙，一方面消除噪声，同时可以平滑图像。[7]

4 结语

考生异常行为智能识别对于保证考试的公平性具有重要的意义，所以，对智能化考试状态识别方法的研究，已经成为计算机监控领域研究的热点问题。围绕考生异常行为识别的要求，对常见的考生异常行为进行了定义，比较分析了常用的几种运动目标检测方法，采用帧间差分法和边缘检测相结合检测考生，获取连续三帧图像的边缘图像，对连续的边缘图像进行差分，采用最大类间方差法确定阈值，进行阈值分割，提取考生，进行形态学处理，进一步消除噪声，平滑图像；该方法计算简单，且具有较好的鲁棒性。

[1] 李贵兵,谭颖,吴兵，等.基于生物识别技术的考试身份认证系统的框架设计[J].计算机信息与技术,2007(8):5-7.

[2] 罗叶飞,刘建勋.基于特征表的过程测评计算机一级考试系统的设计与实现[J].计算机应用与软件,2011,28(9):45-47．

[3] 徐光迎,张东辉,李龙.一种通用考试平台的开放式人机交互设计[J].计算机应用与软件,2012,29(8):156-159．

[4] 李仕强,王水平.基于指纹特征的考生身份认证系统[J].计算机工程,2006,32(21):160-161.

[5] 许敏,王士同.PSO优化的神经网络在教学质量评价中的应用[J].计算机工程与设计,2008,29(20):5327-5329.

[6] 李靖.电子监考异常行为的检测与研究[D].太原:太原理工大学,2013．

[7] 甘明刚,陈杰,刘劲，等.一种基于三帧差分和边缘信息的运动目标检测方法[J].电子与信息学报,2010,32(4):894-897.

责任编辑：净 草

2017-04-11

本文系2017年安徽省高校自然科学重点研究项目“基于视频的考生异常行为识别系统的研究与设计”(编号：KJ2017A525)、2016年安徽省高校学科(专业)拔尖人才学术资助重点项目(编号：gxbjZD2016113)和2014年淮北职业技术学院质量工程“软件技术教学团队”(编号：2014jxtd-02)阶段性研究成果。

李凌(1971—)，女，安徽萧县人，副教授，硕士，研究方向:图像处理、信息处理。

TP391

A

1671-8275(2017)03-0128-03