APP下载

基于图像识别的在线考试实时监测方法

2023-11-21余子恺赵竞远

嘉兴学院学报 2023年6期
关键词:图像识别作弊直方图

余子恺,陈 丽,赵竞远,彭 欢

(1.嘉兴学院 信息科学与工程学院,浙江嘉兴3140001;2.江西财经大学 软件与物联网工程学院,江西南昌330013)

随着信息技术与网络技术的快速发展,在线考试可以突破时空局限以其无纸化且不受时间与空间限制等优势成为传统考试的一种延伸与变革,并有替代传统考试的趋势.[1]正因如此,在线考试防作弊技术也从最初的人工监测、视频监测等非智能方法转向人脸识别等智能化在线考试监测形式,其技术水平不断提高.[2]

文献[3]将图像相似度比对技术结合哈希算法应用于在线考试监考中,可以有效减少考生作弊行为,大幅减轻监考老师的工作量.文献[4]将人脸识别技术应用于在线考试防作弊系统中,通过考前人脸识别身份认证,可有效识别替考等作弊行为的发生.文献[5]构建考生作弊行为的训练数据集,利用OpenCV平台对作弊行为进行分类.文献[6]通过人脸检测设计并实现了一个实时基于图像识别的监考系统.

1 基于图像识别的异常行为实时动态监测方法

图1 在线考试实时动态监测流程示意图

本文基于图像识别技术进行设计,以期在考前对考生进行身份认证、考中对考生行为进行实时动态监测并对是否存在异常和作弊行为进行研判.

图1是在线考试实时动态监测流程示意图.基于图像识别异常行为实时动态监测的具体流程如下:

第一,系统在考生登录时对考生进行人脸扫描,提取、采集人脸图像上的关键点,并与后台数据库中考生的人脸图像进行比对,比对结果成功则考生完成身份认证进入在线考试系统,否则无法进入;

第二,在线考试过程中,定时采集考生人脸图像,并上传至服务器——图片经图像预处理后,进行人脸及非法设备检测与识别,而其中如有异常行为的检测结果,则自主动态调整监测频率.

A.若检测到异常,则将实时监测及识别的异常行为图片保存,并自主动态提高监测频率.

B.通过对替考、多人作答、擅自离开、中途换人、非法设备带入以及浏览其他网址等行为的识别,判断考生行为是否异常.

C.根据在线考试过程中抓取到的考生异常行为图像,根据考试规则,进一步研判考生是否作弊.

1.1 基于自主动态调整采集频率的图像采集

在考试前,采集考生的人脸图像用于身份认证;在考试过程中,以一定频率采集考生的人脸图像,用于考生异常行为的实时检测.当检测到考生有异常行为时,保存异常行为图片,并自主动态缩短采集图像的时间间隔,提高采集频率,用于进一步研判其行为是否异常,降低误判率,提高异常行为监测的准确率.

在基于一定的频率采集图像的基础上,又不定时地随机抓取在线考试图像数据,进行异常行为识别与检测,进一步提高对考生作弊行为研判的准确率.

1.2 图像的预处理

人脸检测与识别算法对图像的质量要求较高,考生所处环境的光照、人脸的大小、在图像中的位置、人脸微表情等都会对人脸检测与识别产生影响.[7]因此,图像采集后,在对考生进行人脸检测与识别前,需要对图像进行预处理,主要包括图像灰度化和直方图均衡化.

1.2.1 图像灰度化

采用了色彩空间转换函数对图像进行灰度化处理,选择图像转换的类别为COLOR_BGRAY2BGR,将BGR图像转换为灰度图.[8]

1.2.2 直方图均衡化

直方图均衡化运用的是灰度图像直方图均衡化函数,该函数用于提高图像质量,它将原始的直方图变换为均匀分布于整个灰度(0-255)内的形式,从而增加像素灰度值的动态范围,增强了图像整体对比度,使图像细节更加清晰.图像的预处理过程如图2所示.

(a)采集图像(b)图像灰度化(c)图像均衡化

1.3 人脸识别及异常设备检测

1.3.1 人脸识别

考生人脸图像经预处理后,可以通过人脸比对进行考生身份认证.

一是加载级联分类器.OpenCV视觉库中有很多训练好的级联分类器,因此,可选用OpenCV中人脸样本训练出的级联分类器进行人脸检测.

图3 人脸检测

二是读入图片.将经过图像灰度化和直方图均衡化处理的图片读入系统.

三是检测人脸.通过对所读取的图片进行人脸检测,判断图像中是否有人脸以及是否有多个人脸.主要运用OpenCV视觉库中的目标检测函数和训练好的级联分类器完成对图片中人脸检测的功能.人脸检测和定位的结果如图3所示.

四是进行识别.考生图像经上述操作后,与考生本地图片进行人脸相似度比较,从而达到对考生身份验证的目的.通过函数进行直方图比较,比对两张图片的人脸相似度,返回值res为相似度,其值越接近1表明人脸越相似.

人脸识别的整个流程为:首先读入考生图片,进行图像灰度化和直方图均衡化处理,对经图像预处理后的图片进行人脸检测,判断考生人脸数是否为1,若为1则进行人脸比对,判断是否为考生本人作答,实现人脸识别全流程.

1.3.2 异常设备识别

在线监测基于百度智能云通用物体和场景识别API进行异常设备的识别,对于输入的图片,该接口会输出图片中的物品名称,若其中存在电子设备或书籍,则确认考生存在携带非法设备作答嫌疑,自动发出警告.

1.4 异常行为检测

异常行为检测主要通过人脸检测、身份验证及非法设备识别等方式实现.采集获取的图片经图像预处理后,应用人脸检测技术对考生图像进行人脸数量检测.当检测到0个或多个人脸时,将判定为异常;如果检测到1个人脸,将进行人脸识别身份验证,与考生注册时上传的本人照片进行比对,得出人脸相似度,并设定合理阈值,当相似度超出设定的阈值,则认为非考生本人作答,从而判断考生是不是其本人在考试;同时,进行非法设备识别与判定,对考生访问的URL地址进行监听,从而判断考生是否非法访问非在线考试的其他网址或界面,具体如表1所示.

表1 异常行为判别

注:T1、T2为预设的阈值

使用函数捕获考生考试过程中的图片,利用函数将捕获的图片与考生本人照片进行相似度比对,得出人脸相似度,设定阈值为0.75,当相似度大于该值时,判定人脸匹配,是考生本人作答;当相似度小于该阈值时,判定非考生本人作答.通过以上方法实时动态对考生进行身份验证,实现在线考试的全过程实时身份认证防作弊的功能.

2 实验结果与分析

在线考试实时监测需要识别多人考试、替考、中途换人、擅自离开及携带非法设备作答等违反考试规则的行为.考生身份认证成功正常进入在线考试系统后,通过仿真实验验证本文方法在考试过程中基于人脸检测与识别及图像识别非法设备等技术实现对异常行为检测与识别的有效性.

如表2所示,考生躲避摄像头答题,系统检测不到人脸或无法识别身份,将被判定为异常行为;考试过程中实时动态抓取考生人脸图像进行身份认证,检测到1个人脸与考生人脸信息不匹配,则判定为考试中途换人,将作为作弊处理;检测人脸数量多于1个,将判定为异常行为,上报核查;考生使用违规电子产品和纸质专业书籍进行作答,将作为作弊处理;没检测到异常行为,则判定为考试正常.

表2 防作弊功能测试

如图4,仿真实验的结果表明,基于图像识别的在线考试实时监测算法能够实时、动态监测到考生的异常行为,对考生异常行为的识别准确率达到应用标准,符合在线考试的监考要求,有助于提高在线考试的监考性能.

(a)正常考试(b)中途换人(c)多人作答(d)擅自离开(f)携带非法设备

3 结语

针对在线考试作弊问题,本文的基于图像识别异常行为实时动态监测方法,可以有效实现对替考、多人作答、擅自离开、中途换人以及非法设备带入等作弊行为的检测,真人仿真实验的结果也表明了其有效性.该系统在增强考试便利性、实时性的同时,实现了在线考试的防作弊功能,有效保证了考试的公平公正,对实现在线考试无纸化、智能化、便利化发展具有积极意义.

猜你喜欢

图像识别作弊直方图
符合差分隐私的流数据统计直方图发布
作弊
基于Resnet-50的猫狗图像识别
高速公路图像识别技术应用探讨
用直方图控制画面影调
图像识别在物联网上的应用
有人要你帮忙作弊怎么办
图像识别在水质检测中的应用
基于空间变换和直方图均衡的彩色图像增强方法
作弊等