[发明专利]在线考试智能监控系统

权利要求书

1.一种在线考试智能监控系统，包括一个中心站(1)以及可以与中心站通信的一个或多个考试站(2)，其特征在于：

中心站包括：数据存储装置(13)，存储考试问题数据、考试应答数据、核实的生物统计数据和异常监督样本数据；数据处理器(10)，可操作的连接到存储装置上，可以电子化发送考试问题数据到考试站并从考试站接收考试应答数据，还可以从考试站接收生物统计数据和考生监督数据；数据处理器包括生物统计数据比较模块(14)，用来比较考生的生物统计数据与存储的、核实的生物统计数据；

考试站包括：数据处理器(20)，可以与中央站通信，从中央站接收考试问题数据并显示给考生，接收考生的考试应答数据、生物统计数据和考生监督数据并发送给中央站；生物统计测量装置(23)，用来把考生的生物统计数据输入到处理器；考生监督数据记录装置(24)，用来记录考试时的考生监督数据，并把考生监督数据输入到处理器；数据存储装置(25)可操作的连接到数据处理器，用来暂存考试过程开始所需的以及在考试过程中产生的数据；数据处理器还包括进程监控模块(26)，用来对数据处理器的进程进行监控管理；

此外，系统还包括位于中央站或者考试站的考生监督数据处理模块，考生监督数据处理模块用来将考生监督数据与异常监督样本数据进行比较，并判断考生是否存在异常考场行为。

2.根据权利要求1所述的一种在线考试智能监控系统，其特征在于，每个考试站连接有一个摄像头，该摄像头同时兼做该考试站的生物统计测量装置(23)以及考生监督数据记录装置(24)。

3.根据权利要求1或2所述的一种在线考试智能监控系统，其特征在于，在考试的过程中，生物统计测量装置(23)每隔一定的时间提取考生生物统计数据，与中央站的核实生物统计数据进行比较。

4.根据权利要求1或2所述的一种在线考试智能监控系统，其特征在于，考试站还包括系统行为控制模块，该模块在考试期间监视和记录用户输入，并判断用户的输入是否为系统预设的非法操作，如果是非法操作则禁止用户的操作。

5.根据权利要求1或2所述的一种在线考试智能监控系统，其特征在于，考试站还包括一个屏幕监督装置，以记录考试期间考生的屏幕数据。

6.根据权利要求5所述的一种在线考试智能监控系统，其特征在于，该屏幕监督装置是一个提供考试期间屏幕视频记录的摄像头，或者是通过操作系统的接口获得的屏幕数据，或者为直接从显卡数据缓冲区获得的屏幕显示数据。

7.根据权利要求5所述的一种在线考试智能监控系统，其特征在于，中央站或考试站还包括与屏幕监督装置相应的屏幕分析模块，将获得的考生屏幕数据与考试时应当出现的屏幕数据进行比对，判断出考生的作弊行为。

8.根据权利要求7所述的一种在线考试智能监控系统，其特征在于，屏幕分析模块不需要预先获得考试时应当出现的屏幕数据，而是提取当前同时参加考试的全部考生的屏幕信息，得到当前应当出现的屏幕数据，并对差异较大的考生屏幕数据进行分析。

9.根据权利要求1或2所述的一种在线考试智能监控系统，其特征在于，考试站上安装的软件，由考生在开始考试之前，从中央站下载安装软件包并在考试站上安装，所述软件包括生物统计测量装置和考生监督数据记录装置的支持软件，还包括进程监督模块、系统行为控制模块、考生监督数据处理模块以及与主服务器同步的异常监督样本数据。

10.根据权利要求1或2所述的一种在线考试智能监控系统，其特征在于，考生监督数据处理模块在考试的过程中，获取摄像头捕获的考生人脸图像，并对人脸姿势进行识别，从人脸姿势中判断是否存在作弊的情况，具体方法为：

步骤一、准备样品图像，样本图像分为正样本和负样本，即判定为正面人脸的图像和判定为非正面人脸的图像，根据样本图像生成分类器；

步骤二、接收考试监控视频，每隔一定时间间隔从视频中采集一幅考生摄像头捕获图像，并使用步骤一得到的分类器进行分类，判断捕获图像是否为正面人脸图像；

步骤三、如果检测到非正面人脸图像连续存在超过一定时间，则判定考生可能存在作弊行为，提醒系统管理员注意，或者对考生采取警告、终止考试等处理措施；

其中，步骤一中根据样本图像生成分类器的方法为：

一、将样本图片记为(x₁，y₁)，…(x_n，y_n)，y_i＝1表示该样本为正例即判定为正面人脸的图像，y_i=0表示该例为负例即判定为非正面人脸的图像；

二、将所有的样本图像归一化为标准大小的图像，并且将所有的样本进行灰度化；

三、初始化样本权重：

W_t，i表示第t次循环中第i个样本的误差权重，初始化时，若第i个样本为负例，令m为负例的样本个数；若第i个样本为正例，则令l为正例的样本个数；

四、训练系统的强分类器，具体方法为：

A.指定强分类器中包含的弱分类器的个数T，对t＝1，...T，循环执行以下步骤：

1)归一化权重：

其中t＝1，...T，T为训练的次数；

2)对每一个Haar特征f，训练一个弱分类器h(x，f，p，θ)；计算对应这个特征的弱分类器的分类误差；Haar特征就是用两个相邻的矩形组成的特征，其中一个用白色矩形表示，一个用黑色矩形表示，Haar特征模板包括边缘特征、线性特征、中心特征和对角线特征，每个特征模板内有白色和黑色两种矩形，特征模板在一幅图像子窗口内可以放置在任意放置并可以缩放，任意一种形态的任意一次缩放摆放称为一种特征，定义该模板的特征值为白色矩形像素和减去黑色矩形像素和，对于灰度图像，像素和即每个像素灰度值之和；

3)选取最佳的即拥有最小错误率ε_t的弱分类器h_t(x)＝h(x，f_t，p_t，θ_t)，其中f_t，p_t，θ_t是使ε_t为最小的值；

4)按照上一步得到的最佳弱分类器调整权重：

wt+1,i=wt,iβt1-ei]]>

其中，如果x_i被正确分类，e_i=0，如果x_i被错误地分类，e_i=1，

B.最终得到的强分类器为：

其中αt=log1βt;]]>

步骤2)中，训练弱分类器及计算加权错误率的方法为：

对每一个特征f，训练一个弱分类器h(x，f，p，θ)

其中f为特征，θ为阈值，p指示不等号的方向，就是1和-1，用来判别系统指定的是大于阈值符合标准还是小于阈值符合标准，x代表一个检测子窗口，f(x)代表该特征模板的特征值；

对每个特征f，训练一个弱分类器h(x，f，p，θ)，就是确定f的最优阈值，使得这个弱分类器h(x，f，p，θ)对所有的训练样本的分类误差最低；

对每个特征进行弱分类器训练的过程为：

(1)对每个特征f，得到所有训练样本的特征值；

(2)将特征值排序；

(3)对排好序的每个元素：

(i)计算全部正样本的权重和T⁺；

(ii)计算全部负样本的权重和T^-；

(iii)计算该元素前正样本的权重和S⁺；

(iv)计算该元素前负样本的权重和S^-；

(v)选取当前元素的特征值和它前面的一个特征值之间的数作为阈值，并计算该阈值的分类误差为：

e=min(S⁺+(T^--S^-)，S^-+(T⁺-S⁺))；

(4)比较所有分类误差，得到使分类误差最小的阈值，作为针对特征f的弱分类器。