[发明专利]一种基于改进的Openpose模型和面部微表情的考试行为检测方法

说明书

本发明公开了一种基于改进的Openpose模型和面部微表情的考试行为检测方法，在课桌前布置摄像机，实时检测学生考试行为。通过人工智能模型识别面部信息、上半身骨骼信息，以关键点能否被识别到以及关键点之间的距离为主要判断条件，以微表情的变化为辅助判断条件。若某学生持续一段时间未满足条件，则判定其存在考试行为异常。此外，通过一节课的视频流，找出学生行为异常可能发生阶段，并对该阶段进行分析，实现教学的创新和改革。靠机器视觉识别减少干扰因素，简化设备，本发明通过残差网络，权值修剪等方法进一步优化网络模型。相较于传统方式，本发明实现自助式的考试行为检测和反馈，测试效率高，准确性可达95％，可以应用于一般考试检测。

技术领域

本发明涉及深度学习、机器视觉与图像处理技术领域，具体为一种基于改进的Openpose模型和面部微表情的考试行为检测方法。

背景技术

近年来，以深度学习为代表的人工智能技术已渗入人们生活的方方面面，并已进入大范围应用阶段。2017年，国务院在印发的《新一代人工智能发展规划》中提出：“利用智能技术加快推动人才培养模式、教学方法改革，构建包含智能学习、交互式学习的新型教育体系”。

长期以来，学生考试一直是教育研究的重点。在学生考试活动中，学生作为活动的主体，其行为状态是考试状况的直接体现。因此，学生考试行为分析既是分析的重要环节，也是影响学生学习和教师教学效率的重要因素。当前，教育已经步入智能时代，对学生考试行为分析提出了更高的要求，实现考试监考变得越来重要。通过对国内外考试行为相关研究的学术史梳理，以及国内外主流数据库文献相关研究动态得知，国内关于高等教育领域的学生考试行为研究很少。基础考试行为研究主要采用主观报告和定性分析等研究方式，已有研究不适应于复杂的高等教育领域的学生考试行为研究。在对于学生考试行为分析的准确性、适用性、抗干扰性以及能够及时反馈学生信息的要求下，目前尚未有具有良好分析体验的方法。在对检测中的项目测试精度越来越高的要求和实现无人化测试需求下，目前已有的考试行为方法(范子健,徐晶,刘威.基于多维度体感信息的在线考试异常行为监测[J].计算机工程与科学.)尚不具备良好测试体验，测试效率、准确率、自动化程度仍有待提高。现有的基于机器视觉的分析方法主要是利用卷积神经网络进行图像识别，然而传统的卷积神经网络在考试行为识别的应用中对于学生行为的识别精度与速度上并不令人满意，并且在考试行为识别的过程中，获取海量的训练样本也是十分困难。再者，通过对学生的个人历史信息以及对其考试专注度的反馈，对考试进行评估，也是目前尚待开发的方面。

本文将人工智能与教育教学研究相结合，基于原有的Openpose模型([1]Cao Z.,Hidalgo G.,Simon T.et al.OpenPose:Realtime Multi-Person 2D Pose Estimationusing Part Affinity Fields[J].2018.)，加以改进，并融入训练的微表情识别网络模型对学生考试行为进行客观量化分析，更好地服务于教育学领域。

在此背景下，一些发达国家的高校纷纷建立了相对完善的考试监控与分析系统，以对考试活动进行深入研究。然而，学生的考试行为不易检测，使智能化的学生考试行为识别存在困难。基于上述分析，本研究拟结合相关研究成果，对基于深度学习的学生考试行为识别进行探讨，以期提高智能化学生考试行为识别的精度，助力考试检测，并尝试应用于高考。

发明内容

本发明的目的在于提供一种基于改进的Openpose模型和面部微表情的考试行为检测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于改进的Openpose模型和面部微表情的考试行为检测方法，包括以下步骤：

S1、通过放置在测试者前端的设备摄像头拍摄测试者上半身图像，并以一定初始帧率持续拍摄测试者上半身的测试图像；