[发明专利]一种基于3D卷积的考试违规行为检测方法

说明书

本发明公开了一种基于3D卷积的考试违规行为检测方法，包括以下步骤：将考试实时监控视频分割为多个视频片段形成视频序列，并捕获视频序列中的短时依赖关系；并通过构建的空时金字塔池化网络提取视频片段内的中时依赖关系；将视频序列分别输入到空间流网络和局部多区域网络中进行特征提取，分别提取出全局空间特征和局部区域特征；将全局空间特征和局部区域特征进行融合并测试特征融合的结果，得到一个全局特征向量并输入到softmax进行分类，从而获得学生动作的分类结果。本发明能大幅度减少了人力资源消耗和考试监控视频回放所需时间成本，能够对考生考室中的连续性违规行为进行分析，提高了违规行为的抓取效率。

技术领域

本发明涉及行为检测技术领域，尤其涉及一种基于3D卷积的考试违规行为检测方法。

背景技术

考试是检验学习成果的重要方式，但是在考试的过程中，自古以来都存在着各种形式的违规行为，这些行为扰乱考场秩序，使考试无法公平、公正地进行。所以有必要对考试进行监控，找出考试过程中存在的违规行为，并给予惩治。目前对违规行为检测的手段主要为安装摄像头监控，将考试过程录制为视频，然后人工观察视频，找出其中的违规行为。这样势必会占用大量人力资源，并且时间的耗费也是巨大的。所以，研究智能化识别技术是非常有必要的，也是教育界研究的热点，受到专家和学者的广泛关注。

现有的行为检测方法存在人工观看考试回放视频人力需求大、时间成本高的问题，同时行为检测时2D卷积无法对考生时间维度上的连续性行为进行关联分析，人力资源消耗大，考试监控视频回放所需时间成本高。

如申请号为CN202011303698.6的专利公开了一种考试异常行为检测方法，方法通过获取考试行为图像，对所述考试行为图像进行标注，生成考试异常行为数据集；优化YOLOv3算法的损失函数，对数据集的边界框聚类，获取最佳Anchor尺寸，得到优化后的YOLOv3算法，利用数据集对YOLOv3算法进行训练及测试，得到最终的YOLOv3模型；获取考试行为视频，按帧读取所述视频，形成帧图片，利用所述最终的YOLOv3模型对所述帧图片进行检测，得到考试异常行为检测结果。该方法虽然能够提高异常考试行为检测的精度，但是并不能对考生时间维度上的连续性行为进行关联分析，存在考试监控视频回放所需时间成本高的问题。

如申请号为CN201010000447.0的专利申请公开了一种考试处理系统和方法，该系统包括标准答案存储装置，用于存储原始卷和转换卷的标识码，以及对应的标准答案；考生答案获取装置，用于获取考生试卷的标识码、答案和考生的考场、座位信息；置疑答卷确定装置，用于根据考生试卷的答案和考生试卷的标准答案，计算考生答卷之间的置疑度，根据考生答卷之间的置疑度，结合考生的考场、座位信息确定置疑答卷；考场视频存储装置，用于存储各个考场的视频监督数据；考场视频获取设备，分布在各个考场，用于获取各个考场的视频监督数据，通过网络发送到所述考试视频存储装置进行存储。该技术方案虽然也有获取考试视频的监督数据，但并不是直接对全部考生行为进行监督分析，因此该技术方案在考试违规行为的识别准确率上还有待提高。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于3D卷积的考试违规行为检测方法，方法在全局注意力网络通过添加注意力机制，提高了全局注意力特征的鉴别性，并通过在局部多区域网络中添加局部精确约束,提高了局部多区域特征的精确性。通过融合时间流信息和空间流信息,双流结合最终大幅提升了行为识别的准确率。

本发明的目的是通过以下技术方案来实现的：

一种基于3D卷积的考试违规行为检测方法，包括以下步骤：

步骤一：获取考试实时监控视频，并采用自适应视频镜头分割策略将视频分割为多个视频片段形成视频序列，针对视频片段中相邻帧之间的运动变化信息，捕获视频序列中的短时依赖关系；

步骤二：构建空时金字塔池化网络，并通过构建的空时金字塔池化网络提取视频片段内的中时依赖关系；

步骤三：将视频序列分别输入到空间流网络和局部多区域网络中进行特征提取，分别提取出视频序列中的全局空间特征和局部区域特征；