招生考试已成为我国选拔人才的一项重要举措,招考的公平性与透明性备受全社会关注。目前各个考场都装置了电子录像设备对考试进行全程录像,以备后期调取查阅。但这种监控方式智能性不足,其只是简单地进行考场录像,缺乏实时性与主动性。针对现有考场视频监控的不足,本课题结合前沿的计算机视觉技术,对基于视频监控的考场异常行为检测方法进行了研究与实现。本课题创新性地采用基于深度学习的目标检测技术进行考生目标检测,同时采用运动目标检测与肤色检测相结合的方法进行考场异常行为检测,效果显著。本文的研究内容主要包括考生目标检测、考场异常行为检测,考场智能监控系统设计三部分。第一,针对HOG等传统目标检测算法鲁棒性不足的问题,本课题采用了基于深度学习的目标检测算法YOLOv2,并提出改进的YOLO-D网络。改进后的网络通过组合不同卷积层的细粒度特征,可以增加目标检测的鲁棒性,加强特征传递,使得此网络结构更贴合本课题的考生检测任务。第二,在考场异常行为检测部分,提出了基于运动目标检测和肤色检测相结合的检测方法。该方法通过考生的运动历史图像来计算其运动的轮廓和区域,结合考生目标检测方法的定位,判断其是否超出正常的活动范围,可以检测出考生左右偷看,传递纸条等异常行为。肤色检测方法通过对考生的手部肤色进行检测,若考生手部离开桌面一定时间,可以检测出其偷看手机的异常行为。第三,针对现有考场监控系统的不足,本课题设计了一套考场智能监控系统,该系统具备考生出勤统计、考场异常行为检测、异常行为预警,异常行为历史查询和考场秩序评价等功能。