论文部分内容阅读
随着计算机技术、互联网技术的飞速发展,在线考试逐渐成为了考试组织机构广泛采用的一种新的考试方式,该考试模式得到越来越广泛的认可与发展。但在线考试和现场考试一样,面临着各种各样的作弊行为,甚至作弊形式更加多种多样。因此,为了保证在线考试的公平性,需要有效的在线考试作弊行为检测技术对考生们进行监督。通过研究目前国内外在线考试作弊行为检测的各类方法,总结其优势及存在的不足。根据在线考试中考生存在的作弊形式,本文提出基于头部姿态、屏幕注视点估计及嘴部状态识别相结合的方法进行在线考试作弊行为检测,主要研究内容包括以下几个部分:(1)本文采用基于MTCNN迁移学习的方法进行人脸检测和人脸对齐,有效解决了传统人脸检测算法中处于暗光或人脸发生偏转条件下检测器失效的问题,同时获取到了本文所需要的29个特定面部特征点。(2)在头部姿态估计部分,本文采用基于特征融合的多损失函数头部姿态估计算法,通过融合MTCNN网络及ResNet50网络的FC层特征,得到了人脸图像的强特征,并在此基础上引入多损失函数进行头部姿态估计,该方法细化了仅采用交叉熵损失函数进行头部姿态分类的估计结果,有效提高了头部姿态估计的准确性,避免了面部2D特征点准确性及3D人脸坐标对采用Posit算法进行头部姿态估计的影响。(3)在屏幕注视点估计部分,本文组合人脸对齐所获得的面部特征点坐标和头部姿态估计所获得的头部偏转角度作为原始特征,经过特征构造与特征筛选,采用级联XGBoost分类及回归模型的方法进行屏幕注视点估计。实验结果表明,本文的屏幕注视估计方法有效提高了屏幕注视区域的准确性,降低了注视点估计的误差值。在嘴部状态识别部分,为了简化计算,提高处理速度,本文通过图像处理技术进行嘴部似圆度计算,从而识别嘴部的张开和闭合状态。(4)在线考试作弊行为检测阶段,本文对头部姿态、屏幕注视点、嘴部状态各部分的考生作弊行为判定依据进行阐述,并对整体作弊行为检测方法进行模拟实验。实验结果表明,本文的在线考试作弊行为检测方法检测全面且准确率较高。