随着考生数量逐年急剧增加,现代考试竞争愈加激烈,考试的公平性愈显重要。目前,仅依靠人工排查考场视频数据以及现场监考老师发现异常行为的传统电子监考方式工作强度大且容易发生漏检、误检等情况。随着信息技术的快速发展,将人工智能技术应用于现代考场监考技术具有重要的实际意义。本文主要研究在高校环境下基于视频监控的考场异常行为识别方法及实现,通过计算机自动化技术完成基于考场视频的异常行为实时判断以辅助监考老师决策。在本课题研究中,将从硬件、软件技术相结合的方式完成上述系统功能设计。主要完成的工作有:1.通过分析考场环境特点以及考生在正常答题情况下和发生异常行为情况下的行为特点,提出基于视频监控的考场行为识别技术的系统需求,根据需求分析给出对应解决方案并进行系统设计。本系统由图像数据采集模块、系统控制模块以及异常行为报警模块构成,其中图像数据采集模块主要由网络摄像头组成,通过有线网络传输图像数据至控制模块,系统控制模块为系统枢纽,由服务器和显示设备实现,主要完成图像数据处理等相关工作,包括实现考生目标检测以及异常行为识别等功能,异常行为报警模块由嵌入式系统构成,当发现异常行为时,系统控制端将通过有线网络传递警报信息至嵌入式处理器控制板以完成异常行为报警。在本课题研究中,系统控制模块的考生目标检测和考生异常行为识别以及异常行为报警模块的设计及实现为核心研究内容。2.系统控制模块中的考生目标检测是考生行为识别的基础,系统进行行为识别前应自动检测出每位考生的位置信息。本文将在人脸检测完成的基础上,结合考生肤色、发色特征,提出一种新的基于人脸、肤色发色的考生目标检测综合方法。在建立人脸检测模型时,提取考生脸部的方向梯度直方图特征和局部二值模式特征的级联特征作为输入特征,选择支持向量机训练分类器,为保证更高的目标检测率,在完成考生人脸检测基础上,再在图像的其他区域进行基于肤色发色特征的考生目标检测。将上述方法在测试数据上进行验证实验,实验结果表明考生目标检测准确率为95.89%,平均耗时为1.69秒,证明该方法无论是准确率还是耗费时间均满足系统设计要求。3.系统控制模块中的考生异常行为识别为系统实现最终目标,在系统设计中,将考生异常行为分为疑似异常行为和确定异常行为。待完成考生目标检测后,本课题首先提出一种考生编号方法以及考生活动范围确定方法,在完成考生编号以及考生活动范围确定的基础上,通过研究活动范围内的考生发色变化以及通过引入混合高斯模型时考生活动范围内的前景信息变化,本课题再提出了一种基于发色-混合高斯模型的考生异常行为识别方法。实验结果表明该方法可以识别90%以上的考场异常行为,且在不同的考试环境下,面对复杂多变的考场异常行为时,即使不限定行为类别,该方式仍可以完成异常行为的判断。4.完整的考场监控系统除了能够检出考生异常行为外,同时应具有针对异常行为的报警功能。本系统的异常行为报警模块由主控室报警和教室端报警构成,其中主控室报警主要通过系统软件实现,由系统主界面显示报警信息并存储考生异常行为图片至服务器,教室端报警则由嵌入式处理器完成,当系统发现异常行为时,系统控制端将通过有线网络传输报警信息至嵌入式处理器控制板,由控制板上的报警模块和显示模块实现报警功能。通过实验证明当系统发现异常行为时,异常行为报警模块能实时完成报警工作,满足系统设计要求。