技术摘要：
本公开提供了一种作弊识别方法和装置。该方法包括首先获取第一考试视频，第一考试视频为针对第一考生的考试行为录制的视频。然后提取第一考试视频中的每一帧图像对应的特征向量，其中，该特征向量包括表征图像中是否检测到眼睛的信息、以及在检测到眼睛时基于眼睛的瞳  全部
背景技术：
目前在线考试中主要使用浏览器窗口防切换技术和摄像头录像技术来确认考生 本人和防止抄袭。但是，无法防止下列方法作弊：可以采用另外一台电脑来协助搜索答案， 获取答案后再输入到考试电脑上面，导致无法判断是否本人真实的知识水平。 目前主流技术主要是根据考试视频中人的姿态特征来判断考生是否存在作弊行 为。但这样不能对考生的视线进行监控，并不能对考生是否作弊给出准确的判断。例如，考 生可以在姿态保持正常考试状态的情况下，眼睛看向另一个显示有考试答案的显示屏幕来 进行答案抄袭。
技术实现要素：
有鉴于此，本公开实施例提供了一种更为准确地判断考生是否作弊的作弊识别方 法和装置、电子设备以及介质。 本公开实施例的第一方面，提供了一种作弊识别方法。所述方法包括：获取第一考 试视频，其中，所述第一考试视频包括至少一帧图像，所述第一考试视频为针对第一考生的 考试行为录制的视频；获取所述第一考试视频对应的第一特征向量序列；以及将所述第一 特征向量序列输入到作弊识别模型中，获取所述作弊识别模型的输出，以及在所述作弊识 别模型的输出表征所述第一考生存在作弊行为时，确定所述第一考生作弊。其中，所述获取 所述第一考试视频对应的第一特征向量序列包括：提取所述第一考试视频中的每一帧图像 对应的特征向量，其中，所述特征向量包括表征图像中是否检测到眼睛的信息、以及在检测 到眼睛时基于眼睛的瞳孔中心的位置而得到的信息；以及将所述第一考试视频所包含的全 部图像对应的所述特征向量进行组合，得到所述第一特征向量序列。 根据本公开的实施例，所述提取所述第一考试视频中的每一帧图像对应的特征向 量包括：根据图像中是否检测到眼睛，得到第一参数；在检测到眼睛时基于眼睛的瞳孔中心 的位置得到第二参数；根据所述瞳孔中心的位置是否位于最大可视范围内，得到第三参数， 其中，所述最大可视范围用于限定在正常考试状态下考生眼睛的瞳孔中心的最大允许移动 范围；以及至少基于所述第一参数、所述第二参数、以及所述第三参数，得到所述特征向量。 根据本公开的实施例，所述提取所述第一考试视频中的每一帧图像对应的特征向 量还包括获取所述最大可视范围。所述获取所述最大可视范围包括：在录制考试视频时分 别采集考生在观看考试屏幕的M个边缘时的眼睛的图像，得到M个边缘视点图像，其中，M为 大于等于2的整数；从所述M个边缘视点图像中分别提取出眼睛的瞳孔中心的位置，得到M个 视点位置；以及基于所述M个视点位置，得到所述最大可视范围。 根据本公开的实施例，所述提取所述第一考试视频中的每一帧图像对应的特征向 5 CN 111598049 A 说　明　书 2/15 页 量还包括：在检测到眼睛时，使用固定尺寸且与人脸相对位置固定的选择框框选住眼睛区 域；以该选择框中的预设位置为坐标原点建立坐标系；以及确定眼睛的瞳孔中心在该坐标 系中的坐标，以得到眼睛的瞳孔中心的位置。 根据本公开的实施例，所述方法还包括建立所述作弊识别模型。其中，所述建立所 述作弊识别模型包括：获取N个第二考试视频，其中所述第二考试视频包括至少一帧图像， 一个所述第二考试视频为针对一个第二考生的考试行为录制的视频，其中：所述第二考试 视频中所述第二考生是否存在作弊行为为已知，并且以所述第二考试视频的属性信息来表 征，其中N为大于等于1的整数；获得与每个所述第二考试视频对应的训练样本数据，以得到 N个所述训练样本数据，以及以N个所述训练样本数据训练所述作弊识别模型。所述获得与 每个所述第二考试视频对应的训练样本数据包括：提取所述第二考试视频的每一帧图像对 应的所述特征向量；将所述第二考试视频所包含的全部图像对应的所述特征向量进行组 合，得到所述第二考试视频对应的第二特征向量序列；以所述第二特征向量序列作为输入 样本数据，以及以所述属性信息作为输出样本数据，得到所述训练样本数据。 根据本公开的实施例，所述以N个所述训练样本数据训练所述作弊识别模型包括： 按照预定规则循环利用N个所述训练样本数据，对所述作弊识别模型进行R轮训练，其中，R 为大于等于2的整数。 根据本公开的实施例，所述按照预定规则循环利用N个所述训练样本数据，对所述 作弊识别模型进行R轮训练包括：在第一轮训练中，以N个所述训练样本数据训练所述作弊 识别模型；以及在第一轮以后的每一轮训练中，以比前一轮减少两个所述训练样本数据后 的数据来训练所述作弊识别模型，直到没有可供减少的所述训练样本数据为止，其中，N为 大于2的整数。 本公开实施例的第二方面，提供了一种作弊识别模型的训练方法。所述训练方法 包括：获取N个第二考试视频，其中所述第二考试视频包括至少一帧图像，所述第二考试视 频为针对第二考生的考试行为录制的视频，其中，每个所述第二考试视频为针对每个第二 考生的考试行为录制的视频，其中，所述第二考试视频中所述第二考生是否存在作弊行为 为已知，并且以所述第二考试视频的属性信息来表征，其中N为大于等于1的整数；获得与每 个所述第二考试视频对应的训练样本数据，以得到N个所述训练样本数据；以及以N个所述 训练样本数据训练所述作弊识别模型。其中，获得与每个所述第二考试视频对应的训练样 本数据，以得到N个所述训练样本数据包括：提取所述第二考试视频的每一帧图像对应的所 述特征向量，其中，所述特征向量包括表征图像中是否检测到眼睛的信息、以及在检测到眼 睛时基于眼睛的瞳孔中心的位置而得到的信息；将所述第二考试视频所包含的全部图像对 应的所述特征向量进行组合，得到所述第二考试视频对应的第二特征向量序列；以及，以所 述第二特征向量序列作为输入样本数据，以及以所述属性信息作为输出样本数据，得到所 述训练样本数据。 根据本公开的实施例，所述提取所述第二考试视频的每一帧图像对应的所述特征 向量包括：根据图像中是否检测到眼睛，得到第一参数；在检测到眼睛时基于眼睛的瞳孔中 心的位置得到第二参数；根据所述瞳孔中心的位置是否位于最大可视范围内，得到第三参 数，其中，所述最大可视范围用于限定在正常考试状态下考生眼睛的瞳孔中心的最大允许 移动范围；以及至少基于所述第一参数、所述第二参数、以及所述第三参数，得到所述特征 6 CN 111598049 A 说　明　书 3/15 页 向量。 本公开实施例的第三方面，提供了一种作弊识别装置。所述作弊识别装置包括第 一获取模块、特征向量获取模块、以及作弊识别模块。所述第一获取模块用于获取第一考试 视频，其中，所述第一考试视频包括至少一帧图像，所述第一考试视频为针对第一考生的考 试行为录制的视频。所述特征向量获取模块用于获取所述第一考试视频对应的第一特征向 量序列。所述作弊识别模块用于将所述第一特征向量序列输入到作弊识别模型中，获取所 述作弊识别模型的输出，以及在所述作弊识别模型的输出表征所述第一考生存在作弊行为 时，确定所述第一考生作弊。所述特征向量获取模块包括第一提取子模块、以及第一获得子 模块。所述第一提取子模块用于提取所述第一考试视频的每一帧图像对应的所述特征向 量；其中，所述特征向量包括表征图像中是否检测到眼睛的信息、以及在检测到眼睛时基于 眼睛的瞳孔中心的位置而得到的信息。所述第一获得子模块用于将所述第一考试视频所包 含的全部图像对应的所述特征向量进行组合，得到所述第一特征向量序列。 根据本公开的实施例，所述作弊识别装置还包括模型建立模块。所述模型建立模 块用于建立所述作弊识别模型，包括：获取N个第二考试视频，其中所述第二考试视频包括 至少一帧图像，每个所述第二考试视频为针对每个第二考生的考试行为录制的视频，其中， 所述第二考试视频中所述第二考生是否存在作弊行为为已知，并且以所述第二考试视频的 属性信息来表征，其中N为大于等于1的整数；获得与每个所述第二考试视频对应的训练样 本数据，以得到N个所述训练样本数据，以及以N个所述训练样本数据训练所述作弊识别模 型。所述获得与每个所述第二考试视频对应的训练样本数据包括：提取所述第二考试视频 的每一帧图像对应的所述特征向量；将所述第二考试视频所包含的全部图像对应的所述特 征向量进行组合，得到所述第二考试视频对应的第二特征向量序列；以所述第二特征向量 序列作为输入样本数据，以及以所述属性信息作为输出样本数据，得到所述训练样本数据。 本公开实施例的第四方面，提供了一种作弊识别模型的训练装置。所述训练装置 包括第二获取模块、训练样本获得模块、以及训练模块。所述第二获取模块用于获取N个第 二考试视频，其中所述第二考试视频包括至少一帧图像，每个所述第二考试视频为针对每 个第二考生的考试行为录制的视频，其中，所述第二考试视频中所述第二考生是否存在作 弊行为为已知，并且以所述第二考试视频的属性信息来表征，其中N为大于等于1的整数。所 述训练样本获得模块用于获得与每个所述第二考试视频对应的训练样本数据，以得到N个 所述训练样本数据。所述训练模块用于以N个所述训练样本数据训练所述作弊识别模型。所 述训练样本获得模块包括第二提取子模块、第二获得子模块、以及训练数据获得子模块。第 二提取子模块用于提取所述第二考试视频的每一帧图像对应的所述特征向量，其中，所述 特征向量包括表征图像中是否检测到眼睛的信息、以及在检测到眼睛时基于眼睛的瞳孔中 心的位置而得到的信息。第二获得子模块用于将所述第二考试视频所包含的全部图像对应 的所述特征向量组合，得到所述第二考试视频对应的第二特征向量序列。训练数据获得子 模块用于以所述第二特征向量序列作为输入样本数据，以及以所述属性信息作为输出样本 数据，得到所述训练样本数据。 本公开实施例的第五方面，提供了一种电子设备。所述电子设备包括一个或多个 存储器、以及一个或多个处理器。所述存储器上存储有计算机可执行指令，所述所述处理器 执行所述指令以实现如上第一方面所述的作弊识别方法，或者如上第二方面所述的训练方 7 CN 111598049 A 说　明　书 4/15 页 法。 本公开实施例的第六方面，提供了一种计算机可读存储介质，存储有计算机可执 行指令，所述指令在被执行时用于实现如上第一方面所述的作弊识别方法，或者如上第二 方面所述的训练方法。 本公开实施例的第七方面，提供了一种计算机程序，所述计算机程序包括计算机 可执行指令，所述指令在被执行时用于实现如上第一方面所述的作弊识别方法，或者如上 第二方面所述的训练方法。 上述一个或多个实施例具有如下优点或有益效果：通过从考试视频中的图像中提 取出与考生的眼睛的瞳孔中心的位置相关的信息，可以对考生在考试过程中的视线进行分 析，并根据在考试过程中检测到眼睛的频率、以及眼睛中瞳孔中心的位置变化特点等，获得 在考试过程中考生的视线的行为，进而可以实现根据考试过程中考生的视线行为来判断考 生在考试过程中是否存在作弊行为，由此相比于现有技术可以更准确地判断考生是否存在 作弊行为。 附图说明 通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和 优点将更为清楚，在附图中： 图1示意性示出了根据本公开实施例的作弊识别方法和装置的应用场景； 图2示意性示出了根据本公开实施例的作弊识别方法的流程图； 图3示意性示出了根据本公开实施例的提取图像对应的特征向量的方法流程图； 图4示意性示出了根据本公开实施例的提取图像对应的特征向量中获得眼睛的瞳 孔中心的坐标的示意图； 图5示意性示出了根据本公开另一实施例的提取图像对应的特征向量的方法流程 图； 图6示意性示出了根据本公开实施例的获取最大可视范围的方法流程图； 图7示意性示出了根据本公开实施例的考生的眼睛看向考试屏幕的左上角时眼睛 区域的图示； 图8示意性示出了根据本公开实施例的最大可视范围的示意； 图9示意性示出了根据本公开实施例的瞳孔中心的位置位于最大可视范围之外的 示意； 图10示意性示出了根据本公开另一实施例的作弊识别方法的流程图； 图11示意性示出了根据本公开实施例的作弊识别模型的训练方法的流程图； 图12示意性示出了根据本公开实施例的训练方法中对作弊识别模型进行多轮循 环训练的方法流程图； 图13示意性示出了根据本公开实施例的作弊识别装置的框图； 图14示意性示出了根据本公开实施例的作弊识别模型的训练装置的框图；以及 图15示意性示出了适于实现根据本公开实施例的方法的计算机系统的方框图。 8 CN 111598049 A 说　明　书 5/15 页