CN111353921A - 一种考试管理方法及***、电子设备 - Google Patents
一种考试管理方法及***、电子设备 Download PDFInfo
- Publication number
- CN111353921A CN111353921A CN201910765150.4A CN201910765150A CN111353921A CN 111353921 A CN111353921 A CN 111353921A CN 201910765150 A CN201910765150 A CN 201910765150A CN 111353921 A CN111353921 A CN 111353921A
- Authority
- CN
- China
- Prior art keywords
- examination
- examinee
- result
- determining
- behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012795 verification Methods 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 125
- 230000006399 behavior Effects 0.000 claims description 72
- 238000000034 method Methods 0.000 claims description 63
- 230000036544 posture Effects 0.000 claims description 36
- 210000003128 head Anatomy 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 24
- 210000003141 lower extremity Anatomy 0.000 claims description 16
- 210000001364 upper extremity Anatomy 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 210000002832 shoulder Anatomy 0.000 claims description 6
- 230000009471 action Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 230000004886 head movement Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000000887 face Anatomy 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考试管理方法及***、电子设备,包括:获取考场区域内包括所有考生对象的图像信息;对所述图像信息进行人脸识别处理,确定所述考生对象的人脸特征信息,根据所述人脸特征信息与预设的人脸样本,得到考生身份验证结果;对所述图像信息进行行为识别处理,确定所述考生对象的当前行为,得到考生行为结果;根据所述考生身份验证结果和所述考生行为结果,确定异常状态的考生。本发明能够实现自动化监考,降低教师工作量,避免作弊现象。
Description
技术领域
本发明涉及计算机技术领域,特别是指一种考试管理方法及***、电子设备。
背景技术
目前,学校考试时一个考场需要安排至少两名监考教师,考试时需要维持考场秩序、核对考生信息,防止考生作弊,额外增加了教师的工作量,而且容易出现监考疏忽,无法完全避免作弊现象;另一方面,考试结束之后,一般是教师阅卷判分,工作量大,且无法根据考卷情况统计分析每个学生的学习情况和学习效果。
发明内容
有鉴于此,本发明的目的在于提出一种考试管理方法及***、电子设备,能够实现自动化监考。
基于上述目的,本发明提供了一种考试管理方法,包括:
获取考场区域内包括所有考生对象的图像信息;
对所述图像信息进行人脸识别处理,确定所述考生对象的人脸特征信息,根据所述人脸特征信息与预设的人脸样本,得到考生身份验证结果;
对所述图像信息进行行为识别处理,确定所述考生对象的当前行为,得到考生行为结果;
根据所述考生身份验证结果和/或所述考生行为结果,确定异常状态的考生。
可选的,所述得到考生身份验证结果的方法是:对所述图像信息进行人脸识别处理,按照识别出的考生对象的人脸位置,将所述图像信息处理生成网格状位置图;根据所述网格状位置图和预先确定的网格状考场座位图,将所述网格状位置图特定网格对应的人脸特征信息和所述网格状考场座位图对应网格所对应的人脸样本进行对比,判断所述特定网格内考生对象的匹配程度,得到所述考生身份验证结果。
可选的,所述确定所述考生对象的当前行为,包括:识别所述考生对象的关键部位,根据所述关键部位的位置,确定所述考生对象的整体轮廓,将所述整体轮廓与预设的轮廓标准进行比较,确定所述考生对象的行为姿态;所述关键部位包括嘴部、头部、上肢、肩部、下肢,所述行为姿态包括头部姿态、坐姿、站姿。
可选的,所述确定所述考生对象的当前行为,还包括:根据所述关键部位的位置变化范围,将所述关键部位的位置变化范围与预设的移动阈值进行比较,结合所述考生对象的行为姿态,确定所述考生对象的当前行为。
可选的,所述方法还包括:
获取试卷中每道题目的答案信息,根据所述答案信息判断答题结果是否正确,对于所述答题结果不正确的题目,确定所述题目所属知识点和难易程度,根据所述答题结果不正确的题目所属知识点和难易程度,生成答题分析结果。
可选的,所述方法还包括:
接收计划参数,所述计划参数包括日期区间、科目;
根据所述计划参数,生成考试时间安排结果。
可选的,所述方法还包括:
接收调整计划参数,所述调整计划参数包括调整时间段和/或调整科目;
根据所述调整计划参数,对所述考试时间安排结果进行调整,生成调整后的考试时间安排结果。
可选的,所述方法还包括:
接收考场参数,所述考场参数包括考试年级、考试科目;
根据所述考场参数,生成考场安排结果,所述考场安排结果包括考场数量及考场位置。
可选的,所述方法还包括:
根据所述考试年级确定每个班级的考生人数;
按照所述考场安排结果,将所述每个班级的考生分配到各考场。
可选的,所述方法还包括:
根据所述考试科目和/或每个考场内的考生确定不可参加监考的教师标识;
从所有教师标识中筛选出除所述不可参加监考的教师标识之外的可选教师标识;
根据所述考场数量,为每个考场分配所述可选教师标识。
可选的,所述方法还包括:
接收题目设置参数,所述题目设置参数包括科目、知识点、难易程度;
根据所述题目设置参数,生成试卷结果。
可选的,所述方法还包括:
接收题目调整参数,所述题目调整参数包括调整题目;
根据所述题目调整参数,对所述试卷结果进行调整,生成调整后的试卷结果。
可选的,所述方法还包括:
对所述试卷结果进行加密处理,生成密文试卷结果。
本发明实施例还提供一种考试管理***,包括:
图像获取模块,用于获取考场区域内包括所有考生对象的图像信息;
人脸识别模块,用于对所述图像信息进行人脸识别处理,确定所述考生对象的人脸特征信息,根据所述人脸特征信息与预设的人脸样本,得到考生身份验证结果;
行为识别模块,用于对所述图像信息进行行为识别处理,确定所述考生对象的当前行为,得到考生行为结果;
结果确定模块,用于根据所述考生身份验证结果和/或所述考生行为结果,确定异常状态的考生。
可选的,所述人脸识别模块对所述图像信息进行人脸识别处理,按照识别出的考生对象的人脸位置,将所述图像信息处理生成网格状位置图;根据所述网格状位置图和预先确定的网格状考场座位图,将所述网格状位置图特定网格对应的人脸特征信息和所述网格状考场座位图对应网格所对应的人脸样本进行对比,判断所述特定网格内考生对象的匹配程度,得到所述考生身份验证结果。
可选的,所述行为识别模块识别所述考生对象的关键部位,根据所述关键部位的位置,确定所述考生对象的整体轮廓,将所述整体轮廓与预设的轮廓标准进行比较,确定所述考生对象的行为姿态;所述关键部位包括嘴部、头部、上肢、肩部、下肢,所述行为姿态包括头部姿态、坐姿、站姿。
可选的,所述行为识别模块根据所述关键部位的位置变化范围,将所述关键部位的位置变化范围与预设的移动阈值进行比较,结合所述考生对象的行为姿态,确定所述考生对象的当前行为。
可选的,所述***还包括:
信息获取模块,用于获取试卷中每道题目的答案信息;
答题分析模块,用于根据所述答案信息判断答题结果是否正确,对于所述答题结果不正确的题目,确定所述题目所属知识点和难易程度,根据所述答题结果不正确的题目所属知识点和难易程度,生成答题分析结果。
可选的,所述***还包括:
接收模块,用于接收计划参数,所述计划参数包括日期区间、科目;
第一结果生成模块,用于根据所述计划参数,生成考试时间安排结果。
可选的,所述***还包括:
所述接收模块,用于接收调整计划参数,所述调整计划参数包括调整时间段和/或调整科目;
所述第一结果生成模块,用于根据所述调整计划参数,对所述考试时间安排结果进行调整,生成调整后的考试时间安排结果。
可选的,所述***还包括:
所述接收模块,用于接收考场参数,所述考场参数包括考试年级、考试科目;
第二结果生成模块,用于根据所述考场参数,生成考场安排结果,所述考场安排结果包括考场数量及考场位置。
可选的,所述***还包括:
第三结果生成模块,用于根据所述考试年级确定每个班级的考生人数,按照所述考场安排结果,将所述每个班级的考生分配到各考场。
可选的,所述***还包括:
筛选模块,用于根据所述考试科目和/或每个考场内的考生确定不可参加监考的教师标识;从所有教师标识中筛选出除所述不可参加监考的教师标识之外的可选教师标识;
第四结果生成模块,用于根据所述考场数量,为每个考场分配所述可选教师标识。
可选的,所述***还包括:
所述接收模块,用于接收题目设置参数,所述题目设置参数包括科目、知识点、难易程度;
第五结果生成模块,用于根据所述题目设置参数,生成试卷结果。
可选的,所述***还包括:
所述接收模块,用于接收题目调整参数,所述题目调整参数包括调整题目;
所述第五结果生成模块,用于根据所述题目调整参数,对所述试卷结果进行调整,生成调整后的试卷结果。
可选的,所述***还包括:
加密模块,用于对所述试卷结果进行加密处理,生成密文试卷结果。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述考试管理方法。
从上面所述可以看出,本发明提供的考试管理方法及***、电子设备,通过获取考场区域内包括所有考生对象的图像信息,对图像信息进行人脸和行为处理,根据识别结果,得到考生身份验证结果和考生行为结果,确定异常状态的考生,本发明能够实现自动化监考,降低教师工作量,避免作弊现象,且能够根据考试结果分析每个考生的学习情况,便于后续有针对性的制定教学辅导计划;本发明还能够实现考试时间、考场的智能化安排,以及自动生成合理的考卷,降低教师工作量,避免工作失误。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程示意图;
图2为本发明实施例的***结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
图1为本发明实施例的方法流程示意图。如图所示,本发明实施例的考试管理方法,能够实现自动监考功能,方法包括:
S10:获取考场区域内包括所有考生对象的图像信息;
利用图像采集设备采集考场区域内包括所有考生对象的视频信息,按照预定时间从视频信息中提取视频帧图像作为图像信息进行后续识别处理。例如,每隔1.5秒从视频信息中提取一幅图像信息。
当到达考试开始时间时,服务器向图像采集设备发送启动指令,当到达考试结束时间时,服务器向图像采集设备发送停止指令。图像采集设备接收启动指令和停止指令,接收到启动指令时,图像采集设备开始采集视频信息,接收到停止指令时,图像采集设备停止采集视频信息,图像采集设备将采集的视频信息传输至服务器,服务器按照预定时间从视频信息中提取视频帧图像作为图像信息进行后续识别处理。
可选的,可在考场前方、后方分别安装摄像头,用于采集考场区域内包括所有考生对象的图像信息。
S11:对图像信息进行人脸识别处理,确定考生对象的人脸特征信息,根据人脸特征信息与预设的人脸样本,得到考生身份验证结果;
于一些实施例中,利用人脸识别模型,对图像信息进行识别处理,确定每个考试位置的考生对象的人脸特征信息,将人脸特征信息与预设的考试位置的考生的人脸样本进行匹配,若不匹配则记录该考试位置的考生的身份信息,判断该考生存在作弊行为。具体的:
对图像信息进行识别处理,识别出图像信息中的所有人脸位置,按照各个人脸的位置,将图像信息裁剪成包括多个网格的网格状位置图,每个网格内包括一组人脸特征信息。具体包括,识别出图像信息中所有人脸的位置区域,对于每个人脸的位置区域,以人脸的位置区域为基准,确定该人脸的网格划分范围,按照网格划分范围划分出该人脸对应的网格,之后,对该网格内的人脸进行识别,得到该网格对应的人脸特征信息,人脸特征信息包括脸部特征、眼部特征、鼻子特征、嘴部特征、眉毛特征等人脸识别特征信息。按照上述方法,将图像信息处理成包括多个网格的网格状位置图,每个网格包括一组人脸特征信息。
由于考场和考生信息是预先安排好的,所以,可预先生成考场座位图,方法是:对于特定考场,录入所有考生的人脸样本及基本信息,将每个考生的人脸样本及基本信息与考生的考试位置相对应,生成根据每个考生的考试位置划分的网格状考场座位图,考场座位图中的每个网格包括该考试位置的考生的人脸样本及基本信息(姓名、性别、学号、班级、学校等信息)。
考试前或是考试时,可将位置图和考场座位图中对应网格内的人脸特征信息进行对比,根据对比结果,判断网格所对应考生是否为考生本人。以其中一个网格为例,将位置图中第一网格的人脸特征信息与考场座位图中第一网格的人脸样本进行对比识别,判断二者的相似度,若二者的相似度大于预设的匹配度,则判断考场座位图中第一网格对应的考试位置的考生为考生本人;若二者的相似度小于预设的匹配度,则判断考场座位图中第一网格对应的考试位置的考生疑似作弊,根据人脸样本对应的基本信息确定该考试位置的考生的身份信息,即确定第一网格内疑似作弊的考生的身份信息;若位置图中第一网格为空网格,则判断考场座位图中第一网格对应的考生缺考,确定缺考的考生的身份信息。按照上述过程,依次判断考场座位图中每个网格所对应的考试位置的考生的状态,得到考生身份验证结果。
于一些实施例中,对于疑似作弊的考生和缺考的考生,可根据考生的身份信息对这些考生进行标注、警示处理。
S12:对图像信息进行行为识别处理,确定考生对象的当前行为,得到考生行为结果;
于一些实施例中,利用行为识别模型,对图像信息进行识别处理,确定考生对象的当前行为动作,如说话、头部动作、坐姿、站姿等。
利用行为识别模型识别当前行为的方法包括:识别考生对象的关键部位,包括嘴部、头部、上肢、肩部、下肢等;根据关键部位的位置,确定考生对象的整体轮廓;跟踪关键部位的位置,根据关键部位的位置变化范围,确定关键部位的动作,根据关键部位的动作,重新确定考生对象的整体轮廓,确定考生对象的行为动作。
具体是,根据识别出的考生对象的关键部位的位置,确定考生对象的整体轮廓,将整体轮廓与预设的轮廓标准进行比较,确定考生对象的行为姿态。可选的,轮廓标准包括头部姿态、坐姿、站姿等。
根据关键部位的位置变化范围,将关键部位的位置变化范围与预设的移动阈值进行比较,结合考生对象的行为姿态,确定关键部位的动作。
例如,根据识别的考生对象的头部、上肢、肩部、下肢的相对位置,确定考生对象的整体轮廓,根据预设的轮廓标准,判断考生对象为坐姿状态,且头部、上肢、肩部、下肢的位置变化范围小于预设的移动阈值,则判断考生对象处于正常的考试状态。
根据识别的考生对象的头部、上肢、肩部、下肢的相对位置,判断考生对象为坐姿状态,根据识别的考生对象的头部动作,判断头部的位置变化范围大于等于预设的头部移动阈值(如侧头、回头),则判断考生对象疑似为作弊行为;根据识别的考生对象的嘴部的位置变化范围,判断考生对象正在说话,则判断考生对象疑似为作弊行为。
根据头部、上肢、肩部、下肢的位置变化范围,其大于等于预设的移动阈值,则重新确定检测对象的整体轮廓,根据预设的轮廓标准,判断检测对象为站立状态,且头部、上肢、肩部、下肢的位置变化范围大于等于预设的移动阈值(如考场内走动),则判断考生对象疑似为作弊行为。
于一些实施例中,对于疑似作弊的考生,可根据考生的人脸特征信息或是考生所在座位表中网格对应的考试位置,确定考生的身份信息,根据考生的身份信息对这些考生进行标注、警示处理。
S13:根据考生身份验证结果和/或考生行为结果,确定异常状态的考生。
根据考生身份验证结果,确定疑似作弊的考生和缺考的考生,根据考生行为结果,确定疑似作弊的考生,后续可根据异常状态的考生的身份信息进行标注、记录、警示等处理。
本发明实施例的考生管理方法,还能够根据考试结果,分析确定考生的学习情况。所述考试管理方法包括:
获取试卷中每道题目的答案信息,根据答案信息判断答题结果是否正确,对于答题结果不正确的题目,确定题目所属知识点和难易程度,根据试卷中答题结果不正确的题目所属知识点和难易程度,生成答题分析结果。
本实施例中,试题数据库中保存有所有题目的题目信息,包括题目内容、题目类型(选择题、简答题、填空题、计算题等)、题目所属知识点、难易程度等信息。根据答案信息判断答题结果是否正确,对于答错的题目,确定该题目的知识点和难易程度,最终生成答题分析结果。这样,对于每个考生的考卷,能够根据答题分析结果,得到考生的哪些知识点是弱项还没有掌握,掌握到了什么程度,后期可根据每个考生的知识掌握程度制定有针对性的教学辅导计划。
本发明实施例提供的考试管理方法,还能够实现考试时间自动安排,所述考试管理方法包括:
接收计划参数,计划参数包括日期区间、科目;
根据计划参数,生成考试时间安排结果。
本实施例中,根据设置的计划参数,生成考试时间安排结果。具体的,根据设置的日期区间,查询数据库,判断该日期区间是否可用,如果可用,则在该日期区间内按照不同时间段安排不同科目的考试时间,如果不可用,则在该日期区间的前、后日期区间内按照不同时间段分别安排不同科目的考试时间。例如,计划参数的日期区间为3月27日至3月28日,科目为语文、数学、英语、政治、历史、地理,根据设置的日期区间,判断该日期区间可用(不是节假日,也没有校务安排等情况),则在3月27日的上午第一、第二时间段安排语文、英语,下午第一时间段安排地理,3月28日的上午第一、第二时间段安排数学、政治,下午第一时间段安排历史,生成安排好的考试时间安排结果。例如,计划参数的日期区间为4月30日至5月1日,根据该日期区间,判断该日期区间不可用(是节假日),则选取该日期区间的前日期区间4月29日至4月30日,后日期区间5月4日至5月5日,基于确定的前日期区间和后日期区间,按照不同的时间段安排不同科目的考试时间,生成两组考试时间安排结果。后续,教务人员可从两组考试时间安排结果中确定出更为合适的一组考试时间安排结果,或是如果认为生成的考试时间安排结果不合适,可以重新设置计划参数。
其中,数据库中保存有时间表,时间表中保存有不可用日期信息,不可用日期信息包括日期、不可用原因等信息,不可用原因例如是国庆节、校庆等不能安排考试的原因说明。
本实施例中,所述考试管理方法还包括:
接收调整计划参数,调整计划参数包括调整时间段和/或调整科目;
根据调整计划参数,对考试时间安排结果进行调整,生成调整后的考试时间安排结果。
即,可以在生成的考试时间安排结果基础上进行调整。例如,调整各科目考试顺序、调整科目时间段等。依照上述实施例所述考试管理方法,能够根据设置的时间设置参数,自动生成考试时间安排结果,省时省力,安排合理。
本发明实施例提供的考试管理方法,能够实现考场自动安排,所述考试管理方法包括:
接收考场参数,考场参数包括考试年级、考试科目;
根据考场参数,生成考场安排结果,所述考场安排结果包括考场数量及考场位置。
本实施例中,根据设置的考场参数,生成考场安排结果。具体的,根据考场参数中的考试年级,查询数据库,获取该考试年级对应的考试人数,根据考试人数确定所需考场数量,根据考场数量,选取相应数量的考场,得到考场安排结果。例如,考场参数的考试年级为初一年级,查询数据库获得本届初一年级的学生人数为300人,如果预设每个考场人数为20人,则根据确定的学生人数确定所需考场数量为15个,根据确定的考场数量,选取相应数量的考场。
其中,选取考场的方法是,查询数据库,得到硬件配置条件满足预设条件的场地标识,若查询获得的场地标识的数量达到考场数量,则对选定的场地标识对应的考场顺序编号,生成考场安排结果;如果查询获得的场地标识的数量未达到考场数量,则根据已确定场地标识查询数据库,得到与已确定场地标识相关联的场地标识,作为确定的考场,直至选定达到考场数量的考场为止,对选定的场地标识对应的考场顺序编号,生成考场安排结果。可选的,所述场地标识是教室名称(如三年二班),所述预设条件是指场地内硬件设施达到一定的条件,例如教室内配置有摄像机。举例来说,确定所需考场数量是15个,查询数据库,得到校内安装有摄像机的教室数量是12个,这12个考场的场地标识是一年一班至一年六班,二年二班至二年六班,还需要确定3个考场,根据已确定的场地标识二年六班,从数据库中查询获取与二年六班相关联的场地标识为三年六班,与三年六班相关联的场地标识为三年五班、三年四班,所选考场已达到15个,将所选定的15个场地标识作为考场安排结果。其中,场地标识相关联是指根据场地位置在同一区域内且位置相邻,例如两个教室在同一教学楼的同一楼层。
数据库中保存有年级信息表和教室信息表,其中年级信息表中保存有年级信息,年级信息包括年级名称、年级人数、年级所包括的班级数,每班人数、每班所在位置(教学楼、楼层等)等信息,教室信息表中保存有教室信息,教室信息包括教室名称、教室位置、硬件配置等信息。
进一步的,选定考场之后,还可自动将考生分配至考场。所述考试管理方法还包括:
根据考试年级确定每个班级的考生人数,
按照考场安排结果,将每个班级的考生分配到各考场。
可选的,将每个班级的考生分配到各考场,一种是将考生平均分配到各个考场,将同一考场内同一个班的学生数量降至最低,降低作弊几率;一种是按照上次考试成绩排名顺序,将考生按照考场顺序分配到各考场。依照上述实施例所述考试管理方法,能够根据设置的考场设置参数,自动安排考场、分配考生,省时省力,安排合理。
在考生分配完成之后,还可以自动分配监考教师。所述考试管理方法还包括:
根据考试科目和/或每个考场内的考生确定不可参加监考的教师标识;
从所有教师标识中筛选出除不可参加监考的教师标识之外的可选教师标识;
根据考场数量,为每个考场分配可选教师标识。
例如,考试科目是数学,则数学教师不可参加监考,如果某个考场内的同一个班的考生人数较多,则这个班的教师不可在这个考场监考。数据库中保存有教师信息表,教师信息表中保存有教师标识、教师名称、性别、教学科目、所属班级等信息,通过查询教师信息表,可获得特定科目特定年级条件下,不可监考的教师标识。
本发明实施例提供的考试管理方法,能够实现自动生成试卷的功能,所述方法包括:
接收题目设置参数,题目设置参数包括科目、知识点、难易程度,
根据题目设置参数,生成试卷结果。
本实施例中,根据设置的题目设置参数生成试卷结果。具体的,根据科目、知识点、难易程度,按照预设的试卷策略,从试题数据库中查找获取匹配的题目,生成试卷结果。其中,试卷策略是根据科目确定的题目类型及分数,例如,对于政治科目,可设置为单选题20道,每题2分,多选题20题,每题3分,简答题2道,每题10分,论述题1道,该题30分。可选的,可根据题目设置参数,按照预设的试卷策略,从试题数据库中查找获取匹配且不重复的题目,生成多个试卷结果,后续教师可从多个试卷结果中选取一版试卷结果作为本次考试的试卷。
如果需对生成的试卷结果进行调整,所述考试管理方法还包括:
接收题目调整参数,题目调整参数包括调整题目;
根据题目调整参数,对试卷结果进行调整,生成调整后的试卷结果。
即,可以在生成的试卷结果基础上进行调整。例如,调整题目顺序,在多个试卷结果的基础上调整试卷结果之间的题目等,调整过程中,如果出现题目知识点重复、难度超纲等不合适的问题,可以进行提示。依照上述实施例所述考试管理方法,能够根据设置的题目设置参数,自动生成试卷结果,省时省力,试题安排合理。
进一步的,为保证生成的试卷结果不会漏题,提高试卷信息安全性,所述考试管理方法还包括:
对试卷结果进行加密处理,生成密文试卷结果。
对于确定下来的试卷结果,保存时可自动对试卷结果进行加密处理,避免试题泄露影响考试结果。只有具有一定权限的教务人员输入正确的密码才可以解密得到原始的试卷结果。
图2为本发明实施例的***结构框图。如图所示,本发明实施例提供的考试管理***,包括:
图像获取模块,用于获取考场区域内包括所有考生对象的图像信息;
人脸识别模块,用于对图像信息进行人脸识别处理,确定考生对象的人脸特征信息,根据人脸特征信息与预设的人脸样本,得到考生身份验证结果;
行为识别模块,用于对图像信息进行行为识别处理,确定考生对象的当前行为,得到考生行为结果;
结果确定模块,用于根据考生身份验证结果和/或考生行为结果,确定异常状态的考生。
利用图像采集设备采集考场区域内包括所有考生对象的视频信息,按照预定时间从视频信息中提取视频帧图像作为图像信息进行后续识别处理。例如,每隔1.5秒从视频信息中提取一幅图像信息。
当到达考试开始时间时,服务器向图像采集设备发送启动指令,当到达考试结束时间时,服务器向图像采集设备发送停止指令。图像采集设备接收启动指令和停止指令,接收到启动指令时,图像采集设备开始采集视频信息,接收到停止指令时,图像采集设备停止采集视频信息,图像采集设备将采集的视频信息传输至服务器,服务器按照预定时间从视频信息中提取视频帧图像作为图像信息进行后续识别处理。
可选的,可在考场前方、后方分别安装摄像头,用于采集考场区域内包括所有考生对象的图像信息。
于一些实施例中,利用人脸识别模型对图像信息进行人脸识别处理,确定每个考试位置的考生对象的人脸特征信息,将人脸特征信息与预设的考试位置的考生的人脸样本进行匹配,若不匹配则记录该考试位置的考生的身份信息,判断该考生存在作弊行为。具体的:
人脸识别模型对图像信息进行人脸识别处理,识别出图像信息中的所有人脸位置,按照各个人脸的位置,将图像信息裁剪成包括多个网格的网格状位置图,每个网格内包括一组人脸特征信息。具体包括,识别出图像信息中所有人脸的位置区域,对于每个人脸的位置区域,以人脸的位置区域为基准,确定该人脸的网格划分范围,按照网格划分范围划分出该人脸对应的网格,之后,对该网格内的人脸进行识别,得到该网格对应的人脸特征信息,人脸特征信息包括脸部特征、眼部特征、鼻子特征、嘴部特征、眉毛特征等人脸识别特征信息。按照上述方法,将图像信息处理成包括多个网格的网格状位置图,每个网格包括一组人脸特征信息。
由于考场和考生信息是预先安排好的,所以,可预先生成考场座位图,方法是:对于特定考场,录入所有考生的人脸样本及基本信息,将每个考生的人脸样本及基本信息与考生的考试位置相对应,生成根据每个考生的考试位置划分的网格状考场座位图,考场座位图中的每个网格包括该考试位置的考生的人脸样本及基本信息(姓名、性别、学号、班级、学校等信息)。
考试前或是考试时,可将位置图和考场座位图中对应网格内的人脸特征信息进行对比,根据对比结果,判断网格所对应考生是否为考生本人。以其中一个网格为例,将位置图中第一网格的人脸特征信息与考场座位图中第一网格的人脸样本进行对比识别,判断二者的相似度,若二者的相似度大于预设的匹配度,则判断考场座位图中第一网格对应的考试位置的考生为考生本人;若二者的相似度小于预设的匹配度,则判断考场座位图中第一网格对应的考试位置的考生疑似作弊,根据人脸样本对应的基本信息确定该考试位置的考生的身份信息,即确定第一网格内疑似作弊的考生的身份信息;若位置图中第一网格为空网格,则判断考场座位图中第一网格对应的考生缺考,确定缺考的考生的身份信息。按照上述过程,依次判断考场座位图中每个网格所对应的考试位置的考生的状态,得到考生身份验证结果。
于一些实施例中,对于疑似作弊的考生和缺考的考生,可根据考生的身份信息对这些考生进行标注、警示处理。
于一些实施例中,利用行为识别模型对图像信息进行行为识别处理,确定考生对象的当前行为动作,如说话、头部动作、坐姿、站姿等。
利用行为识别模型识别当前行为的方法包括:识别考生对象的关键部位,包括嘴部、头部、上肢、肩部、下肢等;根据关键部位的位置,确定考生对象的整体轮廓;跟踪关键部位的位置,根据关键部位的位置变化范围,确定关键部位的动作,根据关键部位的动作,重新确定考生对象的整体轮廓,确定考生对象的行为动作。
具体是,根据识别出的考生对象的关键部位的位置,确定考生对象的整体轮廓,将整体轮廓与预设的轮廓标准进行比较,确定考生对象的行为姿态。可选的,轮廓标准包括头部姿态、坐姿、站姿等。
根据关键部位的位置变化范围,将关键部位的位置变化范围与预设的移动阈值进行比较,结合考生对象的行为姿态,确定关键部位的动作。
例如,根据识别的考生对象的头部、上肢、肩部、下肢的相对位置,确定考生对象的整体轮廓,根据预设的轮廓标准,判断考生对象为坐姿状态,且头部、上肢、肩部、下肢的位置变化范围小于预设的移动阈值,则判断考生对象处于正常的考试状态。
根据识别的考生对象的头部、上肢、肩部、下肢的相对位置,判断考生对象为坐姿状态,根据识别的考生对象的头部动作,判断头部的位置变化范围大于等于预设的头部移动阈值(如侧头、回头),则判断考生对象疑似为作弊行为;根据识别的考生对象的嘴部的位置变化范围,判断考生对象正在说话,则判断考生对象疑似为作弊行为。
根据头部、上肢、肩部、下肢的位置变化范围,其大于等于预设的移动阈值,则重新确定检测对象的整体轮廓,根据预设的轮廓标准,判断检测对象为站立状态,且头部、上肢、肩部、下肢的位置变化范围大于等于预设的移动阈值(如考场内走动),则判断考生对象疑似为作弊行为。
于一些实施例中,对于疑似作弊的考生,可根据考生的人脸特征信息或是考生所在座位表中网格对应的考试位置,确定考生的身份信息,根据考生的身份信息对这些考生进行标注、警示处理。
结果确定模块根据考生身份验证结果,确定疑似作弊的考生和缺考的考生,根据考生行为结果,确定疑似作弊的考生,后续可根据异常状态的考生的身份信息进行标注、记录、警示等处理。
本发明实施例的考生管理***,还能够根据考试结果,分析确定考生的学习情况。所述考试管理***包括:
信息获取模块,用于获取试卷中每道题目的答案信息;
答题分析模块,用于根据答案信息判断答题结果是否正确,对于答题结果不正确的题目,确定题目所属知识点和难易程度,根据试卷中答题结果不正确的题目所属知识点和难易程度,生成答题分析结果。
本实施例中,试题数据库中保存有所有题目的题目信息,包括题目内容、题目类型(选择题、简答题、填空题、计算题等)、题目所属知识点、难易程度等信息。根据答案信息判断答题结果是否正确,对于答错的题目,确定该题目的知识点和难易程度,最终生成答题分析结果。这样,对于每个考生的考卷,能够根据答题分析结果,得到考生的哪些知识点是弱项还没有掌握,掌握到了什么程度,后期可根据每个考生的知识掌握程度制定有针对性的教学辅导计划。
本发明实施例提供的考试管理***,还能够实现考试时间自动安排,所述考试管理***包括:
接收模块,用于接收计划参数,计划参数包括日期区间、科目;
第一结果生成模块,用于根据计划参数,生成考试时间安排结果。
本实施例中,根据设置的计划参数,生成考试时间安排结果。具体的,根据设置的日期区间,查询数据库,判断该日期区间是否可用,如果可用,则在该日期区间内按照不同时间段安排不同科目的考试时间,如果不可用,则在该日期区间的前、后日期区间内按照不同时间段分别安排不同科目的考试时间。例如,计划参数的日期区间为3月27日至3月28日,科目为语文、数学、英语、政治、历史、地理,根据设置的日期区间,判断该日期区间可用(不是节假日,也没有校务安排等情况),则在3月27日的上午第一、第二时间段安排语文、英语,下午第一时间段安排地理,3月28日的上午第一、第二时间段安排数学、政治,下午第一时间段安排历史,生成安排好的考试时间安排结果。例如,计划参数的日期区间为4月30日至5月1日,根据该日期区间,判断该日期区间不可用(是节假日),则选取该日期区间的前日期区间4月29日至4月30日,后日期区间5月4日至5月5日,基于确定的前日期区间和后日期区间,按照不同的时间段安排不同科目的考试时间,生成两组考试时间安排结果。后续,教务人员可从两组考试时间安排结果中确定出更为合适的一组考试时间安排结果,或是如果认为生成的考试时间安排结果不合适,可以重新设置计划参数。
其中,数据库中保存有时间表,时间表中保存有不可用日期信息,不可用日期信息包括日期、不可用原因等信息,不可用原因例如是国庆节、校庆等不能安排考试的原因说明。
本实施例中,所述考试管理***还包括:
接收模块,用于接收调整计划参数,调整计划参数包括调整时间段和/或调整科目;
第一结果生成模块,用于根据调整计划参数,对考试时间安排结果进行调整,生成调整后的考试时间安排结果。
即,可以在生成的考试时间安排结果基础上进行调整。例如,调整各科目考试顺序、调整科目时间段等。依照上述实施例所述考试管理***,能够根据设置的时间设置参数,自动生成考试时间安排结果,省时省力,安排合理。
本发明实施例提供的考试管理***,能够实现考场自动安排,所述考试管理***包括:
接收模块,用于接收考场参数,考场参数包括考试年级、考试科目;
第二结果生成模块,用于根据考场参数,生成考场安排结果,所述考场安排结果包括考场数量及考场位置。
本实施例中,根据设置的考场参数,生成考场安排结果。具体的,根据考场参数中的考试年级,查询数据库,获取该考试年级对应的考试人数,根据考试人数确定所需考场数量,根据考场数量,选取相应数量的考场,得到考场安排结果。例如,考场参数的考试年级为初一年级,查询数据库获得本届初一年级的学生人数为300人,如果预设每个考场人数为20人,则根据确定的学生人数确定所需考场数量为15个,根据确定的考场数量,选取相应数量的考场。
其中,选取考场的方法是,查询数据库,得到硬件配置条件满足预设条件的场地标识,若查询获得的场地标识的数量达到考场数量,则对选定的场地标识对应的考场顺序编号,生成考场安排结果;如果查询获得的场地标识的数量未达到考场数量,则根据已确定场地标识查询数据库,得到与已确定场地标识相关联的场地标识,作为确定的考场,直至选定达到考场数量的考场为止,对选定的场地标识对应的考场顺序编号,生成考场安排结果。可选的,所述场地标识是教室名称(如三年二班),所述预设条件是指场地内硬件设施达到一定的条件,例如教室内配置有摄像机。举例来说,确定所需考场数量是15个,查询数据库,得到校内安装有摄像机的教室数量是12个,这12个考场的场地标识是一年一班至一年六班,二年二班至二年六班,还需要确定3个考场,根据已确定的场地标识二年六班,从数据库中查询获取与二年六班相关联的场地标识为三年六班,与三年六班相关联的场地标识为三年五班、三年四班,所选考场已达到15个,将所选定的15个场地标识作为考场安排结果。其中,场地标识相关联是指根据场地位置在同一区域内且位置相邻,例如两个教室在同一教学楼的同一楼层。
数据库中保存有年级信息表和教室信息表,其中年级信息表中保存有年级信息,年级信息包括年级名称、年级人数、年级所包括的班级数,每班人数、每班所在位置(教学楼、楼层等)等信息,教室信息表中保存有教室信息,教室信息包括教室名称、教室位置、硬件配置等信息。
进一步的,选定考场之后,还可自动将考生分配至考场。所述考试管理***还包括:
第三结果生成模块,用于根据考试年级确定每个班级的考生人数,按照考场安排结果,将每个班级的考生分配到各考场。
可选的,将每个班级的考生分配到各考场,一种是将考生平均分配到各个考场,将同一考场内同一个班的学生数量降至最低,降低作弊几率;一种是按照上次考试成绩排名顺序,将考生按照考场顺序分配到各考场。依照上述实施例所述考试管理***,能够根据设置的考场设置参数,自动安排考场、分配考生,省时省力,安排合理。
在考生分配完成之后,还可以自动分配监考教师。所述考试管理***还包括:
筛选模块,用于根据考试科目和或每个考场内的考生确定不可参加监考的教师标识;从所有教师标识中筛选出除不可参加监考的教师标识之外的可选教师标识;
第四结果生成模块,用于根据考场数量,为每个考场分配可选教师标识。
例如,考试科目是数学,则数学教师不可参加监考,如果某个考场内的同一个班的考生人数较多,则这个班的教师不可在这个考场监考。数据库中保存有教师信息表,教师信息表中保存有教师标识、教师名称、性别、教学科目、所属班级等信息,通过查询教师信息表,可获得特定科目特定年级条件下,不可监考的教师标识。
本发明实施例提供的考试管理***,能够实现自动生成试卷的功能,所述***包括:
接收模块,用于接收题目设置参数,题目设置参数包括科目、知识点、难易程度,
第五结果生成模块,用于根据题目设置参数,生成试卷结果。
本实施例中,根据设置的题目设置参数生成试卷结果。具体的,根据科目、知识点、难易程度,按照预设的试卷策略,从试题数据库中查找获取匹配的题目,生成试卷结果。其中,试卷策略是根据科目确定的题目类型及分数,例如,对于政治科目,可设置为单选题20道,每题2分,多选题20题,每题3分,简答题2道,每题10分,论述题1道,该题30分。可选的,可根据题目设置参数,按照预设的试卷策略,从试题数据库中查找获取匹配且不重复的题目,生成多个试卷结果,后续教师可从多个试卷结果中选取一版试卷结果作为本次考试的试卷。
如果需对生成的试卷结果进行调整,所述考试管理***还包括:
接收模块,用于接收题目调整参数,题目调整参数包括调整题目;
第五结果生成模块,用于根据题目调整参数,对试卷结果进行调整,生成调整后的试卷结果。
即,可以在生成的试卷结果基础上进行调整。例如,调整题目顺序,在多个试卷结果的基础上调整试卷结果之间的题目等,调整过程中,如果出现题目知识点重复、难度超纲等不合适的问题,可以进行提示。依照上述实施例所述考试管理***,能够根据设置的题目设置参数,自动生成试卷结果,省时省力,试题安排合理。
进一步的,为保证生成的试卷结果不会漏题,提高试卷信息安全性,所述考试管理***还包括:
加密模块,用于对试卷结果进行加密处理,生成密文试卷结果。
对于确定下来的试卷结果,保存时可自动对试卷结果进行加密处理,避免试题泄露影响考试结果。只有具有一定权限的教务人员输入正确的密码才可以解密得到原始的试卷结果。
基于上述目的,本发明实施例还提出了一种执行所述考试管理方法的装置的一个实施例。所述装置包括:
一个或多个处理器以及存储器。
所述执行所述考试管理方法的装置还可以包括:输入装置和输出装置。
处理器、存储器、输入装置和输出装置可以通过总线或者其他方式连接。
存储器作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的考试管理方法对应的程序指令/模块。处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的考试管理方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据执行所述考试管理方法的装置的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至会员用户行为监控装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置可接收输入的数字或字符信息,以及产生与执行考试管理方法的装置的用户设置以及功能控制有关的键信号输入。输出装置可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个处理器执行时,执行上述任意方法实施例中的考试管理方法。所述执行所述考试管理方法的装置的实施例,其技术效果与前述任意方法实施例相同或者类似。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的列表项操作的处理方法。所述非暂态计算机存储介质的实施例,其技术效果与前述任意方法实施例相同或者类似。
最后需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。所述计算机程序的实施例,其技术效果与前述任意方法实施例相同或者类似。
此外,典型地,本公开所述的装置、设备等可为各种电子终端设备,例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等,也可以是大型终端设备,如服务器等,因此本公开的保护范围不应限定为某种特定类型的装置、设备。本公开所述的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。
此外,根据本公开的方法还可以被实现为由CPU执行的计算机程序,该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时,执行本公开的方法中限定的上述功能。
此外,上述方法步骤以及***单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外,应该明白的是,本文所述的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接RambusRAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本发明难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (27)
1.一种考试管理方法,其特征在于,包括:
获取考场区域内包括所有考生对象的图像信息;
对所述图像信息进行人脸识别处理,确定所述考生对象的人脸特征信息,根据所述人脸特征信息与预设的人脸样本,得到考生身份验证结果;
对所述图像信息进行行为识别处理,确定所述考生对象的当前行为,得到考生行为结果;
根据所述考生身份验证结果和/或所述考生行为结果,确定异常状态的考生。
2.根据权利要求1所述的方法,其特征在于,所述得到考生身份验证结果的方法是:对所述图像信息进行人脸识别处理,按照识别出的考生对象的人脸位置,将所述图像信息处理生成网格状位置图;根据所述网格状位置图和预先确定的网格状考场座位图,将所述网格状位置图特定网格对应的人脸特征信息和所述网格状考场座位图对应网格所对应的人脸样本进行对比,判断所述特定网格内考生对象的匹配程度,得到所述考生身份验证结果。
3.根据权利要求1所述的方法,其特征在于,所述确定所述考生对象的当前行为,包括:识别所述考生对象的关键部位,根据所述关键部位的位置,确定所述考生对象的整体轮廓,将所述整体轮廓与预设的轮廓标准进行比较,确定所述考生对象的行为姿态;所述关键部位包括嘴部、头部、上肢、肩部、下肢,所述行为姿态包括头部姿态、坐姿、站姿。
4.根据权利要求3所述的方法,其特征在于,所述确定所述考生对象的当前行为,还包括:根据所述关键部位的位置变化范围,将所述关键部位的位置变化范围与预设的移动阈值进行比较,结合所述考生对象的行为姿态,确定所述考生对象的当前行为。
5.根据权利要求1所述的方法,其特征在于,还包括:
获取试卷中每道题目的答案信息,根据所述答案信息判断答题结果是否正确,对于所述答题结果不正确的题目,确定所述题目所属知识点和难易程度,根据所述答题结果不正确的题目所属知识点和难易程度,生成答题分析结果。
6.根据权利要求1所述的方法,其特征在于,还包括:
接收计划参数,所述计划参数包括日期区间、科目;
根据所述计划参数,生成考试时间安排结果。
7.根据权利要求6所述的方法,其特征在于,还包括:
接收调整计划参数,所述调整计划参数包括调整时间段和/或调整科目;
根据所述调整计划参数,对所述考试时间安排结果进行调整,生成调整后的考试时间安排结果。
8.根据权利要求1所述的方法,其特征在于,还包括:
接收考场参数,所述考场参数包括考试年级、考试科目;
根据所述考场参数,生成考场安排结果,所述考场安排结果包括考场数量及考场位置。
9.根据权利要求8所述的方法,其特征在于,还包括:
根据所述考试年级确定每个班级的考生人数;
按照所述考场安排结果,将所述每个班级的考生分配到各考场。
10.根据权利要求8所述的方法,其特征在于,还包括:
根据所述考试科目和/或每个考场内的考生确定不可参加监考的教师标识;
从所有教师标识中筛选出除所述不可参加监考的教师标识之外的可选教师标识;
根据所述考场数量,为每个考场分配所述可选教师标识。
11.根据权利要求1所述的方法,其特征在于,还包括:
接收题目设置参数,所述题目设置参数包括科目、知识点、难易程度;
根据所述题目设置参数,生成试卷结果。
12.根据权利要求11所述的方法,其特征在于,还包括:
接收题目调整参数,所述题目调整参数包括调整题目;
根据所述题目调整参数,对所述试卷结果进行调整,生成调整后的试卷结果。
13.根据权利要求11或12所述的方法,其特征在于,还包括:
对所述试卷结果进行加密处理,生成密文试卷结果。
14.一种考试管理***,其特征在于,包括:
图像获取模块,用于获取考场区域内包括所有考生对象的图像信息;
人脸识别模块,用于对所述图像信息进行人脸识别处理,确定所述考生对象的人脸特征信息,根据所述人脸特征信息与预设的人脸样本,得到考生身份验证结果;
行为识别模块,用于对所述图像信息进行行为识别处理,确定所述考生对象的当前行为,得到考生行为结果;
结果确定模块,用于根据所述考生身份验证结果和/或所述考生行为结果,确定异常状态的考生。
15.根据权利要求14所述的***,其特征在于,
所述人脸识别模块对所述图像信息进行人脸识别处理,按照识别出的考生对象的人脸位置,将所述图像信息处理生成网格状位置图;根据所述网格状位置图和预先确定的网格状考场座位图,将所述网格状位置图特定网格对应的人脸特征信息和所述网格状考场座位图对应网格所对应的人脸样本进行对比,判断所述特定网格内考生对象的匹配程度,得到所述考生身份验证结果。
16.根据权利要求14所述的***,其特征在于,
所述行为识别模块识别所述考生对象的关键部位,根据所述关键部位的位置,确定所述考生对象的整体轮廓,将所述整体轮廓与预设的轮廓标准进行比较,确定所述考生对象的行为姿态;所述关键部位包括嘴部、头部、上肢、肩部、下肢,所述行为姿态包括头部姿态、坐姿、站姿。
17.根据权利要求16所述的***,其特征在于,
所述行为识别模块根据所述关键部位的位置变化范围,将所述关键部位的位置变化范围与预设的移动阈值进行比较,结合所述考生对象的行为姿态,确定所述考生对象的当前行为。
18.根据权利要求14所述的***,其特征在于,还包括:
信息获取模块,用于获取试卷中每道题目的答案信息;
答题分析模块,用于根据所述答案信息判断答题结果是否正确,对于所述答题结果不正确的题目,确定所述题目所属知识点和难易程度,根据所述答题结果不正确的题目所属知识点和难易程度,生成答题分析结果。
19.根据权利要求14所述的***,其特征在于,还包括:
接收模块,用于接收计划参数,所述计划参数包括日期区间、科目;
第一结果生成模块,用于根据所述计划参数,生成考试时间安排结果。
20.根据权利要求19所述的***,其特征在于,还包括:
所述接收模块,用于接收调整计划参数,所述调整计划参数包括调整时间段和/或调整科目;
所述第一结果生成模块,用于根据所述调整计划参数,对所述考试时间安排结果进行调整,生成调整后的考试时间安排结果。
21.根据权利要求14所述的***,其特征在于,还包括:
所述接收模块,用于接收考场参数,所述考场参数包括考试年级、考试科目;
第二结果生成模块,用于根据所述考场参数,生成考场安排结果,所述考场安排结果包括考场数量及考场位置。
22.根据权利要求21所述的***,其特征在于,还包括:
第三结果生成模块,用于根据所述考试年级确定每个班级的考生人数,按照所述考场安排结果,将所述每个班级的考生分配到各考场。
23.根据权利要求21所述的***,其特征在于,还包括:
筛选模块,用于根据所述考试科目和/或每个考场内的考生确定不可参加监考的教师标识,进而,从所有教师标识中筛选出除所述不可参加监考的教师标识之外的可选教师标识;
第四结果生成模块,用于根据所述考场数量,为每个考场分配所述可选教师标识。
24.根据权利要求14所述的***,其特征在于,还包括:
所述接收模块,用于接收题目设置参数,所述题目设置参数包括科目、知识点、难易程度;
第五结果生成模块,用于根据所述题目设置参数,生成试卷结果。
25.根据权利要求24所述的***,其特征在于,还包括:
所述接收模块,用于接收题目调整参数,所述题目调整参数包括调整题目;
所述第五结果生成模块,用于根据所述题目调整参数,对所述试卷结果进行调整,生成调整后的试卷结果。
26.根据权利要求24或25所述的***,其特征在于,还包括:
加密模块,用于对所述试卷结果进行加密处理,生成密文试卷结果。
27.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至13任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910765150.4A CN111353921A (zh) | 2019-08-19 | 2019-08-19 | 一种考试管理方法及***、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910765150.4A CN111353921A (zh) | 2019-08-19 | 2019-08-19 | 一种考试管理方法及***、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111353921A true CN111353921A (zh) | 2020-06-30 |
Family
ID=71196780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910765150.4A Pending CN111353921A (zh) | 2019-08-19 | 2019-08-19 | 一种考试管理方法及***、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353921A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112087603A (zh) * | 2020-08-31 | 2020-12-15 | 浙江蓝鸽科技有限公司 | 智慧考场监管方法 |
CN112085883A (zh) * | 2020-09-11 | 2020-12-15 | 安徽中屏科技有限公司 | 一种智慧监考反作弊*** |
CN112149553A (zh) * | 2020-09-21 | 2020-12-29 | 西安工程大学 | 一种***行为识别方法 |
CN112308417A (zh) * | 2020-10-30 | 2021-02-02 | 领扣网络(上海)有限公司 | 在线测评的防作弊方法及*** |
CN112782713A (zh) * | 2021-02-02 | 2021-05-11 | 安徽中屏科技有限公司 | 一种基于垂直化信号检测的智慧监考*** |
CN113269062A (zh) * | 2021-05-14 | 2021-08-17 | 彭皓 | 应用于智慧教育的人工智能异常识别方法 |
CN113269063A (zh) * | 2021-05-14 | 2021-08-17 | 彭皓 | 基于大数据和智慧教育的考试管理*** |
CN113627335A (zh) * | 2021-08-10 | 2021-11-09 | 浙江大华技术股份有限公司 | 考生行为的监控方法、装置、存储介质和电子装置 |
CN113657300A (zh) * | 2021-08-20 | 2021-11-16 | 青软创新科技集团股份有限公司 | 一种基于ai人脸识别技术的在线考试防作弊实现方法 |
CN115018443A (zh) * | 2022-04-25 | 2022-09-06 | 中国南方电网有限责任公司 | 一种安全知识测试管理*** |
CN115658928A (zh) * | 2022-12-14 | 2023-01-31 | 成都泰盟软件有限公司 | 一种组卷试卷的方法、装置、计算机设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100998617B1 (ko) * | 2010-05-03 | 2010-12-07 | 교통안전공단 | 중앙 통제 방식의 cbt 시스템 및 그 방법 |
CN104123556A (zh) * | 2014-06-26 | 2014-10-29 | 河海大学常州校区 | 一种基于图像识别的考生身份验证***及方法 |
CN105551104A (zh) * | 2015-12-21 | 2016-05-04 | 电子科技大学 | 一种基于监控图像座位判别的中小学课堂自动考勤*** |
CN105791299A (zh) * | 2016-03-11 | 2016-07-20 | 南通职业大学 | 一种无人监考的智能化上机考试*** |
CN107491717A (zh) * | 2016-06-13 | 2017-12-19 | 科大讯飞股份有限公司 | ***检测方法和装置 |
CN109598226A (zh) * | 2018-11-29 | 2019-04-09 | 安徽工业大学 | 基于Kinect彩色及深度信息在线***判断方法 |
CN109858457A (zh) * | 2019-02-18 | 2019-06-07 | 齐鲁工业大学 | 基于OpenPose的作弊动作辅助识别方法及*** |
CN109903412A (zh) * | 2019-02-01 | 2019-06-18 | 北京清帆科技有限公司 | 一种基于人脸识别技术的智能课堂考勤*** |
CN109961000A (zh) * | 2018-10-22 | 2019-07-02 | 大连艾米移动科技有限公司 | 一种智能考场防作弊*** |
CN110032992A (zh) * | 2019-04-25 | 2019-07-19 | 沈阳航空航天大学 | 一种基于姿态的***检测方法 |
-
2019
- 2019-08-19 CN CN201910765150.4A patent/CN111353921A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100998617B1 (ko) * | 2010-05-03 | 2010-12-07 | 교통안전공단 | 중앙 통제 방식의 cbt 시스템 및 그 방법 |
CN104123556A (zh) * | 2014-06-26 | 2014-10-29 | 河海大学常州校区 | 一种基于图像识别的考生身份验证***及方法 |
CN105551104A (zh) * | 2015-12-21 | 2016-05-04 | 电子科技大学 | 一种基于监控图像座位判别的中小学课堂自动考勤*** |
CN105791299A (zh) * | 2016-03-11 | 2016-07-20 | 南通职业大学 | 一种无人监考的智能化上机考试*** |
CN107491717A (zh) * | 2016-06-13 | 2017-12-19 | 科大讯飞股份有限公司 | ***检测方法和装置 |
CN109961000A (zh) * | 2018-10-22 | 2019-07-02 | 大连艾米移动科技有限公司 | 一种智能考场防作弊*** |
CN109598226A (zh) * | 2018-11-29 | 2019-04-09 | 安徽工业大学 | 基于Kinect彩色及深度信息在线***判断方法 |
CN109903412A (zh) * | 2019-02-01 | 2019-06-18 | 北京清帆科技有限公司 | 一种基于人脸识别技术的智能课堂考勤*** |
CN109858457A (zh) * | 2019-02-18 | 2019-06-07 | 齐鲁工业大学 | 基于OpenPose的作弊动作辅助识别方法及*** |
CN110032992A (zh) * | 2019-04-25 | 2019-07-19 | 沈阳航空航天大学 | 一种基于姿态的***检测方法 |
Non-Patent Citations (1)
Title |
---|
李川;: "智能无人监考考试***设计与研究", 电脑知识与技术, no. 30, pages 199 - 201 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112087603B (zh) * | 2020-08-31 | 2022-10-11 | 浙江蓝鸽科技有限公司 | 智慧考场监管方法 |
CN112087603A (zh) * | 2020-08-31 | 2020-12-15 | 浙江蓝鸽科技有限公司 | 智慧考场监管方法 |
CN112085883A (zh) * | 2020-09-11 | 2020-12-15 | 安徽中屏科技有限公司 | 一种智慧监考反作弊*** |
CN112149553A (zh) * | 2020-09-21 | 2020-12-29 | 西安工程大学 | 一种***行为识别方法 |
CN112308417A (zh) * | 2020-10-30 | 2021-02-02 | 领扣网络(上海)有限公司 | 在线测评的防作弊方法及*** |
CN112308417B (zh) * | 2020-10-30 | 2024-01-23 | 领扣网络(上海)有限公司 | 在线测评的防作弊方法及*** |
CN112782713A (zh) * | 2021-02-02 | 2021-05-11 | 安徽中屏科技有限公司 | 一种基于垂直化信号检测的智慧监考*** |
CN112782713B (zh) * | 2021-02-02 | 2023-09-22 | 安徽中屏科技有限公司 | 一种基于垂直化信号检测的智慧监考*** |
CN113269062B (zh) * | 2021-05-14 | 2021-11-26 | 食安快线信息技术(深圳)有限公司 | 应用于智慧教育的人工智能异常识别方法 |
CN113269063B (zh) * | 2021-05-14 | 2022-06-03 | 常州易学网络科技有限公司 | 基于大数据和智慧教育的考试管理*** |
CN113269063A (zh) * | 2021-05-14 | 2021-08-17 | 彭皓 | 基于大数据和智慧教育的考试管理*** |
CN113269062A (zh) * | 2021-05-14 | 2021-08-17 | 彭皓 | 应用于智慧教育的人工智能异常识别方法 |
CN113627335A (zh) * | 2021-08-10 | 2021-11-09 | 浙江大华技术股份有限公司 | 考生行为的监控方法、装置、存储介质和电子装置 |
CN113657300A (zh) * | 2021-08-20 | 2021-11-16 | 青软创新科技集团股份有限公司 | 一种基于ai人脸识别技术的在线考试防作弊实现方法 |
CN113657300B (zh) * | 2021-08-20 | 2024-05-07 | 青软创新科技集团股份有限公司 | 一种基于ai人脸识别技术的在线考试防作弊实现方法 |
CN115018443A (zh) * | 2022-04-25 | 2022-09-06 | 中国南方电网有限责任公司 | 一种安全知识测试管理*** |
CN115658928A (zh) * | 2022-12-14 | 2023-01-31 | 成都泰盟软件有限公司 | 一种组卷试卷的方法、装置、计算机设备及存储介质 |
CN115658928B (zh) * | 2022-12-14 | 2023-08-01 | 成都泰盟软件有限公司 | 一种组卷试卷的方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353921A (zh) | 一种考试管理方法及***、电子设备 | |
CN111949822A (zh) | 一种基于云计算和移动终端的智能教育视频服务***及其运行方法 | |
CN106780212A (zh) | 在线考试方法、装置及考试*** | |
CN110647807A (zh) | 异常行为确定方法、装置、计算机设备和存储介质 | |
CN108389147A (zh) | 试题难度分级处理方法及*** | |
US20150279225A1 (en) | Method for individually customizing presentation of forum postings in a moocs system based on cumulative student coursework data processing | |
CN109685007B (zh) | 用眼习惯的预警方法、用户设备、存储介质及装置 | |
CN109872262A (zh) | 一种考勤***及方法 | |
US11226991B2 (en) | Interest tag determining method, computer device, and storage medium | |
CN108492223A (zh) | 试卷处理方法及*** | |
CN107845300B (zh) | 一种实时监控的安全考试*** | |
KR20190006409A (ko) | 암기학습 데이터를 활용한 단어 인지상태 정량화와 스마트기기 학습 및 스케줄링 장치 및 방법 | |
US11393354B2 (en) | System and method for generating an assessment paper and measuring the quality thereof | |
CN111368808A (zh) | 答题数据的采集方法、装置、***和教学设备 | |
US20140009496A1 (en) | Methods and systems for object based data management | |
CN110866209A (zh) | 在线教育数据推送方法、***和计算机设备 | |
CN110111011B (zh) | 一种教学质量监管方法、装置及电子设备 | |
Slavko et al. | Digitalization of Electrical Engineering Education and Automatic Assessment of Study Results | |
CN111667171A (zh) | 基于大数据的群体阅读行为分析方法、装置、设备及介质 | |
CN111353439A (zh) | 一种教学行为的分析方法、装置、***及设备 | |
CN111405054A (zh) | 智能助教***及方法 | |
CN109545016A (zh) | 一种基于学习客户端的学习互动方法及学习客户端 | |
CN116126190B (zh) | 劳动实践教学多方交互方法及*** | |
CN112019875A (zh) | 在线直播的学***台 | |
CN113591796B (zh) | 一种用于校园的人脸识别*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |