一種智能考試系統的製作方法

2023-05-11 11:07:21

本發明涉及考試設備領域，具體涉及一種智能考試系統。

背景技術：

目前，在大學、教育機構或者各大型企業中，對學生或者職工的考核，大多採用網絡模塊化考試系統，這種方式實現了學生及職工教育無紙化的學習和考試模式，給大學、教育機構及各大企業的教育工作帶來了方便。採用這種網絡模塊化考試系統，為了保證考試的有效性，各個單位採用集中考試的方式，需要安排固定的考試時間，集中的考試地點，在監考人員的監考下進行考試。而這種集中考試的方式卻難以適應崗位分散、職工難以聚集的單位。應運而生的自助式考試系統雖然能使考生進行自助考試，但是在考試的過程中需要全程進行監控，以防止考生在考試過程中出現作弊行為對於考試次數頻繁的單位，比如鐵路部門，隨著鐵路的快速發展，對考生應用培訓知識量越加的豐富、考試頻率快速的增加，監考任務越加繁重，需要投入大量的人力資源進行監考。

技術實現要素：

針對上述問題，本發明旨在提供一種智能考試系統。

本發明的目的採用以下技術方案來實現：

一種智能考試系統，包括考生信息錄入子系統、答題子系統和監控子系統；所述考生信息錄入子系統用於供考生錄入考生身份信息並將所述考生的身份信息傳輸給答題子系統；所述答題子系統，用於根據所述考生身份信息提供考題並記錄所述考生的答題信息；所述監控子系統，用於在考試過程中對考生進行考試監控，其包括密碼核對單元、考試中不定時面部信息核對單元和違規處理單元。

本發明的有益效果為：利用本發明，考生能充分利用空閒時間，在各網點及電腦教室隨時進行自助學習和考試，而不需要在同一的考試地點進行集中考試，適用崗位分散、職工難以聚集的單位；設置監控子系統，在無人監視的情況下避免了考試作弊現象，確保了考試的有效性。

附圖說明

利用附圖對本發明作進一步說明，但附圖中的實施例不構成對本發明的任何限制，對於本領域的普通技術人員，在不付出創造性勞動的前提下，還可以根據以下附圖獲得其它的附圖。

圖1是本發明的結構連接示意圖；

圖2是本發明的隱匿物品檢測子系統的結構連接示意圖。

附圖標記：

考生信息錄入子系統1、答題子系統2、監控子系統3、隱匿物品檢測子系統4、掃描模塊11、圖像處理模塊12、背景消減模塊13、人體區域檢測模塊14、隱匿物品檢測模塊15。

具體實施方式

結合以下實施例對本發明作進一步描述。

參見圖1、圖2，本實施例的一種智能考試系統，包括考生信息錄入子系統1、答題子系統2和監控子系統3；所述考生信息錄入子系統1用於供考生錄入考生身份信息並將所述考生的身份信息傳輸給答題子系統2；所述答題子系統2，用於根據所述考生身份信息提供考題並記錄所述考生的答題信息；所述監控子系統3，用於在考試過程中對考生進行考試監控，其包括密碼核對單元、考試中不定時面部信息核對單元和違規處理單元。

優選的，所述考生身份信息包括用戶姓名、性別、身份證號碼。

優選的，所述違規處理單元包括聲音提醒、黑屏提醒和強制交卷。

利用本發明上述實施例，考生能充分利用空閒時間，在各網點及電腦教室隨時進行自助學習和考試，而不需要在同一的考試地點進行集中考試，適用崗位分散、職工難以聚集的單位；設置監控子系統3，在無人監視的情況下避免了考試作弊現象，確保了考試的有效性。

優選的，所述智能考試系統還包括隱匿物品檢測子系統4，所述隱匿物品檢測子系統4包括：

(1)掃描模塊11，用於對考生進行毫米波掃描獲得原始被動毫米波圖像；

(2)圖像處理模塊12，用於對所述原始被動毫米波圖像進行處理獲得目標圖像；

(3)人體區域檢測模塊14，用於基於所述目標圖像，通過對人體是否存在的預判斷，進行人體區域檢測，獲取人體區域；

(4)隱匿物品檢測模塊15，用於在所述人體區域內，採用Canny邊緣算子和置信區間結合的混合分割的方法，對隱匿物品進行檢測，並對檢測到的隱匿物品區域進行標記；

(5)隱匿物品識別模塊，用於對隱匿物品進行識別。

本優選實施例設計了隱匿物品檢測子系統4的模塊架構，實現了隱匿物品檢測子系統4對危險物品的檢測。

優選地，所述圖像處理模塊12包括：

(1)二值化單元，用於對所述原始被動毫米波圖像進行二值化獲得二值化圖像,包括：將所述原始被動毫米波圖像進行平滑區P1、過渡區P2和邊緣區P3的區域劃分,其採用平方奇異值作為區域能量的衡量，並定義區域劃分公式為：

其中，v(i)為原始被動毫米波圖像中像素點i處的觀測值，Q(i)為對應原始被動毫米波圖像中像素點i處的平方奇異值，為平方奇異值的均值；

對於平滑區P1，設定閾值T1，T1為平滑區P1所有像素灰度值的平均值，將平滑區P1的每個像素灰度值與閾值T1進行比較，若大於T1，則取值為255，否則取值為0；對於過渡區P2和邊緣區P3，過渡區P2和邊緣區P3中每個像素點i為中心的(2a+1)x(2a+1)窗口，a∈[1，3]，各像素點閾值T2(i)定義為該像素窗口內最大灰度值與最小灰度值和的一半，將過渡區P2和邊緣區P3的每個像素灰度值和相應閾值T2(i)比較，若大於T2(i)，則取值為255，否則取值為0；

(2)預處理單元，用於對二值化圖像進行穩像以及去噪處理以獲得初步去噪圖像，包括：

a、圖像穩像子單元，用於消除人在運動時造成的圖像抖動，包括：

(1)對被檢對象進行毫米波掃描時，選定第一幀圖像作為參考幀，將參考幀劃分為互不重疊三個區域1、2、3，K表示圖像寬度，G表示圖像高度，從圖像左上開始按照順時針方向依次為區域1、2、3，區域1、2的大小為0.5K×0.5G，區域3的大小為K×0.5G；

(2)在下一幀掃描到的圖像中心位置選定區域A0，A0的大小選定為0.5K×0.5G，按照step1的方法將A0劃分為三個圖像子塊A1、A2、A3，A1和A2用於估算垂直方向上的局部運動向量，A3用於估算水平方向上的局部運動向量，令A1、A2、A3分別在1、2、3三個區域內搜尋最佳匹配，從而估計出圖像序列的全局運動矢量，然後進行反向運動補償，消除圖像模糊；

b、分區去噪子單元，用於對平滑區P1、過渡區P2和邊緣區P3分別進行去噪處理，設平滑區P1、過渡區P2和邊緣區P3的去噪估計分別為G1(i)、G2(i)和G3(i)，各區域的去噪估計的計算公式分別為：

式中，N1為平滑區的像素總數量，V(j)為平滑區P1在點j處的灰度值，s1v(i)為通過均值濾波器處理後提取出的像素點i處的平滑區均值，s1v(j)為通過均值濾波器處理後提取出的像素點j處的平滑區均值；v(j)表示邊緣區P3中所有的像素點，為歸一化常數，d為邊緣區P3中像素點i和像素點j的環形特徵向量的高斯加權歐氏距離，γ為高斯核函數的標準差，μ為邊緣區P3中噪聲的標準差，

c、再次去噪子單元，連接分區去噪子單元，用於採用基於分裂Bregman迭代的全變分去噪算法對由分區去噪子單元處理後的被動毫米波圖像進行進一步去噪，從而進一步去除被動毫米波圖像中的高斯白噪聲。

本優選實施例設置圖像穩像子單元，能夠消除人在運動時造成的圖像抖動；二值化單元中，採用全局閾值二值化和局部閾值二值化結合的方法，在保證速度的前提下取得了良好的效果；被動毫米波圖像由少量近似分塊平滑的圖像塊組成，包含有大量的冗餘信息，根據這一特點，設置預處理單元，採用奇異值分解將被動毫米波圖像劃分為平滑區、過渡區和邊緣區，並根據這三類區域各自的特徵設置分區去噪子單元，用於對平滑區、過渡區和邊緣區分別進行去噪處理，與目前較為主流的集中圖像去噪算法相比，能夠獲得較高的BRISQUE，提高了計算的速度，且能夠明顯抑制掃描線噪聲以及高斯白噪聲的影響；採用再次去噪子單元，結合分區去噪子單元，進一步去除被動毫米波圖像中的高斯白噪聲，提高去噪效果。

優選的，所述隱匿物品檢測模塊15在進行混合分割時，選用合適的閾值Ty對所述目標圖像進行閾值處理，所述置信區間表示隱匿物品邊緣分布的灰度範圍，其中包含目標圖像所有邊緣的全局置信區間為[int((Vl+Vh)/2),Vh],其中int為取整算子，Vl為整個目標圖像的邊緣點的最小灰度值的下界，Vh為整個目標圖像的邊緣點的最大灰度值的上界；計算每一個隱匿物品的置信區間時，使用從Vl+1開始逐點增加的閾值Tg對目標圖像進行分割，直至閾值Tg＝Vh-1時停止分割，當前景中出現了一個新的獨立區域時，定義對應位置有另一個隱匿物品，隱匿物品的置信區間定義為：Pz＝[(Tg+Vh)/2,Vh]，採用邊緣算子提取隱匿物品的置信區間中的邊緣曲線，定義邊緣曲線內所包含的區域為Pc，最終得到的隱匿物品的精確分割區域Py為：

式中，為由較小的閾值Ty＝(Tg+Vh)/2對目標圖像進行分割得到的區域。

本優選實施例採用Canny邊緣算子和置信區間結合的混合分割的方法實現了對隱匿物品的分割，提高了分割的速度和精度。

優選地，所述人體區域檢測模塊14能夠對人體隱私部位進行屏蔽，具體包括：

(1)通過臉部識別對人員的性別進行判斷，根據性別不同確定不同的隱私部位，劃定隱私區域；

(2)對確定的隱私區域進行模糊處理，圖像模糊採用如下方法：

對於隱私區域任一點(x,y),採用函數確定(x,y)的5×5鄰域點的取值權重，對該點進行鄰域加權平均，得到該點的模糊值，從而達到模糊效果。

本優選實施例使得檢測更加人性化。

最後應當說明的是，以上實施例僅用以說明本發明的技術方案，而非對本發明保護範圍的限制，儘管參照較佳實施例對本發明作了詳細地說明，本領域的普通技術人員應當理解，可以對本發明的技術方案進行修改或者等同替換，而不脫離本發明技術方案的實質和範圍。