申请/专利权人：南通大学

申请日：2023-02-13

公开（公告）日：2024-01-30

公开（公告）号：CN116189275B

主分类号：G06V40/18

分类号：G06V40/18;G06V40/16;G06V10/44;G06V10/80;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.01.30#授权;2023.06.16#实质审查的生效;2023.05.30#公开

摘要：本发明涉及机器学习视觉技术领域，尤其涉及一种基于面部地标热图的线上考试监考方法，包括：S1：对眼动数据集进行预处理，将数据集分为训练集和测试集；S2：搭建二元模型中的Face‑net,从面部图像获取粗粒度视线估计；S3：搭建Eye‑net,从眼部图像获取细粒度视线估计；S4：完善二元模型，计算出最终的视线估计方向，并用该模型评估作弊行为。本发明无需针对个人进行校对即可进行精准的视线估计，有助于提高线上监考时辨别作弊行为的准确率。

主权项：1.一种基于面部地标热图的线上考试监考方法，其特征在于，包括以下步骤：S1：对眼动数据集进行预处理，将数据集分为训练集和测试集；S2：搭建二元模型中的Face-Net，从面部图像获取粗粒度视线估计；S3：搭建Eye-Net，从眼部图像获取细粒度视线估计；S4：完善二元模型，计算出最终的视线估计方向，并用该模型评估作弊行为；在步骤S1中，选用EYEDIAP作为眼动数据集，对其进行预处理：S101：首先使用RetinaFace提取EYEDIAP图像的面部裁剪，并将其零填充为384×480的统一尺寸；S102：然后，运行OpenFace2.0来获取眼睛标志，并为所有维度d＝2、∑＝I2和μ＝xi，yi，i＝1，2，的数据生成热图；其中，μ表式平均值，∑表式协方差矩阵；S103：然后，将完整的数据集划按9：1拆分，分别用于训练集和测试集；在步骤S2中，具体步骤如下：S201：Face-Net中的CNN由13个卷积块组成，每个卷积块包含一个卷积层、一个ReLU和一个批量归一化层；所有卷积核的大小和步幅均设置为3*3和1，卷积核的数量为64、64、128、128、256、256、256、256、256、256、512、512、1024；在第二个、第四个、第七个和第十个卷积块之后插入一个最大池层，最大池化层的大小为2*2，步幅为2*2；在第十三块之后使用全局平均池化层并输出1024D特征；最后，将1024D特征发送到全连接层以输出256D人脸特征；S202：输入面部图像，计算出基本凝视方向gb和h1，从面部特征获状态估计h1后，使用学习门过滤状态h1，学习门的过程如下：zi＝σWz·[hi，f]ri＝σWr·[hi，f] 其中f表示相应的特征，Wz、Wr和Wh是学习参数，用全连接层来实现，h0设置为零矩阵，ri表示复位门，zi表示更新门，hi表示特征状态。

全文数据：

权利要求：

百度查询： 南通大学 一种基于面部地标热图的线上考试监考方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD